📈 economics

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

DeXposure-FM is een nieuw tijdreeks-grafische fundatiemodel dat is getraind op een enorme multi-chain dataset, dat bestaande methoden overtreft in het voorspellen van DeFi-kredietblootstellingen en essentiële instrumenten biedt voor macroprudentieel toezicht en systeemsrisico-stresstests.

Oorspronkelijke auteurs: Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

Gepubliceerd 2026-07-01

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Aijie Shu, Wenbin Wu, Gbenga Ibikunle, Fengxiang He

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Het in kaart brengen van het onzichtbare web van geld

Stel je de wereld van Decentralized Finance (DeFi) niet voor als een bank, maar als een enorme, bruisende marktplaats gebouwd op een digitale snelweg. In deze marktplaats handelen duizenden verschillende "winkels" (protocollen) met elkaar.

Het probleem? In deze digitale wereld sluiten winkels meestal geen formele contracten waarin staat: "Ik ben jou geld verschuldigd." In plaats daarvan houden ze elkaars tokens (digitale munten) aan als onderpand. Als Winkel A de tokens van Winkel B vasthoudt, en de waarde van de tokens van Winkel B stort in, verliest Winkel A ook geld. Dit creëert een verborgen, onzichtbaar web van schulden en risico's. Als één winkel faalt, kan de schok door de hele markt rimpelen en een kettingreactie veroorzaken.

Tot nu toe hadden toezichthouders en experts moeite om dit web duidelijk te zien, omdat het elke seconde verandert en ongelooflijk complex is.

DeXposure-FM is een nieuwe "super-spion"-tool die ontworpen is om dit onzichtbare web in kaart te brengen, te voorspellen hoe het er volgende week uit zal zien, en ons te vertellen welke winkels het meest waarschijnlijk een crash zullen veroorzaken.

1. Wat is DeXposure-FM?

Beschouw DeXposure-FM als een glazen bol die getraind is op een enorm geschiedenisboek.

De Data: De onderzoekers voerden het model een enorme dataset met 43,7 miljoen snapshots van de DeFi-markt van 2020 tot 2025. Dit beslaat meer dan 4.300 winkels, 602 verschillende digitale snelwegen (blockchains) en meer dan 24.000 soorten tokens.
De Hersenen: Het model gebruikt een "Foundation Model" (een type AI dat eerst algemene patronen leert en zich daarna specialiseert). Specifiek gebruikt het een "GraphPFN"-brein.
- Analogie: Stel je voor dat je een student leert lezen door hem eerst miljoenen boeken te geven (pre-training). Daarna geef je hem een specifiek tekstboek over DeFi en vraag je hem wiskundige problemen op te lossen op basis daarvan (fine-tuning). Dit model heeft de gehele geschiedenis van DeFi-interacties "gelezen".
De Taak: Het kijkt naar de markt van vandaag en voorspelt hoe het web van verbindingen er over 1, 4, 8 of 12 weken uit zal zien.

2. Hoe werkt het? (De drie taken)

Het model werkt als een detective die tegelijkertijd drie verschillende puzzels oplost:

Bestaat er een verbinding? (Link Prediction)
- Analogie: Zullen Winkel A en Winkel B volgende maand nog steeds met elkaar handelen? Het model voorspelt of er een "lijn" zal verschijnen of verdwijnen tussen hen.
Hoe sterk is de verbinding? (Edge Weight)
- Analogie: Als ze handelen, hoeveel geld staat er op het spel? Is het een kleine handdrukdeal of een enorme lening? Het model raadt de omvang van de blootstelling (exposure).
Hoe groot worden de winkels? (Node TVL)
- Analogie: Zal de kluis van Winkel A (Total Value Locked) groeien of krimpen? Het model voorspelt de omvang van de winkels.

3. Waarom is dit beter dan gewoon gokken?

In de echte wereld blijven dingen vaak een tijdje hetzelfde. Als je er simpelweg vanuit zou gaan dat "volgende week precies hetzelfde zal zijn als deze week" (een methode genaamd Persistence), zou je meestal gelijk hebben omdat de DeFi-markt erg stabiel is.

