Technische Samenvatting: DeXposure-Claw

Probleemstelling

Decentralized finance (DeFi) creëert snel bewegende, netwerkgebaseerde kredietblootstelling tussen leningprotocollen, gedecentraliseerde exchanges, stablecoins en bridges. Recente crises (bijv. Terra/Luna, FTX, SVB/USDC) laten zien dat schokken door deze netwerken sneller kunnen voortplanten dan menselijke toezichthouders handmatig ruwe on-chain data kunnen inspecteren.

Het artikel betoogt dat het direct toepassen van general-purpose Large Language Model (LLM) agenten op ruwe on-chain metingen onveilig is voor toezicht met hoge inzet. Deze agenten hebben de neiging om zwak, incompleet of verouderd bewijs te "overlezen", waardoor plausibele rationales worden geproduceerd die onnodige interventies met een hoge ernst triggeren. Bovendien rangschikken bestaande evaluaties van systemisch risico protocollen vaak op basis van fractionele blootstellingsveranderingen, wat disproportioneel kleine protocollen met een lage relevantie benadrukt en niet goed aansluit bij de prioriteiten van toezichthouders met betrekking tot absoluut verlies. Er is een gebrek aan evaluatieframeworks die de foutieve interventiepercentages meten tegenover een door toezichthouders uitgelijnde grondwaarheid.

Methodologie: DeXposure-Claw Pipeline

De auteurs introduceren DeXposure-Claw, een op voorspellingen gebaseerd agentisch systeem dat ontworere de beslissingen van de LLM via gestructureerd, deterministisch bewijs in plaats van via ruwe data te leiden. Het systeem werkt op een wekelijkse cadans en is onderverdeeld in vier afzonderlijke lagen:

1. Laag 1: Forecasting (DeXposure-FM)

   • Een graph time-series foundation model voorspelt toekomstige blootstellingsnetwerken ($G_{t+h}$) vanuit de huidige wekelijkse snapshot ($G_t$).
   • Het genereert een voorspellende distributie, inclusclusief de waarschijnlijkheid van de aanwezigheid van randen ($\pi$) en de verwachte randgewichten ($\mu$), die worden geconstrueerd in een voorspeld grafiek met verwacht gewicht ($\hat{G}_{t+h}$).
   • Het genereert Monte Carlo-samples om de voorspellende onzekerheid te kwantificeren.

2. Laag 2: Monitoring & Scenarioanalyse

   • Deterministische Monitoren: Vijf functionele metrieken (Top-1 PageRank, HHI-concentratie, netwerkdichtheid, PageRank Gini, Degree Gini) worden berekend op de voorspelde grafiek. Alerts worden afgevuurd wanneer deze statistieken afwijken van een voortschrijdend gemiddelde met meer dan een vastgesteld aantal standaarddeviaties.
   • Stressscenario's: Vijf gestandaardiseerde schokken (falen van een enkel protocol, falen van een bridge-cluster, stablecoin de-peg, sectorleningsschok, gecorreleerde top-10 stress) worden toegepast op de voorspelde grafiek en Monte Carlo-samples. Het systeem berekent de Conditional Value-at-Risk (CVaR) voor elk scenario.
   • Data-gezondheid: Een scalaire score ($DH_t$) wordt berekend op basis van gegevensversheid, ontbrekende gegevens, topologie en discrepantiecontroles.
   • Output: Een getypeerde bewijspakket (evidence bundle) bevattende alerts, attributie (top-K randen), onzekheidsschattingen, scenarioverliezen en data-gezondheidsscores.

3. Laag 3: Ticket Drafting (LLM)

   • De LLM ontvangt alleen het gestructureerde bewijspakket van Laag 2 (niet de ruwe transacties).
   • Het stelt een gerangschikte lijst van toezichttickets op, waarbij een ernstniveau wordt toegewezen (Monitor, Investigate, Recommend-Reduce, Contingency), een doelset van protocollen, en een rationale die verwijst naar specifieke bewijsvelden.
   • De LLM is beperkt tot het opstellen; het heeft geen autoriteit voor de publicatie.

4. Laag 4: Safety Gates (Veiligheidshekjes)

   • Data-Health Gate: Als $DH_t < 0.7$, gaat het systeem in "safe mode", waarbij interventie-niveau tickets (Recommend-Reduce, Contingency) worden onderdrukt en alleen Monitor of Investigate tickets worden vrijgegeven.
   • Confidence Gate: Als de gemiddelde alert-betrouwbaarheid lager is dan 0.6, worden interventie-niveau tickets geblokkeerd.
   • Elk vrijgegeven ticket wordt vergezeld door het volledige bewijspakket en de status van de gates voor controleerbaarheid.

