DeXposure-FM: Das erste Graphenmodell zur Messung von Kreditexposures in DeFi
In der schnell wachsenden Welt der dezentralen Finanzen (DeFi) sind Kreditexposures oft nur indirekt sichtbar und werden über Token vermittelt. Diese komplexe, token‑basierte Vernetzung führt dazu, dass ein einziger Ausfall einen Kettenreaktionseffekt auslösen kann, der weit über das ursprüngliche Protokoll hinausgeht.
Mit der zunehmenden Verknüpfung von DeFi‑Netzwerken mit traditionellen Finanzinfrastrukturen – etwa durch Stablecoins – steigt das Risiko von systemischen Schocks. Um diesen Herausforderungen gerecht zu werden, präsentiert die Forschung das Modell DeXposure‑FM, das erstmals eine Zeitreihen‑Graph‑Foundation‑Architektur zur Messung und Prognose von Kreditexposures zwischen Protokollen einsetzt.
DeXposure‑FM kombiniert einen graph‑tabularen Encoder mit vortrainierten Gewichten und mehreren aufgabenspezifischen Köpfen. Das Modell wird auf dem umfangreichen DeXposure‑Datensatz trainiert, der über 43,7 Millionen Einträge, mehr als 4.300 Protokolle, 602 Blockchains und über 24.300 einzigartige Token umfasst. Es prognostiziert gleichzeitig die dynamischen Flüsse auf Protokollebene sowie die Topologie und Gewichtung der Kreditexposures.
In zwei unabhängigen Machine‑Learning‑Benchmarks übertrifft DeXposure‑FM nachweislich die aktuellen Spitzenreiter, darunter graph‑basierte Foundation‑Modelle und zeitliche Graph‑Neuronale Netze. Darüber hinaus liefert das Modell wertvolle Instrumente für die makroprudenzielle Aufsicht und das Szenario‑basierte Stress‑Testing von DeFi‑Netzwerken, indem es systemische Wichtigkeit, Sektor‑Spillover und Konzentrationsmaße prognostiziert.