De paper vond echter dat DeXposure-FM uitblinkt wanneer er veranderingen optreden.

De "Slecht Nieuws" Zone: Wanneer de markt chaotisch is (zoals tijdens een crash of een plotselinge nieuwe regel), faalt de methode "kopieer vorige week gewoon" spectaculair.
De Superkracht van het Model: DeXposure-FM is veel beter in het voorspellen van deze chaotische momenten. Het identificeerde correct dat verbindingen zouden verbreken of ontstaan in de "slechtste 20%" van de moeilijke weken waarin eenvoudige gokken faalden. Het werkt als een weersvoorspelling die goed is in het voorspellen van zonnige dagen, maar essentieel is voor het voorspellen van stormen.

4. Wat kunnen we hiermee doen? (De financiële tools)

Zodra het model het toekomstige web voorspelt, gebruiken de onderzoekers het om "dashboard-tools" te bouwen voor toezichthouders en risicomanagers:

Systemic Importance Score (SIS):
- Analogie: Een "Most Wanted"-lijst. Het model rangschikt welke winkels zo verbonden zijn dat als zij vallen, ze iedereen met zich mee naar beneden trekken. Het helpt autoriteiten om te weten wie ze nauwlettend in de gaten moeten houden.
Spillover Concentration:
- Analogie: Een "Besmettingskaart". Het laat zien of het risico zich verspreidt van één specifieke sector (zoals "Stablecoins") naar een andere (zoals "Bridges"). Het markeert waar een vuur van het ene gebouw naar het andere kan springen.
Stress Testing (De "Wat als"-machine):
- Analogie: Een simulatiespel. Je kunt tegen het model zeggen: "Wat als de grootste winkel 50% van zijn waarde verliest?" Het model voert de simulatie uit op het voorspelde toekomstige web om te zien hoeveel totaal geld er verloren zou gaan.
- Belangrijkste bevinding: Deze simulatie is het meest nuttig wanneer de markt instabiel is. Als de markt rustig is, voegt de simulatie niet veel waarde toe, maar wanneer de zaken wankel zijn, biedt het een cruciaal vangnet.

5. Wat zijn de beperkingen? (Wat het paper zegt)

De auteurs zijn zeer eerlijk over wat hun tool niet kan:

Het ziet alleen de "On-Chain" wereld: Het kan de digitale tokens zien die op de blockchain bewegen, maar het kan geen geld zien dat in centrale banken zit, private deals tussen grote investeerders, of reserves buiten de keten (off-chain).
Het is een wekelijkse snapshot: Het kijkt één keer per week naar de markt. Het kan zeer snelle "flash crashes" missen die binnen minuten gebeuren (zoals een flash flood/plotselinge overstroming).
Het is een gids, geen rechter: Het model geeft een score of een rangschikking, maar vervangt de menselijke oordeelsvorming niet. Een winkel kan op de grafiek "veilig" lijken, maar een verborgen softwarefout hebben die het model niet kan zien.

Samenvatting

DeXposure-FM is een gespecialiseerde AI die de verborgen schulden tussen digitale financiële winkels in kaart brengt. Ho wel goed is in het voorspellen van normale tijden, ligt de echte waarde in het fungeren als een vroegtijdig waarschuwingssysteem tijdens chaotische tijden, waardoor toezichthouders kunnen zien waar een financiële schok zich kan verspreiden voordat het gebeurt. Het verandert een complex, onzichtbaar web van risico's in een heldere, vooruitziende kaart.

