Resumen Técnico: DeXposure-Claw

Planteamiento del Problema

Las finanzas descentralizadas (DeFi) crean una exposición crediticia rápida y en red entre protocolos de préstamo, exchanges descentralizados, stablecoins y puentes (bridges). Las crisis recientes (p. ej., Terra/Luna, FTX, SVB/USDC) demuestran que los choques pueden propagarse a través de estas redes más rápido de lo que los supervisores humanos pueden inspeccionar manualmente los datos brutos en la cadena (on-chain).

El artículo argumenta que aplicar agentes de Modelos de Lenguaje de Gran Escala (LLM) de propósito general directamente a mediciones on-chain brutas es inseguro para la supervisión de alto riesgo. Estos agentes tienden a "sobreleer" evidencia débil, incompleta o desactualizada, produciendo razonamientos plausibles que desencadenan intervenciones innecesarias de alta severidad. Además, las evaluaciones de riesgo sistémico existentes suelen clasificar los protocolos por cambios de exposición fraccional, lo que destaca desproporcionadamente a protocolos pequeños de baja relevancia y no logra alinearse con las prioridades de los reguladores respecto a la pérdida absoluta. Existe una falta de marcos de evaluación que midan las tasas de intervención falsa frente a una verdad de referencia (ground truth) alineada con el regulador.

Metodología: El Pipeline DeXposure-Claw

Los autores presentan DeXposure-Claw, un sistema agéntico basado en pronósticos diseñado para dirigir las decisiones del LLM a través de evidencia estructurada y determinista en lugar de datos brutos. El sistema opera con una cadencia semanal y se descompone en cuatro capas distintas:

1. Capa 1: Pronóstico (DeXposure-FM)

   • Un modelo fundacional de series temporales de grafos pronostica futuras redes de exposición ($G_{t+h}$) a partir de la instantánea semanal actual ($G_t$).
   • Genera una distribución predictiva, incluyendo probabilidades de existencia de aristas ($\pi$) y pesos de aristas esperados ($\mu$), construidos en un grafo de pesos esperados predicho ($\hat{G}_{t+h}$).
   • Genera muestras de Monte Carlo para cuantificar la incertidumbre predictiva.

2. Capa 2: Monitoreo y Análisis de Escenarios

   • Monitores Deterministas: Se computan cinco métricas funcionales (Top-1 PageRank, concentración HHI, densidad de red, Gini de PageRank, Gini de Grado) sobre el grafo predicho. Las alertas se activan cuando estas estadísticas se desvían de una línea base móvil en más de un número establecido de desviaciones estándar.
   • Escenarios de Estrés: Se aplican cinco choques estandarizados (falla de un protocolo único, falla de un clúster de puentes, de-peg de una stablecoin, choque de préstamo sectorial, estrés correlacionado del top-10) al grafo predicho y a las muestras de Monte Carlo. El sistema calcula el Valor en Riesgo Condicional (CVaR) para cada escenario.
   • Salud de los Datos: Se computa un puntaje escalar ($DH_t$) basado en la frescura de los datos, la ausencia de datos (missingness), la topología y las verificaciones de discrepancia.
   • Salida: Un paquete de evidencia tipada que contiene alertas, atribución (top-K aristas), estimaciones de incertidumbre, pérdidas por escenario y puntajes de salud de datos.

3. Capa 3: Redacción de Tickets (LLM)

   • El LLM recibe únicamente el paquete de evidencia estructurada de la Capa 2 (no transacciones brutas).
   • Redacta una lista clasificada de tickets de supervisión, asignando un nivel de severidad (Monitorear, Investigar, Recomendar-Reducir, Contingencia), un conjunto de protocolos objetivo y una justificación que cita campos de evidencia específicos.
   • El LLante está restringido a la redacción; no tiene autoridad de liberación.

4. Capa 4: Puertas de Seguridad (Safety Gates)

   • Puerta de Salud de Datos: Si $DH_t < 0.7$, el sistema entra en "modo seguro", suprimiendo los tickets de nivel de intervención (Recomendar-Reducir, Contingencia) y liberando solo tickets de Monitoreo o Investigación.
   • Puerta de Confianza: Si la confianza media de las alertas es inferior a 0.6, los tickets de nivel de intervención son bloqueados.
   • Cada ticket liberado va acompañado de su paquete completo de evidencia y los estados de las puertas para fines de auditoría.

