DeXposure-FM：面向去中心化金融网络信用暴露与稳定性的时间序列、图形基础模型
机器学习
2026-02-05 v1 人工智能
计量经济学
摘要
去中心化金融(DeFi)中的信用暴露往往是隐式的且由代币中介，导致协议间依赖关系形成密集的网络结构。因此，对单个代币的冲击可能引发显著且不可控的跨协议感染效应。随着DeFi生态系统日益与传统金融基础设施通过诸如稳定币等工具相互关联，由此产生的风险需求更强大的量化工具。我们介绍 DeXposure-FM，这是首个用于衡量和预测去中心化金融网络中协议间信用暴露的时间序列、图形基础模型(据我们所知)。该模型采用图-表格编码器，预训练权重初始化，并配备多个任务特定的头部，在覆盖24,300多个独特代币、602个区块链上、4,300多个协议的4,370万条数据条目上的DeXposure数据集上进行训练。该模型以信用暴露预测为训练目标，预测(1)协议层流量与(2)信用暴露链路的拓扑结构和权重的联合动态。经验验证表明，DeXposure-FM 在两个机器学习基准测试中 consistently 优于最先进的方法，包括图形基础模型和时序图神经网络。DeXposure-FM 进一步产生支持宏观监管和情景式DeFi压力测试的金融经济学工具，通过预测-测量管道实现协议层系统重要性评分、部门层溢出和集中度度量。经验验证充分支持我们的金融经济学工具。该模型和代码已公开可用。模型：https://huggingface.co/EVIEHub/DeXposure-FM。代码：https://github.com/EVIEHub/DeXposure-FM。
引用
@article{arxiv.2602.03981,
title = {DeXposure-FM: A Time-series, Graph Foundation Model for Credit Exposures and Stability on Decentralized Financial Networks},
author = {Aijie Shu and Wenbin Wu and Gbenga Ibikunle and Fengxiang He},
journal= {arXiv preprint arXiv:2602.03981},
year = {2026}
}