📈 economics

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

DeXposure-FM은 방대한 멀티체인 데이터셋으로 학습되어 기존 방식보다 디파이(DeFi) 신용 익스포저 예측 성능이 뛰어나며, 거시 건전성 모니터링 및 시스템적 리스크 스트레스 테스트를 위한 필수적인 도구를 제공하는 새로운 시계열 그래프 파운데이션 모델입니다.

원저자: Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

게시일 2026-07-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

DeXposure-FM에 대한 설명: 복잡한 금융 네트워크를 이해하기 쉽게 풀어서 설명합니다.

개요: 보이지 않는 돈의 그물을 지도화하기

**탈중앙화 금융(DeFi)**의 세계를 은행이 아니라, 디지털 고속도로 위에 세워진 거대하고 북적이는 시장이라고 상상해 보세요. 이 시장에서는 수천 개의 서로 다른 "상점"(프로토콜)들이 서로 거래를 합니다.

문제는 무엇일까요? 이 디지털 세상에서 상점들은 보통 "당신에게 돈을 빚졌다"라는 공식적인 계약서에 서명하지 않습니다. 대신, 서로의 토큰(디지털 코인)을 담보로 보유합니다. 만약 상점 A가 상점 B의 토큰을 보유하고 있는데, 상점 B의 토큰 가치가 폭락한다면 상점 A도 돈을 잃게 됩니다. 이는 숨겨진, 보이지 않는 부채와 리스크의 그물을 만들어냅니다. 한 상점이 무너지면 그 충격이 시장 전체로 퍼져나가 연쇄 반응을 일으킬 수 있습니다.

지금까지 규제 당국과 전문가들은 이 그물이 매초 변화하고 믿기 힘들 정도로 복잡하기 때문에 이를 명확하게 파악하는 데 어려움을 겪어 왔습니다.

DeXposure-FM은 이 보이지 않는 그물을 지도화하고, 다음 주에 이 그물이 어떻게 변할지 예측하며, 어떤 상점이 붕괴를 일으킬 가능성이 가장 높은지 알려주기 위해 설계된 새로운 "슈퍼 스파이" 도구입니다.

1. DeXposure-FM이란 무엇인가?

DeXposure-FM을 방대한 역사서를 학습한 수정구슬이라고 생각하면 쉽습니다.

데이터: 연구진은 2020년부터 2025년까지의 DeFi 시장 스냅샷 4,370만 개를 포함하는 방대한 데이터셋을 모델에 입력했습니다. 여기에는 4,300개 이상의 상점, 602개의 서로 다른 디지털 고속도로(블록체인), 24,000개 이상의 토큰 유형이 포함됩니다.
두뇌: 이 모델은 "파운데이션 모델"(먼저 일반적인 패턴을 학습한 뒤 전문화되는 유형의 AI)을 사용합니다. 구체적으로는 "GraphPFN"이라는 두뇌를 사용합니다.
- 비유: 학생에게 수백만 권의 책을 먼저 읽혀서 글을 배우게 한 뒤, 특정 DeFi 교과서를 주고 그 내용을 바탕으로 수학 문제를 풀게 하는 것과 같습니다. 이 모델은 DeFi 상호작용의 전체 역사를 "읽었습니다".
역할: 모델은 오늘의 시장을 보고, 1주, 4주, 8주, 또는 12주 후에 연결망이 어떤 모습일지 예측합니다.

2. 어떻게 작동하는가? (세 가지 과업)

이 모델은 세 가지 서로 다른 퍼즐을 동시에 푸는 탐정처럼 행동합니다.

연결이 존재할 것인가? (링크 예측 - Link Prediction)
- 비유: 상점 A와 상점 B가 다음 달에도 계속 거래를 할까요? 모델은 두 상점 사이에 "선"이 나타날지 혹은 사라질지를 예측합니다.
연결이 얼마나 강한가? (에지 가중치 - Edge Weight)
- 비유: 만약 거래를 한다면, 얼마만큼의 돈이 위험에 처해 있을까요? 작은 악수 정도의 거래일까요, 아니면 거대한 대출일까요? 모델은 노출된 금액의 크기를 추측합니다.
상점의 규모는 어떻게 변할 것인가? (노드 TVL - Node TVL)
- 비유: 상점 A의 금고(총 예치 자산, Total Value Locked)가 커질까요, 아니면 줄어들까요? 모델은 상점의 규모를 예측합니다.

3. 왜 단순한 추측보다 나은가?

