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

Resumen Técnico: DeXposure-FM

Planteamiento del Problema
Las Finanzas Descentralizadas (DeFi) operan como un ecosistema dinámico e interconectado donde la exposición crediticia es implícita y mediada por tokens en lugar de estar definida por contratos bilaterales. Los protocolos mantienen tokens emitidos por otros protocolos como colateral, liquidez o reservas, lo que crea una compleja red de dependencias. Cuando un token ampliamente held experimenta un choque (p. ej., colapso de precio, exploit o fallo de gobernanza), las pérdidas pueden propagarse en cascada a través de protocolos y cadenas. Si bien las autoridades de política económica han destacado estas vulnerabilidades, las herramientas cuantitativas para monitorear el riesgo sistémico en DeFi siguen siendo limitadas. Los enfoques existentes enfrentan tres restricciones principales:

1. Complejidad de los Datos: Las exposiciones no se reportan en balances estandarizados, sino que deben reconstruirse a partir de estados on-chain, lo que resulta en datos de alta dimensionalidad, no estacionarios y heterocedásticos.
2. Limitaciones del Modelo: Las herramientas clásicas de series temporales (p. ej., VAR) carecen de la capacidad para representar estados acoplados a nivel de nodo, exposiciones a nivel de arista y evolución mesoestructural. Por el contrario, las Redes Neuronales de Grafos (GNN) estándar suelen entrenarse en tareas estrechas con conjuntos de datos limitados, careciendo de la capacidad de reutilización de los modelos fundacionales.
3. Brechas de Medición: Existe la necesidad de un marco unificado que pueda pronosticar las exposiciones crediticias inter-protocolo y traducir esos pronósticos en indicadores macroprudenciales (p. ej., importancia sistémica, pérdidas por contagio) para el monitoreo regulatorio.

Metodología
Los autores presentan DeXposure-FM, un modelo fundacional de grafos de series temporales (GFM) específico para el dominio, diseñado para pronosticar las exposiciones crediticias inter-protocolo. El enfoque se basa en el conjunto de datos DeXposure, que agrega 43.7 millones de observaciones semanales de exposición inter-protocolo desde 2020 hasta 2025, cubriendo más de 4,300 protocolos, 602 blockchains y más de 24,300 tokens.

• Formalización de Datos: El ecosistema DeFi se modela como un multigrafo dirigido y ponderado donde los nodos representan protocolos y las aristas representan exposiciones en USD mediadas por tokens. Los pesos de las aristas se derivan del flujo de valores de tokens entre protocolos, calculados mediante la agregación de cambios en el Valor Total Bloqueado (TVL) y la composición de tokens.
• Arquitectura:
  • Codificador: El modelo utiliza un codificador GraphPFN (Graph Prior-data Fitted Network), una arquitectura basada en transformers que fusiona la estructura del grafo con características tabulares de los nodos (p. ej., TVL en escala logarítmica, composición de tokens, codificación de sector). El codificador se inicializa con pesos de código abierto de GraphPFN y se ajusta mediante fine-tuning end-to-end.
  • Cabezales de Predicción: El codificador alimenta cabezales ligeros de múltiples horizontes ($h \in \{1, 4, 8, 12\}$ semanas) que realizan tres tareas conjuntas:
    1. Existencia de Arista: Clasificación binaria de si existe un vínculo de exposición.
    2. Peso de la Arista: Regresión de los cambios en la magnitud de la exposición utilizando aprendizaje residual en el espacio logarítmico ($\log(1+w)$).
    3. Cambio de TVL del Nodo: Predicción de la dinámica del TVL a nivel de protocolo.
• Pipeline de Entrenamiento: El modelo se optimiza usando Adam con una función de pérdida multitarea que combina la entropía cruzada binaria ponderada (para la existencia de aristas) y la pérdida Smooth L1 (Huber) (para los pesos de las aristas y los cambios de TVL). El entrenamiento emplea divisiones de ventana expansiva basadas en el tiempo para evitar el sesgo de anticipación (look-ahead bias) y maneja el desequilibrio de clases mediante muestreo negativo (relación 5:1).

