📈 economics

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

DeXposure-FMは、膨大なマルチチェーン・データセットで学習された革新的な時系列グラフ基盤モデルであり、既存の手法を凌駕してDeFiのクレジット・エクスポージャーを予測し、マクロプルデンス監視およびシステム的リスクのストレス・テストに不可欠なツールを提供するものである。

原著者： Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

公開日 2026-07-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

全体像：目に見えない「お金の網」をマッピングする

分散型金融（DeFi）の世界を、銀行ではなく、デジタルハイウェイの上に築かれた巨大で賑やかな「市場」だと想像してみてください。この市場では、何千もの異なる「ショップ（プロトコル）」が互いに取引を行っています。

問題は何でしょうか？このデジタル世界では、ショップ同士が「あなたにお金を借りました」という正式な契約書を交わすことは滅多にありません。その代わりに、お互いのトークン（デジタルコイン）を担保として保持しています。もしショップAがショップBのトークンを保持しており、そのショップBのトークンの価値が暴落した場合、ショップAも損失を被ることになります。これにより、隠れた、目に見えない「債務とリスクの網」が形成されます。一つのショップが失敗すれば、その衝撃は市場全体に波及し、連鎖反応を引き起こす可能性があります。

これまで、規制当局や専門家はこの網を明確に捉えることに苦労してきました。なぜなら、この網は秒単位で変化し、信じられないほど複雑だからです。

DeXposure-FMは、この目に見えない網をマッピングし、来週どのように変化するかを予測し、どのショップがクラッシュを引き起こす可能性が最も高いかを教えてくれる、新しい「スーパー・スパイ」ツールです。

1. DeXposure-FMとは何か？

DeXposure-FMを、「膨大な歴史書によって訓練された水晶玉」と考えてみてください。

データ: 研究者たちは、2020年から2025年までのDeFi市場の4,370万個のスナップショットを含む膨大なデータセットをこのモデルに投入しました。これには、4,300以上のショップ、602の異なるデジタルハイウェイ（ブロックチェーン）、そして24,000種類以上のトークンが含まれています。
頭脳: このモデルは「ファンデーションモデル（まず一般的なパターンを学習してから専門化するタイプのAI）」を使用しています。具体的には、「GraphPFN」という頭脳を使用しています。
- 比喩: 何百万冊もの本を先に読ませることで、学生に読み方を教える場面を想像してください。その後、特定のDeFiに関する教科書を与え、それに基づいて数学の問題を解かせます（ファインチューニング）。このモデルは、DeFiの相互作用の全歴史を「読み終えた」のです。
役割: モデルは「今日」の市場を見て、1、4、8、または12週間後に接続のネットワークがどのような姿になるかを予測します。

2. どのように機能するのか？（3つのタスク）

このモデルは、3つの異なるパズルを同時に解く探偵のように振る舞います。

接続は存在するのか？（リンク予測）
- 比喩: ショップAとショップBは、来月も取引を続けているでしょうか？モデルは、両者の間に「線」が現れるか、あるいは消えるかを予測します。
接続の強さはどの程度か？（エッジの重み）
- 比喩: もし取引が行われるとしたら、どれほどの金額がリスクにさらされているのでしょうか？それは小さな握手程度の取引なのか、それとも巨額のローンなのか？モデルはエクスポージャー（リスクにさらされている額）の大きさを推測します。
ショップの規模はどうなるのか？（ノードのTVL）
- 比喩: ショップAの金庫（預かり資産総額：Total Value Locked）は増えるのでしょうか、それとも減るのでしょうか？モデルはショップの規模を予測します。

3. なぜ単なる推測よりも優れているのか？

現実の世界では、物事はしばらくの間、変わらないことが多いものです。もし「来週は今週と全く同じだろう」と仮定するだけであれば（これは**永続性（Persistence）**と呼ばれる手法です）、市場が非常に安定しているため、多くの場合で正解となります。

しかし、論文によれば、DeXposure-FMが真価を発揮するのは、状況が変化する時です。

「悪いニュース」のゾーン: 市場が混乱している時（クラッシュや突然の新ルールの導入時など）、単に「先週のコピー」をする手法は無残に失敗します。
モデルのスーパーパワー: DeXposure-FMは、こうした混沌とした瞬間を予測することに非常に長けています。単純な推測が失敗した「最も困難な20%の週」において、接続が切れるか、あるいは新たに形成されるかを正確に特定しました。これは、晴天を予測するのは得意だが、嵐を予測するためにこそ不可欠な天気予報のようなものです。

