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

Riepilogo Tecnico: DeXposure-FM

Problematica
La Finanza Decentralizzata (DeFi) opera come un ecosistema dinamico e interconnesso in cui l'esposizione creditizia è implicita e mediata dai token piuttosto che definita da contratti bilaterali. I protocolli detengono token emessi da altri protocolli come collaterale, liquidità o riserve, creando una complessa rete di dipendenze. Quando un token ampiamente detenuto subisce uno shock (ad esempio, crollo del prezzo, exploit o fallimento della governance), le perdite possono propagarsi a cascata tra protocolli e catene. Sebbene le autorità di regolamentazione abbiano evidenziato tali vulnerabilità, gli strumenti quantitativi per monitorare il rischio sistemico nella DeFi rimangono limitati. Gli approcci esistenti affrontano tre vincoli primari:

1. Complessità dei Dati: Le esposizioni non sono riportate in bilanci standardizzati, ma devono essere ricostruite dallo stato on-chain, risultando in dati ad alta dimensionalità, non stazionari ed eteroschedastici.
2. Limitazioni dei Modelli: Gli strumenti classici delle serie temporali (ad es. VAR) mancano della capacità di rappresentare stati accoppiati a livello di nodo, esposizioni a livello di edge e l'evoluzione meso-strutturale. Al contrario, le comuni Graph Neural Networks (GNN) sono tipicamente addestrate su task ristretti con dataset limitati, mancando della riutilizzabilità dei foundation model.
3. Lacune di Misurazione: Esiste la necessità di un framework unificato che possa prevedere le esposizioni creditizie inter-protocollo e tradurre tali previsioni in indicatori macroprudenziali (ad es. importanza sistemica, perdite da contagio) per il monitoraggio regolatorio.

Metodologia
Gli autori introducono DeXposure-FM, un modello fondazionale per grafi (GFM) di serie temporali specifico per il dominio, progettato per prevedere le esposizioni creditizie inter-protocollo. L'approccio si basa sul dataset DeXposure, che aggrega 43,7 milioni di osservazioni settimanali di esposizione inter-protocollo dal 2020 al 2025, coprendo oltre 4.300 protocolli, 602 blockchain e oltre 24.300 token.

• Formalizzazione dei Dati: L'ecosistema DeFi è modellato come un multigrafo diretto e pesato dove i nodi rappresentano i protocolli e gli edge rappresentano le esposizioni in USD mediate dai token. I pesi degli edge sono derivati dal flusso di valori dei token tra i protocolli, calcolato aggregando le variazioni del Total Value Locked (TVL) e la composizione dei token.
• Architettura:
  • Encoder: Il modello utilizza un encoder GraphPFN (Graph Prior-data Fitted Network), un'architettura basata su transformer che fonde la struttura del grafo con le caratteristiche tabulari dei nodi (ad es. TVL in scala logaritmica, composizione dei token, codifica del settore). L'encoder è inizializzato con pesi GraphPFN open-source e perfezionato tramite fine-tuning end-to-end.
  • Testine di Predizione (Prediction Heads): L'encoder alimenta testine leggere a più orizzonti temporali ($h \in \{1, 4, 8, 12\}$ settimane) che eseguono tre task congiunti:
    1. Esistenza dell'Edge: Classificazione binaria per determinare se esiste un legame di esposizione.
    2. Peso dell'Edge: Regressione dell'entità delle variazioni di esposizione utilizzando l'apprendimento residuo nello spazio logaritmico ($\log(1+w)$).
    3. Variazione del TVL del Nodo: Predizione della dinamica del TVL a livello di protocollo.
• Pipeline di Addestramento: Il modello è ottimizzato tramite Adam con una funzione di perdita multi-task che combina la weighted binary cross-entropy (per l'esistenza dell'edge) e la perdita Smooth L1 (Huber) (per i pesi degli edge e le variazioni del TVL). L'addestramento impiega split a finestra espandente basati sul tempo per prevenire il look-ahead bias e gestisce lo sbilanciamento delle classi tramite campionamento negativo (rapporto 5:1).

