📈 economics

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

DeXposure-FM est un nouveau modèle de fondation de séries temporelles sur graphes entraîné sur un ensemble massif de données multi-chaînes qui surpasse les méthodes existantes pour la prévision des expositions de crédit DeFi et fournit des outils essentiels pour la surveillance macroprudentielle et les tests de résistance du risque systémique.

Auteurs originaux : Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

Publié 2026-07-01

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Cartographier la toile invisible de l'argent

Imaginez le monde de la Finance Décentralisée (DeFi) non pas comme une banque, mais comme un immense marché animé construit sur une autoroute numérique. Dans ce marché, des milliers de différents « magasins » (protocoles) commercent entre eux.

Le problème ? Dans ce monde numérique, les magasins ne signent généralement pas de contrats formels disant : « Je vous dois de l'argent ». Au lieu de cela, ils détiennent les jetons (pièces numériques) les uns des autres comme garantie (collatéral). Si le Magasin A détient les jetons du Magasin B, et que la valeur des jetons du Magasin B s'effondre, le Magasin A perd aussi de l'argent. Cela crée un réseau caché et invisible de dettes et de risques. Si un magasin fait faillite, le choc peut se propager à travers tout le marché, provoquant une réaction en chaîne.

Jusqu'à présent, les régulateurs et les experts ont eu du mal à voir clairement cette toile car elle change chaque seconde et est incroyablement complexe.

DeXposure-FM est un nouvel outil de « super-espion » conçu pour cartographier ce réseau invisible, prédire comment il changera la semaine prochaine et nous dire quels magasins sont les plus susceptibles de provoquer un krach.

1. Qu'est-ce que DeXposure-FM ?

Considérez DeXposure-FM comme une boule de cristal entraînée sur un livre d'histoire massif.

Les Données : Les chercheurs ont nourri le modèle avec un ensemble de données massif contenant 43,7 millions de clichés du marché de la DeFi de 2020 à 2025. Cela couvre plus de 4 300 magasins, 602 différentes autoroutes numériques (blockchains) et plus de 24 000 types de jetons.
Le Cerveau : Le modèle utilise un « Modèle de Fondation » (un type d'IA qui apprend d'abord des schémas généraux, puis se spécialise). Plus précisément, il utilise un cerveau « GraphPFN ».
- Analogie : Imaginez que vous appreniez à un étudiant à lire en lui donnant d'abord des millions de livres. Ensuite, vous lui donnez un manuel spécifique sur la DeFi et vous lui demandez de résoudre des problèmes mathématiques basés sur celui-ci (ajustement fin ou fine-tuning). Ce modèle a « lu » toute l'histoire des interactions de la DeFi.
La Mission : Il observe le marché aujourd'hui et prédit à quoi ressemblera le réseau de connexions dans 1, 4, 8 ou 12 semaines.

2. Comment cela fonctionne-t-il ? (Les trois tâches)

Le modèle agit comme un détective résolvant trois énigmes différentes simultanément :

Une connexion existera-t-elle ? (Prédiction de lien / Link Prediction)
- Analogie : Le Magasin A et le Magasin B commerceront-ils toujours ensemble le mois prochain ? Le modèle prédit si une « ligne » apparaîtra ou disparaîtra entre eux.
Quelle est la force de la connexion ? (Poids de l'arête / Edge Weight)
- Analogie : S'ils commercent, combien d'argent est en risque ? Est-ce un petit accord de main à la main ou un prêt massif ? Le modèle devine la taille de l'exposition.
Quelle sera la taille des magasins ? (TVL du nœud / Node TVL)
- Analogie : Le coffre-fort du Magasin A (Valeur Totale Verrouillée ou Total Value Locked) va-t-il croître ou rétrécir ? Le modèle prédit la taille des magasins.