Contribuciones Clave

1. Modelo Fundacional Específico del Dominio: DeXposure-FM es el primer GFM adaptado específicamente a las exposiciones crediticias de DeFi, adaptando el paradigma GraphPFN a redes financieras dinámicas de grafos-tabulares.
2. Pipeline de "Pronosticar y Luego Medir": El modelo no solo predice estados de grafos; sirve como una capa de medición prospectiva. Los grafos predichos ($\hat{G}_{t+h}$) se introducen en funciones deterministas para generar indicadores macroprudenciales, incluyendo:
   • Puntuaciones de Importancia Sistémica (SIS) a nivel de protocolo.
     ales matrices de desbordamiento (spillover) sector-a-sector e índices de concentración (HHI).
   • Pérdidas por estrés de escenarios tipo DebtRank bajo choques contrafácticos.
3. Verificación Empírica en Hold-outs Estrictos: El modelo se evalúa en un conjunto de hold-out estricto de 2025, demostrando un rendimiento superior a las líneas base de persistencia en regímenes críticos.

Resultados Empíricos

• Predicción de Aristas: En el hold-out estricto de 2025, DeXposure-FM logra un AUROC de 0.993–0.995 y un AUPRC de 0.967–0.973 para la existencia de aristas, superando significativamente la línea base de persistencia (AUPRC 0.58–0.64) y un probe de GraphPFN congelado.
• Predicción de Magnitud: El modelo reduce el Error Cuadrático Medio (RMSE) para los pesos de las aristas en comparación con las líneas base neuronales (GraphPFN-frozen y ROLAND). Aunque la persistencia sigue siendo competitiva para magnitudes altamente estables, DeXposure-FM muestra un RMSE menor en todos los horizontes.
• Pruebas de Estrés: En las pruebas de estrés de contagio predictivo, el valor del modelo es más pronunciado en los peores 20% de los casos donde la línea base de persistencia falla (regímenes de cola de alto error). En estos regímenes, DeX ощущение-FM logra tasas de éxito del 83–100% en la reducción del Error Absoluto Medio (MAE) para las pérdidas del sistema, particularmente bajo choques en el sector de puentes (bridges) donde la topología de la red evoluciona rápidamente.
• Herramientas Financieras: Los grafos pronosticados apoyan con éxito el cálculo de clasificaciones SIS prospectivas y concentraciones de desbordamiento, proporcionando alertas accionables para cambios estructurales y cambios de régimen (p. ej., colapsos de Terra/Luna y FTX).

Significancia y Reivindicaciones
El artículo posiciona a DeXposure-FM como un avance crítico en el conjunto de herramientas para comprender el riesgo sistémico en DeFi. Su principal significancia radica en cerrar la brecha entre los datos brutos on-chain y las métricas de riesgo relevantes para la política económica.

• Complementariedad: Los autores declaran explícitamente que el modelo está diseñado para complementar, no reemplazar, el juicio cualitativo. Proporciona resúmenes cuantitativos (clasificaciones, cambios de concentración) que deben ser triangulados con auditorías de código y análisis de gobernanza.
• Sensibilidad al Régimen: El modelo es más valioso en regímenes de cambio estructural y de error de cola donde los supuestos simples de arrastre (persistencia) son menos fiables. Sirve como un "respaldo" para el análisis de escenarios cuando las exposiciones se reasignan de forma no estacionaria.
• Reproducibilidad: El trabajo enfatiza la ciencia abierta, con puntos de control del modelo y código disponibles públicamente para fomentar el desarrollo de la comunidad y la investigación adicional sobre la estabilidad financiera descentralizada.

Los autores reconocen las limitaciones actuales, incluyendo la dependencia del TVL como un proxy (que carece de ponderación de riesgo), la exclusión de exposiciones fuera de la cadena (CEX, OTC) y la resolución temporal semanal que suaviza las dinámicas de alta frecuencia. El trabajo futuro pretende abordar esto integrando datos de mayor frecuencia, proxies de exposición ponderados por riesgo y monitoreo continuo de deriva (drift).