Evaluatieframework: DeXposure-Bench

De auteurs hebben DeXposure-Bench ontwikkeld, een zes-assige evaluatieharnas:

• b1_forecast: Kwaliteit van temporele grafiekvoorspelling.
• b2_warning: Lead time van streaming early-warning signalen.
• b3_calibration: Kalibratie van voorspellende onzekerheid.
• b4_stress: Getrouwheid van stressscenario's.
• b5_decision: Kwaliteit van toezichttickets (Precisie, Recall, F1, False Intervention Rate).
• b6_robustness: Robuustheid tegen gedegradeerde data.

Cruciaal is dat de decision-as (b5) een door toezichthouders uitgelijnde absolute-verlies grondwaarheid gebruikt. In plaats van fractionele veranderingen, identificeert de grondwaarheid de top 5% van de protocollen op basis van absoluut blootstellingsverlies over een horizon van 4 weken. Dit maakt de directe meting van de False Intervention Rate (FIR) mogelijk.

Belangrijkste Resultaten

Experimenten werden uitgevoerd op vijf jaar aan wekelijkse DeFi-blootstellingsdata (2020–2025), met een bevroren testsplit uit 2025.

• Voorspelling (RQ1): Hoewel een eenvoudige "persistence" baseline (die ervan uitgaat dat de grafiek hetzelfde blijft) een lagere Point-estimate MAE op sommige metrieken behaalde, miste het structureel trendsignalen en gekalibreerde onzekerheid. DeXposure-FM bood noodzakelijke trendsignalen en conformale kalibratie (PI dekking van 0.913 bij een 0.90 target) die de agent consumeerde.
• Grounding vs. Raw Data (RQ2): Het routeren van de LLM via voorspelde bewijslast (m6) in plaats van ruwe snapshots (m2) verhoogde de ticket F1-score van 0.0184 naar 0.0241 (+31%). Deze verbetering werd gedreven door coverage: het op voorspellingen gebaseerde systeem identificeerde een grotere set gestreste protocollen bij een vergelijkbare precisie.
• Over-interventie: Ondanks de F1-winst "overlas" de LLM de voorspeller. De False Intervention Rate (FIR) voor de volledige stack (m6) was 0.448, wat betekent dat ongeveer 45% van de interventie-niveau tickets incorrect was. Het gebruik van een sterker model (Opus 4.7) verminderde deze rate niet significant (FIR 0.437); het was zelfs iets hoger.
• Safety Gates (RQ3): De safety gates (Laag 4) waren het primaire mechanisme voor het beheersen van risico. Het verwijderen van de confidence gate zorgde ervoor dat de FIR op schone data omhoog schoot naar 0.429. Onder gedegradeerde data onderdrukte de data-health gate valse alarmen, waardoor de FIR naar 0.000 ging in safe mode.
• Model Efficiëntie: Het vervangen van het decision model door een goedkopere variant (Claude Sonnet 4.6) verbeterde de F1-score (0.0234 naar 0.0288) terwijl een vergelijkbare FIR behouden bleef, wat suggereert dat modelselectie een efficiëntiekeuze is in plaats van een veiligheidkeuze.

Betekenis en Claims

Het artikel claimt dat DeXposure-Claw aantoont dat LLM-agenten niet direct over ruwe on-chain data moeten redeneren in situaties met hoge inzet. Zonder gestructureerd bewijs en escalatiecontroles interveniëren agenten te veel.

• Controleerbare Recall: Het systeem wordt gepositioneerd als een "controleerbare recall-en-uitleg optie" voor mens-in-de-loop toezicht, niet als vervanging voor conservatieve regelgebaseerde systemen.
• Veiligheid via Gates, Niet Modellen: De studie concludeert dat veilige actie met hoge intensiteit voortkomt uit data-gezondheid en confidence gates en menselijke review, en niet uit het decision model zelf. De rol van de LLM is het opstellen van rationales en het uitbreiden van de coverage, maar de neiging om bewijs te "overlezen" is een hardnekkige foutmodus die moet worden afgeschermd.
• Evaluatiestandaard: Het artikel introduceert een nieuwe standaard voor het evalueren van financiële agenten door een absolute-verlies grondwaarheid te gebruiken en expliciet de False Intervention Rate te meten, waarmee een gat in bestaande benchmarks wordt gedicht die vaak detectie-accuratesse boven toezichthouders-relevante verliesprioriteiten stellen.

De auteurs merken beperkingen op, waaronder de focus op één domein (DeFi inter-protocol krediet), de wekelijkse resolutie (die sub-uurlijkse schokken kan missen) en het potentieel dat pretraining data de kwaliteit van uitleg op bekende historische gebeurtenissen beïnvloedt. Ze benadrukken dat het systeem een beslissingsondersteuningstool is, geen autonome risico-agent.