DeXposure-FM: 분산 금융 네트워크의 신용 위험 및 안정성을 위한 시계열, 그래프 기반 기초 모델

DeXposure-FM: A Time-series, Graph Foundation Model for Credit Exposures and Stability on Decentralized Financial Networks

분산 금융(DeFi)에서의 신용 위험은 종종 암묵적이며 토큰을 매개로 하여, 프로토콜 간의 복잡한 상호 의존성을 형성합니다. 따라서 하나의 토큰에 대한 충격은 상당하고 통제 불가능한 연쇄 반응을 일으킬 수 있습니다. DeFi 생태계가 스테이블 코인과 같은 도구를 통해 기존 금융 인프라와 점점 더 연결됨에 따라, 이러한 역동적인 상황이 야기하는 위험을 정량화하기 위한 더욱 강력한 도구가 필요합니다. 본 연구에서는 분산 금융 네트워크에서 프로토콜 간의 신용 위험을 측정하고 예측하기 위한 첫 번째 시계열, 그래프 기반 기초 모델인 DeXposure-FM을 소개합니다. DeXposure-FM은 사전 학습된 가중치를 사용한 그래프-표 형식 인코더와 여러 개의 작업별 헤드를 사용하여 4,300개 이상의 프로토콜이 있는 602개의 블록체인에 걸쳐 4370만 개의 데이터 항목으로 구성된 DeXposure 데이터 세트를 기반으로 학습되었습니다. 학습은 신용 위험 예측을 위해 수행되며, (1) 프로토콜 수준의 흐름과 (2) 신용 위험 연결의 토폴로지와 가중치의 동시적인 변화를 예측합니다. DeXposure-FM은 두 가지 머신 러닝 벤치마크에서 경험적으로 검증되었으며, 그래프 기반 모델 및 시계열 그래프 신경망을 포함한 최첨단 접근 방식보다 일관되게 우수한 성능을 보였습니다. DeXposure-FM은 또한 프로토콜 수준의 시스템 중요도 점수 및 예측 후 측정을 통해 부문 수준의 유출 및 집중도 측정을 가능하게 하여 거시 건전성 모니터링 및 시나리오 기반 DeFi 스트레스 테스트를 지원하는 금융 경제 도구를 제공합니다. 경험적 검증은 이러한 금융 경제 도구를 충분히 뒷받침합니다. 모델 및 코드는 공개적으로 제공됩니다. 모델: https://huggingface.co/EVIEHub/DeXposure-FM. 코드: https://github.com/EVIEHub/DeXposure-FM.

Credit exposure in Decentralized Finance (DeFi) is often implicit and token-mediated, creating a dense web of inter-protocol dependencies. Thus, a shock to one token may result in significant and uncontrolled contagion effects. As the DeFi ecosystem becomes increasingly linked with traditional financial infrastructure through instruments, such as stablecoins, the risk posed by this dynamic demands more powerful quantification tools. We introduce DeXposure-FM, the first time-series, graph foundation model for measuring and forecasting inter-protocol credit exposure on DeFi networks, to the best of our knowledge. Employing a graph-tabular encoder, with pre-trained weight initialization, and multiple task-specific heads, DeXposure-FM is trained on the DeXposure dataset that has 43.7 million data entries, across 4,300+ protocols on 602 blockchains, covering 24,300+ unique tokens. The training is operationalized for credit-exposure forecasting, predicting the joint dynamics of (1) protocol-level flows, and (2) the topology and weights of credit-exposure links. The DeXposure-FM is empirically validated on two machine learning benchmarks; it consistently outperforms the state-of-the-art approaches, including a graph foundation model and temporal graph neural networks. DeXposure-FM further produces financial economics tools that support macroprudential monitoring and scenario-based DeFi stress testing, by enabling protocol-level systemic-importance scores, sector-level spillover and concentration measures via a forecast-then-measure pipeline. Empirical verification fully supports our financial economics tools. The model and code have been publicly available. Model: https://huggingface.co/EVIEHub/DeXposure-FM. Code: https://github.com/EVIEHub/DeXposure-FM.