4. これを使って何ができるのか？（金融ツール）

モデルが未来のネットワークを予測した後、研究者たちは規制当局やリスク管理者のための「ダッシュボード・ツール」を構築します。

システム的重要度スコア (SIS):
- 比喩: 「指名手配リスト」です。モデルは、あるショップが倒れた時に他の全員を道連れにしてしまうほど、どれほど深く繋がっているかをランク付けします。これにより、当局は誰を厳重に監視すべきかを知ることができます。
スピルオーバー（波及）集中度:
- 比例: 「伝染マップ」です。リスクが特定のセクター（例えば「ステーブルコイン」）から別のセクター（例えば「ブリッジ」）へと広がっているかどうかを示します。どこから火が燃え移る可能性があるかを明らかにします。
ストレス・テスト（「もしも」マシン）:
- 比喩: シミュレーション・ゲームです。「もし最大のショップが価値の50%を失ったら？」とモデルに指示できます。モデルは、予測された未来のネットワーク上でシミュレーションを実行し、合計でどれだけの資金が失われるかを算出します。
- 重要な発見: このシミュレーションは、市場が不安定な時に最も有用です。市場が穏やかな時には、シミュレーションによる付加価値はあまりありませんが、状況が揺らいでいる時には、極めて重要なセーフティネットを提供します。

5. 限界はあるのか？（論文が述べていること）

著者たちは、このツールにできないことについても非常に正直に述べています。

「オンチェーン」の世界しか見ることができない: ブロックチェーン上のデジタルトークンの動きは見ることができますが、中央集権的な銀行に置かれているお金や、大口投資家間のプライベートな取引、オフチェーンの準備金を見ることはできません。
週単位のスナップショットである: モデルは週に一度、市場を見ます。そのため、数分間で発生するような非常に速いフラッシュ・クラッシュ（突発的な暴落）を見逃す可能性があります（フラッシュ・フラッドのような現象）。
ガイドであり、審判ではない: モデルはスコアやランキングを提供しますが、人間の判断に取って代わるものではありません。グラフ上では「安全」に見えるショップであっても、モデルには見えないソフトウェアのバグを抱えている可能性があります。

まとめ

DeXposure-FMは、デジタル金融のショップ間に隠された債務をマッピングする特化したAIです。通常の時期の予測にも優れていますが、その真の価値は、混沌とした時期における早期警戒システムとして機能することにあります。これにより、規制当局は金融ショックが広がる前に、それがどこへ向かうのかを予測できるようになります。これは、複雑で目に見えないリスクの網を、明確で先読み可能な地図へと変えるものです。

技術要約: DeXposure-FM

問題提起
分散型金融（DeFi）は、信用エクスポージャーが二者間契約によって定義されるのではなく、トークンを介して暗黙的に、かつ媒介される動的で相互接続されたエコシステムとして機能しています。プロトコルは、他のプロトコルが発行したトークンを担保、流動性、またはリザーブとして保有しており、これが複雑な依存関係のネットワークを生み出しています。広く保有されているトークンがショック（価格の暴落、エクスプロイト、またはガバナンスの失敗など）に見舞われた際、損失は複数のプロトコルやチェーンを越えて連鎖的に波及する可能性があります。政策当局はこれらの脆弱性を指摘していますが、DeFiのシステム的リスクを監視するための定量的なツールは依然として限定的です。既存のアプローチには、主に以下の3つの制約があります：

データの複雑性: エクスポージャーは標準化された貸借対照表として報告されるのではなく、オンチェーンの状態から再構築する必要があるため、高次元で非定常かつ不均一分散（heteroskedastic）なデータとなります。
モデルの限界: 古典的な時系列ツール（例：VAR）は、結合されたノードレベルの状態、エッジレベルのエクスポージャー、およびメゾ構造の進化を表現する能力に欠けています。逆に、標準的なグラフニューラルネットワーク（GNN）は、通常、限られたデータセットを用いた狭いタスクに特化して訓練されており、基盤モデルとしての再利用性に欠けています。
測定のギャップ: プロトコル間の信用エクスポージャーを予測し、それらの予測をマクロプルデンシャル指標（例：システム的重要度、伝播損失）へと翻訳できる統一されたフレームワークが求められています。

手法
著者らは、プロトコル間の信用エクスポージャーを予測するために設計された、ドメイン特化型の時系列グラフ基盤モデル（GFM）であるDeXposure-FMを導入します。このアプローチは、2020年から2025年までの4,370万件の週次プロトコル間エクスポージャー観測値を集計したDeXposureデータセット（4,300以上のプロトコル、602のブロックチェーン、24,300以上のトークンを網羅）に基づいています。