현실 세계에서는 상황이 한동안 그대로 유지되는 경우가 많습니다. 만약 단순히 "다음 주도 이번 주와 똑같을 것"이라고 가정한다면(**지속성(Persistence)**이라는 방법), DeFi 시장은 매우 안정적이기 때문에 대부분의 경우 맞을 것입니다.

하지만 논문은 DeXposure-FM이 상황이 변할 때 빛을 발한다는 것을 발견했습니다.

"나쁜 소식" 구간: 시장이 혼란스러울 때(폭락장이나 갑작스러운 새로운 규제가 생겼을 때), "지난주와 똑같을 것"이라는 단순한 방식은 처참하게 실패합니다.
모델의 초능력: DeXoso-FM은 이러한 혼란스러운 순간을 훨씬 더 잘 예측합니다. 단순한 추측이 실패했던 "가장 어려운 상위 20%"의 주간들을 정확하게 식별해 냈습니다. 이 모델은 맑은 날을 잘 예측하는 기상 예보와 같지만, 폭풍우를 예측할 때 반드시 필요한 예보와 같습니다.

4. 이것으로 무엇을 할 수 있는가? (금융 도구)

모델이 미래의 네트워크를 예측하면, 연구진은 이를 활용해 규제 당국과 리스크 관리자를 위한 "대시보드 도구"를 구축합니다.

시스템적 중요도 점수 (SIS - Systemic Importance Score):
- 비유: "지명 수배" 목록입니다. 모델은 어떤 상점이 너무 밀접하게 연결되어 있어서, 그 상점이 무너질 때 다른 모든 곳을 함께 무너뜨릴 수 있는지 순위를 매깁니다. 이를 통해 당국은 누구를 집중적으로 감시해야 할지 알 수 있습니다.
전이 집중도 (Spillover Concentration):
- 비비유: "전염 지도"입니다. 리스크가 한 특정 섹터(예: 스테이블코인)에서 다른 섹터(예: 브릿지)로 퍼지고 있는지 보여줍니다. 불길이 한 건물에서 다른 건물으로 옮겨붙을 수 있는 지점을 강조합니다.
스트레스 테스트 (The "What If" Machine):
- 비유: 시뮬레이션 게임입니다. 모델에게 "만약 가장 큰 상점이 자산 가치의 50%를 잃는다면 어떻게 될까?"라고 말할 수 있습니다. 모델은 예측된 미래의 네트워크 위에서 시뮬레이션을 실행하여 총 얼마만큼의 돈이 손실될지 계산합니다.
- 핵심 발견: 이 시뮬레이션은 시장이 불안정할 때 가장 유용합니다. 시장이 평온할 때는 시뮬레이션이 큰 가치를 더해주지 않지만, 상황이 흔들릴 때는 결정적인 안전망을 제공합니다.

5. 한계점은 무엇인가? (논문에서 밝힌 내용)

저자들은 자신들의 도구가 할 수 없는 것에 대해서도 매우 솔직합니다.

"온체인(On-Chain)" 세계만 볼 수 있음: 블록체인 상에서 움직이는 디지털 토큰은 볼 수 있지만, 중앙화된 은행에 있는 돈, 대형 투자자 간의 사적인 거래, 또는 오프체인(Off-chain) 예비금은 볼 수 없습니다.
주간 단위의 스냅샷: 일주일에 한 번씩 시장을 관찰합니다. 따라서 몇 분 만에 발생하는 매우 빠른 '플래시 크래시(급락)'(마치 돌발 홍수와 같은 상황)는 놓칠 수 있습니다.
가이드일 뿐, 판사가 아님: 모델은 점수나 순위를 제공하지만, 인간의 판단을 대체하지는 않습니다. 어떤 상점이 그래프상으로는 "안전"해 보일지라도, 모델이 볼 수 없는 숨겨진 소프트웨어 결함이 있을 수 있습니다.

요 요약

DeXposure-FM은 디지털 금융 상점들 사이의 숨겨진 부채를 지도화하는 특화된 AI입니다. 정상적인 시기에는 예측력이 좋지만, 진짜 가치는 혼란스러운 시기에 조기 경보 시스템 역할을 한다는 데 있습니다. 이를 통해 규제 당국은 금융 충격이 어디로 퍼질지 발생하기 전에 미리 파악할 수 있습니다. 이 모델은 복잡하고 보이지 않는 리스크의 그물을 명확하고 앞을 내다보는 지도로 바꾸어 놓습니다.