Marco de Evaluación: DeXposure-Bench

Los autores desarrollaron DeXposure-Bench, un armazón de evaluación de seis ejes:

• b1_forecast: Calidad de la predicción de grafos temporales.
• b2_warning: Tiempo de adelanto de la alerta temprana en streaming.
• b3_calibration: Calibración de la incertidumbre predictiva.
• b4_stress: Fidelidad de los escenarios de estrés.
• b5_decision: Calidad de los tickets de supervisión (Precisión, Recall, F1, Tasa de Intervención Falsa).
• b6_robustness: Robustez ante datos degradados.

Crucialmente, el eje de decisión (b5) utiliza una verdad de referencia de pérdida absoluta alineada con el regulador. En lugar de cambios fraccionales, la verdad de referencia identifica el 5% superior de los protocolos por pérdida de exposición absoluta durante un horizonte de 4 semanas. Esto permite medir directamente la Tasa de Intervención Falsa (FIR).

Resultados Clave

Los experimentos se realizaron con cinco años de datos de exposición DeFi semanales (2020–2025), con una división de prueba congelada de 2025.

• Pronóstico (RQ1): Aunque un modelo base de "persistencia" simple (asumiendo que el grafo permanece igual) logró un MAE de estimación puntual más bajo en algunas métricas, carecía estructuralmente de señales de tendencia y de calibración de incertidumbre. DeXposure-FM proporcionó las señales de tendencia necesarias y una calibración conformal (cobertura PI de 0.913 para un objetivo de 0.90) que el agente consumió.
• Fundamentación vs. Datos Brutos (RQ2): Dirigir el LLM a través de evidencia pronosticada (m6) en lugar de instantáneas brutas (m2) aumentó el F1 del ticket de 0.0184 a 0.0241 (+31%). Esta mejora fue impulsada por la cobertura: el sistema basado en pronósticos identificó un conjunto más amplio de protocolos estresados con una precisión comparable.
• Sobre-intervención: A pesar de la ganancia en F1, el LLM sobreleyó el pronosticador. La Tasa de Intervención Falsa (FIR) para el stack completo (m6) fue de 0.448, lo que significa que aproximadamente el 45% de los tickets de nivel de intervención fueron incorrectos. El uso de un modelo más fuerte (Opus 4.7) no redujo significativamente esta tasa (FIR 0.437); de hecho, fue ligeramente superior.
• Puertas de Seguridad (RQ3): Las puertas de seguridad (Capa 4) fueron el mecanismo principal para controlar el riesgo. Eliminar la puerta de confianza causó que la FIR saltara a 0.429 en datos limpios. Bajo datos degradados, la puerta de salud de datos suprimió las falsas alarmas, llevando la FIR a 0.000 en modo seguro.
• Eficiencia del Modelo: Reemplazar el modelo de decisión por una variante más económica (Claude Sonnet 4.6) mejoró el F1 (0.0234 a 0.0288) manteniendo una FIR similar, lo que sugiere que la selección del modelo es una elección de eficiencia más que de seguridad.

Significado y Reivindicaciones

El artículo afirma que DeXposure-Claw demuestra que los agentes de LLM no deben razonar directamente sobre datos on-chain brutos en entornos de alto riesgo. Sin evidencia estructurada y controles de escalada, los agentes intervienen en exceso.

• Recuperación Auditable: El sistema se posiciona como una "opción de recuperación y explicación auditable" para la supervisión con humano en el bucle (human-in-the-loop), no como un reemplalzo de los sistemas basados en reglas conservadores.
• Seguridad vía Puertas, no vía Modelos: El estudio concluye que la acción segura de alta severidad proviene de las puertas de salud de datos y de confianza, y la revisión humana, no del modelo de decisión en sí mismo. El rol del LLM es redactar razonamientos y expandir la cobertura, pero su tendencia a sobreleer la evidencia es un modo de falla persistente que debe ser controlado por las puertas.
• Estándar de Evaluación: El artículo introduce un nuevo estándar para evaluar agentes financieros mediante el uso de una verdad de referencia de pérdida absoluta y la medición explícita de la Tasa de Intervención Falsa, abordando un vacío en los benchmarks existentes que a menudo priorizan la precisión de detección sobre las prioridades de pérdida relevantes para el regulador.

Los autores señalan limitaciones, incluyendo el enfoque de dominio único (crédito inter-protocolo en DeFi), la resolución semanal (que puede perder choques sub-horarios) y el potencial de que los datos de preentrenamiento influyan en la calidad de la explicación sobre eventos históricos conocidos. Enfatizan que el sistema es una herramienta de apoyo a la decisión, no un agente de riesgo autónomo.