3. Pourquoi est-ce mieux que de simples suppositions ?

Dans le monde réel, les choses restent souvent identiques pendant un certain temps. Si vous supposiez simplement que « la semaine prochaine ressemblera exactement à cette semaine » (une méthode appelée Persistance), vous auriez raison la plupart du temps car le marché de la DeFi est très stable.

Cependant, l'article a révélé que DeXposure-FM excelle lorsque les choses changent.

La zone des « mauvaises nouvelles » : Lorsque le marché est chaotique (comme lors d'un krach ou d'une nouvelle règle soudaine), la méthode consistant à « copier la semaine dernière » échoue lamentablement.
Le super-pouvoir du modèle : DeXposure-FM est bien meilleur pour prédire ces moments chaotiques. Il a correctement identifié que les connexions allaient se briser ou se former lors des « 20 % de semaines les plus difficiles » où les suppositions simples échouaient. Il agit comme une prévision météorologique qui est excellente pour prédire les journées ensoleillées, mais qui est essentielle pour prédire les tempêtes.

4. Que pouvons-nous en faire ? (Les outils financiers)

Une fois que le modèle a prédit le futur réseau, les chercheurs l'utilisent pour construire des « outils de tableau de bord » pour les régulateurs et les gestionnaires de risques :

Score d'Importance Systémique (SIS) :
- Analogie : Une liste des « personnes les plus recherchées ». Le modèle classe les magasins qui sont si connectés que s'ils tombent, ils entraînent tout le monde avec eux. Cela aide les autorités à savoir qui surveiller de près.
Concentration de l'effet de débordement (Spillover Concentration) :
- Analogie : Une « carte de contagion ». Elle montre si le risque se propage d'un secteur spécifique (comme les « Stablecoins ») vers un autre (comme les « Bridges »/Ponts). Elle met en évidence l'endroit où un feu pourrait sauter d'un bâtiment à un autre.
Tests de résistance (La machine du « Et si ? ») :
- Analogie : Un jeu de simulation. Vous pouvez dire au modèle : « Et si le plus gros magasin perdait 50 % de sa valeur ? ». Le modèle exécute la simulation sur son réseau futur prédit pour voir combien d'argent total serait perdu.
- Résultat clé : Cette simulation est plus utile lorsque le marché est instable. Si le marché est calme, la simulation n'apporte pas beaucoup de valeur, mais quand les choses sont agitées, elle fournit un filet de sécurité crucial.

5. Quelles sont les limites ? (Ce que l'article indique)

Les auteurs sont très honnêtes sur ce que leur outil ne peut pas faire :

Il ne voit que le monde « On-Chain » : Il peut voir les jetons numériques circuler sur la blockchain, mais il ne peut pas voir l'argent déposé dans les banques centralisées, les accords privés entre grands investisseurs ou les réserves hors-chaîne (off-chain).
C'est un cliché hebdomadaire : Il observe le marché une fois par semaine. Il pourrait manquer des krachs éclair (flash crashes) très rapides qui se produisent en quelques minutes (comme une inondation soudaine).
C'est un guide, pas un juge : Le modèle donne un score ou un classement, mais il ne remplace pas le jugement humain. Un magasin peut paraître « sûr » sur le graphique mais posséder un bug logiciel caché que le modèle ne peut pas voir.

Résumé

DeXposure-FM est une IA spécialisée qui cartographie les dettes cachées entre les magasins de la finance numérique. Bien qu'elle soit efficace pour prédire les périodes normales, sa véritable valeur est d'agir comme un système d'alerte précoce lors des périodes chaotiques, aidant les régulateurs à voir où un choc financier pourrait se propager avant qu'il ne se produise. Elle transforme un réseau complexe et invisible de risques en une carte claire et prospective.