Technische Samenvatting: DeXposure-FM

Probleemstelling
Decentralized Finance (DeFi) opereert als een dynamisch, onderling verbonden ecosysteem waar kredietblootstelling impliciet en token-gemedieerd is in plaats van gedefinieerd door bilaterale contracten. Protocollen houden tokens aan die door andere protocollen zijn uitgegeven als onderpand, liquiditeit of reserves, wat een complex netwerk van afhankelijkheden creëert. Wanneer een veelgehouden token een schok ondergaat (bijv. een prijsinstorting, exploit of governance-falen), kunnen verliezen over protocollen en ketens heen cascaderen. Hoewel beleidsinstanties deze kwetsbaarheden hebben benadrukt, blijven kwantitatieve instrumenten voor het monitoren van DeFi-systemisch risico beperkt. Bestaande benaderingen kampen met drie primaire beperkingen:

Datacomplexiteit: Blootstellingen worden niet gerapporteerd in gestandaardiseerde balansen, maar moeten worden gereconstrueerd uit on-chain staten, wat resulteert in hoogdimensionele, niet-stationaire en heteroskedastische data.
Modelbeperkingen: Klassieke tijdreeksinstrumenten (bijv. VAR) missen de capaciteit om gekoppelde node-niveau staten, edge-niveau blootstellingen en meso-structurele evolutie te representeren. Daartegenover staan standaard Graph Neural Networks (GNNs) die doorgaans worden getraind op smalle taken met beperkte datasets, waardoor ze de herbruikbaarheid van foundation models missen.
Meettekorten: Er is behoefte aan een uniform framework dat de inter-protocol kredietblootstellingen kan voorspellen en die voorspellingen kan vertalen naar macroprudentiële indicatoren (bijv. systemische belangrijkheid, besmettingsverliezen) voor toezicht.

Methodologie
De auteurs introduceren DeXposure-FM, een domeinspecifiek time-series graph foundation model (GFM) ontworpen om inter-protocol kredietblootstellingen te voorspellen. De aanpak is gebaseerd op de DeXposure dataset, die 43,7 miljoen wekelijkse inter-protocol blootstellingsobservaties uit 2020–2025 aggregeert, dekkend over 4.300+ protocollen, 602 blockchains en 24.300+ tokens.

Dataformalisering: Het DeFi-ecosysteem wordt gemodelleerd als een gewogen, gerichte multigraph waarbij nodes protocollen vertegenwoordigen en edges token-gemedieerde USD-blootstellingen. Edge-gewichten worden afgeleid van de flow van tokenwaarden tussen protocollen, berekend door aggregatie van veranderingen in Total Value Locked (TVL) en de token-compositie.
Architectuur:
- Encoder: Het model maakt gebruik van een GraphPFN (Graph Prior-data Fitted Network) encoder, een transformer-gebaseerde architectuur die grafiekstructuur fuseert met tabulaire node-kenmerken (bijv. log-geschaalde TVL, token-compositie, sector-encoding). De encoder wordt geïnitialiseerd met open-source GraphPFN-gewichten en end-to-end gefinetuned.
- Voorspellingskoppen (Prediction Heads): De encoder voert data naar lichtgewicht, multi-horizon koppen ( $h \in \{1, 4, 8, 12\}$ $h \in {1, 4, 8, 12}$ weken) die drie gezamenlijke taken uitvoeren:
  1. Edge Existence: Binaire classificatie van het bestaan van een blootstellingsverbinding.
  2. Edge Weight: Regressie van de magnitude van verandering in blootstelling met behulp van residual learning in de log-ruimte ( $\log(1+w)$ ).
  3. Node TVL Change: Voorspelling van de protocol-niveau TVL-dynamiek.
Trainingspipeline: Het model wordt geoptimaliseerd met Adam met een multi-task loss functie die gewogen binary cross-entropy (voor edge existence) en Smooth L1 (Huber) loss (voor edge weights en TVL-veranderingen) combineert. De training maakt gebruik van time-based expanding window splits om look-ahead bias te voorkomen en behandelt klasse-onbalans via negative sampling (5:1 ratio).