기술 요약: DeXposure-FM

문제 정의
탈중앙화 금융(DeFi)은 신용 노출이 양자 간 계약에 의해 정의되기보다는 암묵적이고 토큰을 통해 매개되는 역동적이고 상호 연결된 생태계로 작동합니다. 프로토콜들은 다른 프로토콜에서 발행한 토큰을 담보, 유동성 또는 예비 자산으로 보유하며, 이는 복잡한 의존성 네트워크를 형성합니다. 널리 보유된 토큰이 충격(예: 가격 폭락, 익스플로잇 또는 거버넌스 실패)을 겪을 때, 손실은 여러 프로토콜과 체인 전반으로 연쇄적으로 확산될 수 있습니다. 정책 당국은 이러한 취약성을 강조해 왔으나, DeFi의 시스템적 리스크를 모니터링하기 위한 정량적 도구는 여전히 제한적입니다. 기존 방식은 세 가지 주요 제약에 직면해 있습니다:

데이터 복잡성: 노출(Exposures)은 표준화된 재무제표로 보고되지 않으며, 온체인 상태로부터 재구성되어야 하므로 고차원적이고 비정상성(non-stationary) 및 이분산성(heteroskedastic)을 띱니다.
모델의 한계: 고전적인 시계열 도구(예: VAR)는 결합된 노드 수준의 상태, 엣지 수준의 노출, 그리고 중간 구조적(meso-structural) 진화를 표현하는 능력이 부족합니다. 반대로, 표준 그래프 신경망(GNN)은 대개 제한된 데이터셋을 사용하여 좁은 작업에 훈련되며, 파운데이션 모델과 같은 재사용성이 부족합니다.
측정 격차: 프로토콜 간 신용 노출을 예측하고, 이를 규제 모니터링을 위한 거시 건전성 지표(예: 시스템적 중요도, 전염 손실)로 변환할 수 있는 통합된 프레임워크가 필요합니다.

방법론
저자들은 프로토콜 간 신용 노출을 예측하기 위해 설계된 도메인 특화 시계열 그래프 파운데이션 모델(GFM)인 DeXposure-FM을 소개합니다. 이 접근 방식은 2020년부터 2025년까지 4,300개 이상의 프로토콜, 602개의 블록체인, 24,300개 이상의 토큰을 포괄하며 4,370만 개의 주간 프로토콜 간 노출 관측치를 집계한 DeXposure 데이터셋을 기반으로 합니다.

데이터 정형화: DeFi 생태계는 노드가 프로토콜을 나타내고 엣지가 토큰 매개 USD 노출을 나타내는 가중치 부여된 유향 다중 그래프(weighted, directed multigraph)로 모델링됩니다. 엣지 가중치는 총 예치 자산(TVL) 및 토큰 구성의 변화를 집계하여 계산된 프로토콜 간 토큰 가치의 흐름으로부터 도출됩니다.
아키텍처:
- 인코더: 모델은 그래프 구조와 테이블 형태의 노드 특징(예: 로그 스케일 TVL, 토큰 구성, 섹터 인코딩)을 융합하는 트랜스포머 기반 아키텍처인 GraphPFN(Graph Prior-data Fitted Network) 인코더를 활용합니다. 인코더는 오픈 소스 GraphPFN 가중치로 초기화된 후 엔드투엔드(end-to-end)로 미세 조정됩니다.
- 예측 헤드: 인코더는 세 가지 결합된 작업을 수행하는 경량 다중 호라이즌 헤드( $h \in \{1, 4, 8, 12\}$ $h \in {1, 4, 8, 12}$ 주)로 연결됩니다:
  1. 엣지 존재 여부: 노출 링크의 존재 여부에 대한 이진 분류.
  2. 엣지 가중치: 로그 공간( $\log(1+w)$ )에서의 잔차 학습을 사용한 노출 규모 변화의 회귀.
  3. 노드 TVL 변화: 프로토콜 수준의 TVL 역학 예측.
훈련 파이프라인: 모델은 가중 이진 교차 엔트로피(엣지 존재 여부용)와 Smooth L1 (Huber) 손실(엣지 가중치 및 TVL 변화용)을 결합한 다중 작업 손실 함수를 사용하여 Adam으로 최적화됩니다. 훈련에는 미래 참조 편향(look-ahead bias)을 방지하기 위해 시간 기반 확장 윈도우 분할을 사용하며, 네거티브 샘플링(5:1 비율)을 통해 클래스 불균형을 처리합니다.

