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

Resumo Técnico: DeXposure-FM

Problema
As Finanças Descentralizadas (DeFi) operam como um ecossistema dinâmico e interconectado onde a exposição ao crédito é implícita e mediada por tokens, em vez de definida por contratos bilaterais. Protocolos detêm tokens emitidos por outros protocolos como colateral, liquidez ou reservas, criando uma rede complexa de dependências. Quando um token amplamente difundido sofre um choque (ex.: colapso de preço, exploração ou falha de governança), as perdas podem cascatear através de protocolos e redes. Embora as autoridades regulatórias tenham destacado essas vulnerabilidades, as ferramentas quantitativas para monitorar o risco sistêmico em DeFi permanecem limitadas. As abordagens existentes enfrentam três restrições primárias:

1. Complexidade de Dados: As exposições não são reportadas em balanços padronizados, mas devem ser reconstruídas a partir de estados on-chain, resultando em dados de alta dimensionalidade, não estacionários e heterocedásticos.
2. Limitações de Modelo: Ferramentas clássicas de séries temporais (ex.: VAR) carecem da capacidade de representar estados de nível de nó acoplados, exposições de nível de aresta e evolução mesoestrutural. Por outro lado, Redes Neurais de Grafos (GNNs) padrão são tipicamente treinadas em tarefas estreitas com conjuntos de dados limitados, carecendo da reusabilidade de modelos de fundação.
3. Lacunas de Medição: Há uma necessidade de um framework unificado que possa prever exposições de crédito inter-protocolos e traduzir essas previsões em indicadores macroprudenciais (ex.: importância sistêmica, perdas de contágio) para monitoramento regulatório.

Metodologia
Os autores introduzem o DeXposure-FM, um modelo de fundação de grafos de séries temporais (GFM) específico para o domínio, projetado para prever exposições de crédito inter-protocolos. A abordagem é construída sobre o dataset DeXposure, que agrega 43,7 milhões de observações semanais de exposição inter-protocolo de 2020–2025, cobrindo mais de 4.300 protocolos, 602 blockchains e mais de 24.300 tokens.

• Formalização de Dados: O ecossistema DeFi é modelado como um multigrafo direcionado e ponderado, onde os nós representam protocolos e as arestas representam exposições em USD mediadas por tokens. Os pesos das arestas são derivados do fluxo de valores de tokens entre protocolos, calculados pela agregação de mudanças no Valor Total Bloqueado (TVL) e na composição de tokens.
• Arquitetura:
  • Encoder: O modelo utiliza um encoder GraphPFN (Graph Prior-data Fitted Network), uma arquitetura baseada em transformer que funde a estrutura do grafo com características tabulares de nós (ex.: TVL em escala logarítmica, composição de tokens, codificação de setor). O encoder é inicializado com pesos de código aberto do GraphPFN e ajustado (fine-tuned) de ponta a ponta.
  • Cabeças de Predição: O encoder alimenta cabeças leves de múltiplos horizontes ($h \in \{1, 4, 8, 12\}$ semanas) que realizam três tarefas conjuntas:
    1. Existência de Aresta: Classificação binária de se um link de exposição existe.
    2. Peso da Aresta: Regressão da magnitude das mudanças de exposição usando aprendizado residual em espaço logarítmico ($\log(1+w)$).
    3. Mudança de TVL do Nó: Predição da dinâmica de TVL do protocolo.
• Pipeline de Treinamento: O modelo é otimizado usando Adam com uma função de perda multitarefa que combina cross-entropy binária ponderada (para existência de aresta) e perda Smooth L1 (Huber) (para pesos de aresta e mudanças de TVL). O treinamento emprega divisões de janela expansiva baseadas no tempo para evitar viés de antecipação (look-ahead bias) e lida com o desequilíbrio de classes via amostragem negativa (razão de 5:1).

Principais Contribuições

1. Modelo de Fundação Específico do Domínio: O DeXposure-FM é o primeiro GFM adaptado especificamente para exposições de crédito DeFi, adaptando o paradigma GraphPFN para redes financeis dinâmicas de grafo-tabular.
2. Pipeline "Prever-e-Medir": O modelo não apenas prevê estados de grafos; ele serve como uma camada de medição prospectiva. Os grafos previstos ($\hat{G}_{t+h}$) são alimentados em funções determinísticas para gerar indicadores macroprudenciais, incluindo:
   • Scores de Importância Sistêmica (SIS) ao nível do protocolo.
   • Matrizes de transbordamento (spillover) setor-a-setor e índices de concentração (HHI).
   • Perdas de estresse de cenário estilo DebtRank sob choques contrafatuais.
3. Verificação Empírica em Hold-outs Estritos: O modelo é avaliado em um conjunto de hold-out estrito de 2025, demonstrando desempenho além das baselines de persistência em regimes críticos.

Resultos Empíricos

• Predição de Arestas: No hold-out estrito de 2025, o DeXposure-FM alcança um AUROC de 0,993–0,995 e AUPRC de 0,967–0,973 para existência de aresta, superando significativamente a baseline de persistência (AUPRC 0,58–0,64) e um probe GraphPFN congelado.
• Predição de Magnitude: O modelo reduz o Erro Quadrático Médio (RMSE) para pesos de aresta em comparação com baselines neurais (GraphPFN-congelado e ROLAND). Embora a persistência permaneça competitiva para magnitudes altamente estáveis, o DeXposure-FM apresenta um RMSE menor em todos os horizontes.
• Testes de Estresse: O valor do modelo é mais pronunciado nos piores 20% dos casos, onde a baseline de persistência falha (regimes de cauda de alto erro). Nesses regimes, o DeXposure-FM atinge taxas de vitória de 83–100% na redução do Erro Absoluto Médio (MAE) para perdas do sistema, particularmente sob choques no setor de bridges, onde a topologia da rede evolui rapidamente.
• Ferramentas Financeiras: Os grafos previstos suportam com sucesso o cálculo de rankings de SIS prospectivos e concentrações de transbordamento, fornecendo alertas acionáveis para mudanças estruturais e mudanças de regime (ex.: colapsos da Terra/Luna e FTX).

Significância e Alegações
O artigo posiciona o DeXposure-FM como um avanço crítico no conjunto de ferramentas para entender o risco sistêmico em DeFi. Sua principal significância reside em preencher a lacuna entre dados on-chain brutos e métricas de risco relevantes para políticas.

• Complementaridade: Os autores afirmam explicitamente que o modelo foi projetado para complementar, não substituir, o julgamento qualitativo. Ele fornece resumos quantitativos (rankings, mudanças de concentração) que devem ser triangulados com auditorias de código e análise de governança.
• Sensibilidade ao Regime: O modelo é mais valioso em regimes de mudança estrutural e de erro de cauda, onde as suposições simples de carry-forward (persistência) são menos confiáveis. Ele serve como um "suporte" para análise de cenário quando as exposições se realocam de forma não estacionária.
• Reprodutibilidade: O trabalho enfatiza a ciência aberta, com checkpoints do modelo e código publicamente disponíveis para fomentar o desenvolvimento da comunidade e futuras pesquisas sobre estabilidade financeira descentralizada.

Os autores reconhecem limitações atuais, incluindo a dependência do TVL como um proxy (que carece de ponderação de risco), a exclusão de exposições off-chain (CEX, OTC) e a resolução temporal semanal que suaviza dinâmicas de alta frequência. Trabalhos futuros visam abordar isso integrando dados de maior frequência, proxies de exposição ponderados por risco e monitoramento contínuo de drift.