Belangrijkste Bijdragen

Domeinspecifiek Foundation Model: DeXposure-FM is het eerste GFM dat specifiek is afgestemd op DeFi-kredietblootstellingen, waarbij het de GraphPFN-paradigma aanpast aan dynamische, grafiek-tabulaire financiële netwerken.
Forecast-Then-Measure Pipeline: Het model voorspelt niet enkel grafiekstaten; het dient als een vooruitziende meetlaag. Voorspelde grafieken ( $\hat{G}_{t+h}$ $\hat{G}_{t + h}$ ) worden ingevoerd in deterministische functies om macroprudentiële indicatoren te genereren, waaronder:
- Protocol-niveau Systemic Importance Scores (SIS).
- Sector-naar-sector spillover-matrices en concentratie-indices (HHI).
- DebtRank-stijl scenario stress-verliezen onder contra-factuele schokken.
Empirische Verificatie op Strikte Hold-outs: Het model wordt geëvalueerd op een strikte 2025 hold-out set, waarbij het prestaties levert die de standaard persistentie-baselines overtreffen in kritieke regimes.

Empirische Resultaten

Edge Predictie: Op de strikte 2025 hold-out bereikt DeXposure-FM een AUROC van 0,993–0,995 en een AUPRC van 0,967–0,973 voor edge existence, wat significant beter presteert dan de persistentie-baseline (AUPRC 0,58–0,64) en een bevroren GraphPFN probe.
Magnitude Predictie: Het model vermindert de Root Mean Square Error (RMSE) voor edge weights vergeleken met neurale baselines (GraphPFN-frozen en ROLAND). Hoewel persistentie competitief blijft voor zeer stabiele magnitudes, vertoont DeXposure-FM een lagere RMSE over alle horizonten.
Stress Testing: De waarde van het model bij voorspellende besmettings-stress-testing is het meest prominent in de worst-20% van de gevallen waar de persistentie-baseline faalt (high-error tail regimes). In deze regimes behaalt DeXposure-FM winstpercentages van 83–100% in het reduceren van de Mean Absolute Error (MAE) voor systeemverliezen, met name onder bridge-sector schokken waar de netwerktopologie snel evolueert.
Financiële Instrumenten: De voorspelde grafieken ondersteunen succesvol de berekening van vooruitziende SIS-rankings en spillover-concentraties, wat bruikbare waarschuwingen biedt voor structurele veranderingen en regime-verschuivingen (bijv. de Terra/Luna en FTX collapsen).

Betekenis en Claims
Het artikel positioneert DeXposure-FM als een cruciale vooruitgang in de toolkit voor het begrijpen van systemisch risico in DeFi. De primaire betekenis ligt in het overbruggen van de kloof tussen ruwe on-chain data en beleidsrelevante risicometrieken.

Complementariteit: De auteurs stellen expliciet dat het model is ontworpen om kwalitatief oordeel te complementeren, niet te vervangen. Het biedt kwantitatieve samenvattingen (rankings, concentratieveranderingen) die getrianguleerd moeten worden met code-audits en governance-analyse.
Regime-gevoeligheid: Het model is het meest waardevol in structurele veranderings- en tail-error regimes waar eenvoudige carry-forward aannames (persistentie) het minst betrouwbaar zijn. Het dient als een "backstop" voor scenario-analyse wanneer blootstellingen niet-stationair heralloceren.
Reproduceerbaarheid: Het werk legt de nadruk op open wetenschap door model-checkpoints en code publiekelijk beschikbaar te stellen om gemeenschapsontwikkeling en verder onderzoek naar gedecentraliseerde financiële stabiliteit te stimuleren.

De auteurs erkennen huidige beperkingen, waaronder de afhankelijkheid van TVL als proxy (die een gebrek heeft aan risicogewogenheid), de uitsluiting van off-chain blootstellingen (CEX, OTC), en de wekelijkse temporele resolutie die high-frequency dynamiek gladstrijkt. Toekomstig werk beoogt dit aan te pakken door hogere frequentie data, risicogewogen blootstellingsproxies en continue drift-monitoring te integreren.