データの定式化: DeFiエコシステムは、ノードがプロトコルを表し、エッジがトークンを介したUSDエクスポージャーを表す、重み付き有向マルチグラフとしてモデル化されます。エッジの重みは、総ロック価値（TVL）とトークン構成の変化を集計することによって算出される、プロトコル間のトークン価値のフローから導出されます。
アーキテクチャ:
- エンコーダー: モデルは、グラフ構造と表形式のノード特徴量（例：対数スケール化されたTVL、トークン構成、セクターエンコーディング）を融合させる、TransformerベースのアーキテクチャであるGraphPFN（Graph Prior-data Fitted Network）エンコーダーを利用します。このエンコーダーは、オープンソースのGraphPFNの重みで初期化され、エンドツーエンドで微調整されます。
- 予測ヘッド: エンコーダーは、軽量なマルチホライゾン・ヘッド（ $h \in \{1, 4, 8, 12\}$ $h \in {1, 4, 8, 12}$ 週間）へと接続され、以下の3つの共同タスクを実行します：
  1. エッジの存在: エクスポージャーのリンクが存在するかどうかの二値分類。
  2. エッジの重み: 対数空間（ $\log(1+w)$ ）における残差学習を用いた、エクスポージャー規模の変化の回帰。
  3. ノードTVLの変化: プロトコルレベルのTVLダイナミクスの予測。
トレーニング・パイプライン: モデルは、ルックアヘッド・バイアス（先読みバイアス）を防ぐための時間ベースの拡張ウィンドウ分割を用いて最適化され、負のサンプリング（5:1の比率）によってクラス不均衡に対処しながら、Adamを用いてマルチタスク損失関数（エッジの存在に対する加重バイナリクロスエントロピーと、エッジの重みおよびTVL変化に対するSmooth L1 (Huber) 損失の組み合わせ）で最適化されます。

主な貢献

ドメイン特化型基盤モデル: DeXposure-FMは、動的なグラフ・タブラー金融ネットワークにGraphPFNのパラダイムを適応させた、DeFiの信用エクスポージャーに特化した初のGFMです。
「予測してから測定する」パイプライン: 本モデルは単にグラフの状態を予測するだけでなく、前方参照型の測定レイヤーとして機能します。予測されたグラフ（ $\hat{G}_{t+h}$ $\hat{G}_{t + h}$ ）は決定論的関数に投入され、以下のマクロプルデンシャル指標を生成します：
- プロトコルレベルのシステム的重要度スコア（SIS）。
- セクター間のスピルオーバー行列および集中指数（HHI）。
- カウンターファクチュアル（反事実的）なショック下でのDebtRankスタイルのシナリオ・ストレス損失。
厳格なホールドアウトによる実証検証: モデルは厳格な2025年のホールドアウト・セットで評価され、重要なレジームにおいて標準的なパーシステンス（継続性）ベースラインを上回る性能を示しました。

実証結果

エッジ予測: 厳格な2025年のホールドアウトにおいて、DeXposure-FMはエッジの存在に対してAUROC 0.993–0.995およびAUPRC 0.967–0.973を達成し、パーシステンス・ベースライン（AUPRC 0.58–0.64）および凍結されたGraphPFNプローブを大幅に上回りました。
規模予測: モデルは、ニューラルネットワークのベースライン（凍結されたGraphPFNおよびROLAND）と比較して、エッジの重みのRMSE（平方根平均二乗誤差）を低減させました。パーシステンスは非常に安定した規模に対しては競争力がありますが、DeXposure-FMはすべてのホライゾンにおいてより低いRMSEを示しています。
ストレス・テスト: 予測的な伝播ストレス・テストにおいて、モデルの価値が最も顕著になるのは、パーシステンス・ベースラインが失敗する**ワースト20%のケース（高エラー・テール・レジーム）**です。これらのレジームにおいて、DeXposure-FMは、ネットワーク・トポロジーが急速に進化するブリッジ・セクターのショック下などで、システム損失の平均絶対誤差（MAE）を減少させる上で83〜100%の勝率を達成しました。
金融ツール: 予測されたグラフは、前方参照型のSISランキングやスピルオーバー集中度の計算を正常にサポートしており、構造的な変化やレジームシフト（例：Terra/LunaやFTXの崩壊）に対する実効的なアラートを提供します。

意義と主張
本論文は、DeXposure-FMをDeFiのシステム的リスクを理解するためのツールキットにおける重要な進歩として位置付けています。その主な意義は、生のオンチェーンデータと政策に関連するリスク指標との間の溝を埋めることにあります。

補完性: 著者らは、本モデルは定性的な判断を置き換えるのではなく、補完するものであることを明示しています。これは、コード監査やガバナンス分析と突き合わせるべき定量的な要約（ランキング、集中度の変化）を提供するものです。
レジーム感受性: モデルは、単純なキャリーフォワード（継続）の仮定が最も信頼できなくなる構造的変化およびテールエラー・レジームにおいて最も価値を発揮します。これは、エクスポージャーが非定常的に再配分される際のシナリオ分析における「バックストップ（最後の砦）」として機能します。
再現性: 本研究は、コミュニティの開発と、分散型金融の安定性に関するさらなる研究を促進するために、モデルのチェックポイントとコードを公開し、オープンサイエンスを強調しています。

著者らは、現在の限界についても認めています。これには、TVLをプロキシ（代理指標）として使用していること（リスクウェイト付けが欠如している）、オフチェーンのエクスポージャー（CEX、OTC）が除外されていること、および週次の時間解像度が高頻度のダイナミクスを平滑化してしまうことが含まれます。今後の課題として、より高頻度のデータの統合、リスクウェイト付けされたエクスポージャー・プロキシの導入、および継続的なドリフト監視による解決を目指しています。