Résumé Technique : DeXposure-FM

Énoncé du Problème
La finance décentralisée (DeFi) fonctionne comme un écosystème dynamique et interconnecté où l'exposition au crédit est implicite et médiée par les jetons plutôt que définie par des contrats bilatéraux. Les protocoles détiennent des jetons émis par d'autres protocoles comme collatéral, liquidité ou réserves, créant un réseau complexe de dépendances. Lorsqu'un jeton largement détenu subit un choc (ex. : effondrement du prix, exploitation ou défaillance de la gouvernance), les pertes peuvent se propager en cascade à travers les protocoles et les chaînes. Bien que les autorités de régulation aient mis en évidence ces vulnérabilités, les outils quantitatifs pour surveiller le risque systémique de la DeFi restent limités. Les approches existantes font face à trois contraintes principales :

Complexité des données : Les expositions ne sont pas rapportées dans des bilans standardisés mais doivent être reconstruites à partir des états on-chain, ce qui génère des données de haute dimension, non stationnaires et hétéroscédastiques.
Limites des modèles : Les outils classiques de séries temporelles (ex. : VAR) manquent de la capacité à représenter les états couplés au niveau des nœuds, les expositions au niveau des arêtes et l'évolution méso-structurelle. À l'inverse, les réseaux de neurones sur graphes (GNN) standards sont généralement entraînés sur des tâches étroites avec des jeux de données limités, manquant de la réutilisabilité des modèles de fondation.
Lacunes de mesure : Il existe un besoin pour un cadre unifié capable de prévoir les expositions de crédit inter-protocoles et de traduire ces prévisions en indicateurs macroprudentiels (ex. : importance systémique, pertes de contagion) pour la surveillance réglementaire.

Méthodologie
Les auteurs introduisent DeXposure-FM, un modèle de fondation de graphes de séries temporelles (GFM) spécifique au domaine, conçu pour prévoir les expositions de crédit inter-protocoles. L'approche repose sur le jeu de données DeXposure, qui agrège 43,7 millions d'observations hebdomadaires d'expositions inter-protocoles de 2020 à 2025, couvrant plus de 4 300 protocoles, 602 blockchains et plus de 24 300 jetons.

Formalisation des données : L'écosystème DeFi est modélisé comme un multigraphe orienté et pondéré où les nœuds représentent les protocoles et les arêtes représentent les expositions en USD médiées par les jetons. Les poids des arêtes sont dérivés du flux de valeurs des jetons entre les protocoles, calculé en agrégeant les changements de la valeur totale verrouillée (TVL) et la composition des jetons.
Architecture :
- Encodeur : Le modèle utilise un encodeur GraphPFN (Graph Prior-data Fitted Network), une architecture basée sur les transformers qui fusionne la structure du graphe avec les caractéristiques tabulaires des nœuds (ex. : TVL en échelle logarithmique, composition des jetons, encodage sectoriel). L'encodeur est initialisé avec les poids open-source de GraphPFN et affiné de bout en bout.
- Têtes de prédiction : L'encodeur alimente des têtes légères à horizons multiples ( $h \in \{1, 4, 8, 12\}$ $h \in {1, 4, 8, 12}$ semaines) qui effectuent trois tâches conjointes :
  1. Existence de l'arête : Classification binaire pour déterminer si un lien d'exposition existe.
  2. Poids de l'arête : Régression de l'ampleur des changements d'exposition en utilisant l'apprentissage résiduel dans l'espace logarithmique ( $\log(1+w)$ ).
  3. Changement de TVL du nœud : Prédiction de la dynamique de la TVL des protocoles.
Pipeline d'entraînement : Le modèle est optimisé via Adam avec une fonction de perte multi-tâche combinant l'entropie croisée binaire pondérée (pour l'existence de l'arête) et la perte Smooth L1 (Huber) (pour les poids des arêtes et les changements de TVL). L'entraînement utilise des découpages par fenêtre mobile chronologique pour éviter le biais d'anticipation (look-ahead bias) et gère le déséquilibre des classes via l'échantillonnage négatif (ratio 5:1).