주요 기여

도메인 특화 파운데이션 모델: DeXposure-FM은 DeFi 신용 노출에 특화된 최초의 GFM으로, 동적인 그래프-테이블 금융 네트워크에 GraphPFN 패러다임을 적응시켰습니다.
예측 후 측정 파이프라인: 모델은 단순히 그래프 상태를 예측하는 데 그치지 않고, 선행적 측정 계층 역할을 합니다. 예측된 그래프( $\hat{G}_{t+h}$ $\hat{G}_{t + h}$ )는 결정론적 함수에 입력되어 다음과 같은 거시 건전성 지표를 생성합니다:
- 프로토콜 수준의 시스템적 중요도 점수(SIS).
- 섹터 간 스필오버(spillover) 행렬 및 집중도 지수(HHI).
- 반사실적 충격(counterfactual shocks) 하에서의 DebtRank 스타일 시나리오 스트레스 손실.
엄격한 홀드아웃(Hold-out)을 통한 실증 검증: 모델은 엄격한 2025년 홀드아웃 세트에서 평가되었으며, 임계 영역에서 일반적인 지속성(persistence) 베이스라인을 뛰어넘는 성능을 입증했습니다.

실증 결과

엣지 예측: 엄격한 2025년 홀드아웃 세트에서 DeXposure-FM은 엣지 존재 여부에 대해 0.993–0.995의 AUROC와 0.967–0.973의 AUPRC를 달성하였으며, 이는 지속성 베이스라인(AUPRC 0.58–0.64) 및 동결된 GraphPFN 프로브를 크게 상회하는 수치입니다.
규모 예측: 모델은 신경망 베이스라인(GraphPFN-frozen 및 ROLAND)에 비해 엣지 가중치에 대한 제곱 평균 제곱근 오차(RMSE)를 감소시킵니다. 규모가 매우 안정적인 경우에는 지속성 모델이 경쟁력을 유지하지만, DeXposure-FM은 모든 호라이즌에서 더 낮은 RMSE를 보여줍니다.
스트레스 테스트: 예측적 전염 스트레스 테스트에서 모델의 가치는 지속성 베이스라인이 실패하는 **하위 20%의 케이스(높은 오차 꼬리 영역)**에서 가장 두드러집니다. 이러한 영역에서 DeXposure-FM은 시스템 손실에 대한 평균 절대 오차(MAE)를 줄이는 데 있어 83–100%의 승률을 기록하며, 특히 네트워크 토폴로지가 급격히 변하는 브릿지 섹터 충격 상황에서 탁월한 성능을 보였습니다.
금융 도구: 예측된 그래프는 선행적 SIS 순위 및 스필오버 집중도를 계산하는 데 성공적으로 활용되어, 구조적 변화(예: Terra/Luna 및 FTX 붕괴)에 대한 실행 가능한 경고를 제공합니다.

의의 및 주장
본 논문은 DeXposure-FM을 DeFi의 시스템적 리스크를 이해하기 위한 핵심적인 도구의 진보로 위치시킵니다. 이 모델의 주요 의의는 원시 온체인 데이터와 정책 관련 리스크 지표 사이의 간극을 메우는 데 있습니다.

보완성: 저자들은 이 모델이 질적 판단을 대체하는 것이 아니라 보완하도록 설계되었음을 명시적으로 밝힙니다. 모델은 코드 감사 및 거버넌스 분석과 함께 삼각 측량되어야 하는 정량적 요약(순위, 집중도 변화)을 제공합니다.
레짐 민감도: 모델은 단순한 캐리-포워드(carry-forward) 가정(지속성)이 가장 신뢰하기 어려운 구조적 변화 및 꼬리 오차 영역에서 가장 가치가 높습니다. 이는 노출이 비정상적으로 재배분될 때 시나리오 분석을 위한 "백스탑(backstop)" 역할을 합니다.
재현성: 본 연구는 모델 체크포인트와 코드를 공개하여 커뮤니티의 발전과 탈중앙화 금융 안정성에 대한 추가 연구를 촉진함으로써 오픈 사이언스를 강조합니다.

저자들은 TVL에 대한 의존(리스크 가중치가 결여됨), 오프체인 노출(CEX, OTC)의 제외, 고빈도 역학을 완화하는 주간 시간 해상도 등의 현재 한계점을 인정합니다. 향 향후 연구는 고빈도 데이터, 리스크 가중 노출 대리 지표, 지속적인 드리프트 모니터링을 통합하여 이를 해결하는 것을 목표로 합니다.