Contributi Chiave

1. Foundation Model Specifico del Dominio: DeXposure-FM è il primo GFM adattato specificamente alle esposizioni creditizie DeFi, adattando il paradigma GraphPFN a reti finanziarie grafiche-tabulari dinamiche.
2. Pipeline Forecast-Then-Measure: Il modello non si limita a prevedere gli stati del grafo; funge da strato di misurazione proattivo. I grafi previsti ($\hat{G}_{t+h}$) vengono inseriti in funzioni deterministiche per generare indicatori macroprudenziali, tra cui:
   • Punteggi di Importanza Sistemica (SIS) a livello di protocollo.
   • Matrici di spillover settore-settore e indici di concentrazione (HHI).
   • Perdite da stress scenario in stile DebtRank sotto shock controfattuali.
3. Verifica Empirica su Hold-out Rigorosi: Il modello è valutato su un set di hold-out rigoroso del 2025, dimostrando prestazioni superiori ai baseline di persistenza nei regimi critici.

Risultati Empirici

• Predizione dell'Edge: Sul set di hold-out rigoroso del 2025, DeXposure-FM raggiunge un AUROC di 0,993–0,995 e un AUPRC di 0,967–0,973 per l'esistenza dell'edge, superando significativamente il baseline di persistenza (AUPRC 0,58–0,64) e un probe GraphPFN congelato.
• Predizione dell'Entità: Il modello riduce l'errore quadratico medio (RMSE) per i pesi degli edge rispetto ai baseline neurali (GraphPFN-frozen e ROLAND). Sebbene la persistenza rimanga competitiva per magnitudo altamente stabili, DeXposure-FM mostra un RMSE inferiore in tutti gli orizzonti temporali.
• Stress Test: Il valore del modello è più evidente nei casi del peggior 20% in cui il baseline di persistenza fallisce (regimi di errore nelle code ad alta intensità). In questi regimi, DeXposure-FM raggiunge tassi di successo (win rates) dell'83–100% nella riduzione del Mean Absolute Error (MAE) per le perdite di sistema, particolarmente sotto shock nel settore dei bridge dove la topologia della rete evolve rapidamente.
• Strumenti Finanziari: I grafi previsti supportano con successo il calcolo delle classifiche SIS forward-looking e delle concentrazioni di spillover, fornendo avvisi azionabili per cambiamenti strutturali e spostamenti di regime (ad es. i crolli di Terra/Luna e FTX).

Significatività e Rivendicazioni
Il paper posiziona DeXposure-FM come un avanzamento critico negli strumenti per comprendere il rischio sistemico nella DeFi. La sua principale significatività risiede nel colmare il divario tra i dati on-chain grezzi e le metriche di rischio rilevanti per le politiche.

• Complementarità: Gli autori dichiarano esplicitamente che il modello è progettato per completare, non sostituire, il giudizio qualitativo. Esso fornisce riassunti quantitativi (classifiche, cambiamenti di concentrazione) che devono essere triangolati con audit del codice e analisi della governance.
• Sensibilità al Regime: Il modello è più prezioso nei regimi di cambiamento strutturale e di errore nelle code dove le assunzioni di semplice carry-forward (persistenza) sono meno affidabili. Funge da "paracadute" per l'analisi di scenario quando le esposizioni si riallocano in modo non stazionario.
• Riproducibilità: Il lavoro enfatizza la scienza aperta, con checkpoint del modello e codice pubblicamente disponibili per favorire lo sviluppo della comunità e ulteriori ricerche sulla stabilità finanziaria decentralizzata.

Gli autori riconoscono gli attuali limiti, tra cui la dipendenza dal TVL come proxy (che manca di ponderazione del rischio), l'esclusione delle esposizioni off-chain (CEX, OTC) e la risoluzione temporale settimanale che smussa le dinamiche ad alta frequenza. Il lavoro futuro mira ad affrontare questi punti integrando dati a frequenza più elevata, proxy di esposizione ponderate per il rischio e il monitoraggio continuo del drift.