Principales Contributions

Modèle de fondation spécifique au domaine : DeXposure-FM est le premier GFM spécifiquement adapté aux expositions de crédit DeFi, adaptant le paradigme GraphPFN aux réseaux financiers dynamiques de type graphe-tabulaire.
Pipeline "Prévoir puis Mesurer" : Le modèle ne se contente pas de prédire les états du graphe ; il sert de couche de mesure prospective. Les graphes prédits ( $\hat{G}_{t+h}$ $\hat{G}_{t + h}$ ) sont injectés dans des fonctions déterministes pour générer des indicateurs macroprudentiels, notamment :
- Des scores d'importance systémique (SIS) au niveau du protocole.
- Des matrices de débordement (spillover) secteur-à-secteur et des indices de concentration (HHI).
- Des pertes de stress de scénario de type DebtRank sous des chocs contrefactuels.
Vérification empirique sur des ensembles de test stricts : Le modèle est évalué sur un ensemble de test strict de 2025, démontrant des performances supérieures aux bases de persistance standard dans les régimes critiques.

Résultats Empiriques

Prédiction d'arêtes : Sur l'ensemble de test strict de 2025, DeXposure-FM atteint un AUROC de 0,993–0,995 et un AUPRC de 0,967–0,973 pour l'existence de l'arête, surpassant de manière significative la base de référence de persistance (AUPRC 0,58–0,64) et un sondage GraphPFN gelé.
Prédiction de magnitude : Le modèle réduit l'erreur quadratique moyenne (RMSE) pour les poids des arêtes par rapport aux bases neurales (GraphPFN-gelé et ROLAND). Bien que la persistance reste compétitive pour les magnitudes très stables, DeXposure-FM présente un RMSE plus faible sur tous les horizons.
Tests de résistance (Stress Testing) : La valeur du modèle est la plus prononcée dans les 20 % de cas les plus défavorables où la base de référence de persistance échoue (régimes de queue à erreur élevée). Dans ces régimes, DeXposure-FM affiche des taux de réussite de 83 à 100 % dans la réduction de l'erreur absolue moyenne (MAE) pour les pertes systémiques, particulièrement lors de chocs dans le secteur des ponts (bridges) où la topologie du réseau évolue rapidement.
Outils financiers : Les graphes prévus soutiennent avec succès le calcul des classements SIS prospectifs et des concentrations de débordement, fournissant des alertes exploitables pour les changements structurels et les changements de régime (ex. : effondrements de Terra/Luna et FTX).

Signification et Revendications
Le papier positionne DeXasure-FM comme une avancée critique dans l'outillage de compréhension du risque systémique dans la DeFi. Sa principale signification réside dans le pont jeté entre les données brutes on-chain et les métriques de risque pertinentes pour les politiques publiques.

Complémentarité : Les auteurs précisent explicitement que le modèle est conçu pour compléter, et non remplacer, le jugement qualitatif. Il fournit des résumés quantitatifs (classements, changements de concentration) qui doivent être triangulés avec les audits de code et l'analyse de gouvernance.
Sensibilité aux régimes : Le modèle est plus précieux dans les régimes de changement structurel et de queue d'erreur où les hypothèses de report simple (persistance) sont les moins fiables. Il sert de "filet de sécurité" pour l'analyse de scénarios lorsque les expositions se réallouent de manière non stationnaire.
Reproductibilité : Le travail met l'accent sur la science ouverte, les points de contrôle du modèle et le code étant publics afin de favoriser le développement de la communauté et de poursuivre la recherche sur la stabilité financière décentralisée.

Les auteurs reconnaissent les limites actuelles, notamment la dépendance à la TVL comme proxy (qui manque de pondération par le risque), l'exclusion des expositions hors-chaîne (CEX, OTC), et la résolution temporelle hebdomadaire qui lisse les dynamiques à haute fréquence. Les travaux futurs visent à y répondre en intégrant des données à plus haute fréquence, des proxys d'exposition pondérés par le risque et une surveillance continue de la dérive.