論文の概要: DeXposure: A Dataset and Benchmarks for Inter-protocol Credit Exposure in Decentralized Financial Networks

• arxiv url: http://arxiv.org/abs/2511.22314v1
• Date: Thu, 27 Nov 2025 10:44:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.518978
• Title: DeXposure: A Dataset and Benchmarks for Inter-protocol Credit Exposure in Decentralized Financial Networks
• Title（参考訳）: DeXposure: 分散型金融ネットワークにおけるプロトコール間信用公開のためのデータセットとベンチマーク
• Authors: Wenbin Wu, Kejiang Qian, Alexis Lui, Christopher Jack, Yue Wu, Peter McBurney, Fengxiang He, Bryan Zhang,
• Abstract要約: DeXposureデータセットは、分散型金融ネットワークにおいて、プロトコール間クレジット露光のための最初の大規模データセットである。 2020年から2025年までの全世界で4370万のプロトコル、602のブロックチェーン、243万のトークンをカバーしている。 DeXposureデータセットとコードが公開された。
• 参考スコア（独自算出の注目度）: 21.810918962434712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We curate the DeXposure dataset, the first large-scale dataset for inter-protocol credit exposure in decentralized financial networks, covering global markets of 43.7 million entries across 4.3 thousand protocols, 602 blockchains, and 24.3 thousand tokens, from 2020 to 2025. A new measure, value-linked credit exposure between protocols, is defined as the inferred financial dependency relationships derived from changes in Total Value Locked (TVL). We develop a token-to-protocol model using DefiLlama metadata to infer inter-protocol credit exposure from the token's stock dynamics, as reported by the protocols. Based on the curated dataset, we develop three benchmarks for machine learning research with financial applications: (1) graph clustering for global network measurement, tracking the structural evolution of credit exposure networks, (2) vector autoregression for sector-level credit exposure dynamics during major shocks (Terra and FTX), and (3) temporal graph neural networks for dynamic link prediction on temporal graphs. From the analysis, we observe (1) a rapid growth of network volume, (2) a trend of concentration to key protocols, (3) a decline of network density (the ratio of actual connections to possible connections), and (4) distinct shock propagation across sectors, such as lending platforms, trading exchanges, and asset management protocols. The DeXposure dataset and code have been released publicly. We envision they will help with research and practice in machine learning as well as financial risk monitoring, policy analysis, DeFi market modeling, amongst others. The dataset also contributes to machine learning research by offering benchmarks for graph clustering, vector autoregression, and temporal graph analysis.
• Abstract（参考訳）: DeXposureデータセットは、2020年から2025年までの4.3万のプロトコル、602のブロックチェーン、24.3万のトークンを対象とする、分散型金融ネットワークにおけるプロトコール間信用公開のための最初の大規模データセットである。 プロトコル間でのバリューリンク・クレジット・エクスポージャーという新たな尺度は、トータル・バリュー・ロックド(TVL)の変化から導かれる金融依存関係の推論として定義される。 トークンのストックダイナミクスからトークン間信用露出を推定するために,DefiLlamaメタデータを用いたトークン・ツー・プロトコル・モデルを開発した。 1)グローバルネットワーク計測のためのグラフクラスタリング,クレジット露出ネットワークの構造的進化の追跡,(2)大きなショック(Terra,FTX)中のセクターレベルの信用露出ダイナミクスのためのベクトルオートレグレス,(3)時間グラフ上の動的リンク予測のための時間グラフニューラルネットワーク。 本分析から,(1)ネットワークボリュームの急激な増加,(2)キープロトコルへの集中傾向,(3)ネットワーク密度の低下,(4)貸付プラットフォーム,取引所,資産管理プロトコルといったセクター間でのショック伝播を観察した。 DeXposureデータセットとコードが公開された。 私たちは、金融リスク監視、ポリシー分析、DeFiマーケットモデリングなどと同様に、機械学習の研究と実践を支援することを期待しています。 このデータセットは、グラフクラスタリング、ベクトル自動回帰、時間グラフ分析のベンチマークを提供することで、機械学習の研究にも貢献する。

関連論文リスト

• Prediction of Bank Credit Ratings using Heterogeneous Topological Graph Neural Networks [2.7613060052810914]
  本研究は、持続的ホモロジーを利用して、銀行間の関係を捉えるネットワークを構築し、これを従来の貸与ネットワークと組み合わせ、異種ネットワークを構築する。 グローバルな実世界のデータセットの実験は、HTGNNの有効性を検証する。 本研究は、積極的なリスク軽減と効果的な市場介入の実施を促進するために、投資家や規制機関に影響を及ぼす。
  論文  参考訳（メタデータ） (2025-05-17T13:49:25Z)
• A Multisource Fusion Framework for Cryptocurrency Price Movement Prediction [5.252967226385235]
  本研究では,X(旧Twitter)から得られた定性的な感情信号と,歴史的価格や技術的指標などの定量的な財務指標を統合するマルチソース融合フレームワークを提案する。 大規模なBitcoinデータセットの実験結果は、提案手法がシングルソースモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-09-27T16:32:57Z)
• AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
  我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。 次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
  論文  参考訳（メタデータ） (2024-03-19T09:45:33Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Company-as-Tribe: Company Financial Risk Assessment on Tribe-Style Graph with Hierarchical Graph Neural Networks [62.94317686301643]
  企業の金融リスクはユビキタスであり、上場企業に対する早期のリスク評価は、かなりの損失を避けることができる。 従来の手法は主に企業の財務諸表に重点を置いており、企業間の複雑な関係は欠如している。 比較学習を用いて部族の構造パターンを符号化する階層型グラフニューラルネット(TH-GNN)と、トライブ間の関係に基づいて情報を拡散する第2の階層型グラフニューラルネット(TH-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-01-31T09:17:13Z)
• Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy [2.347843817145202]
  この研究は、新しいディープニューラルネットワークアーキテクチャと、それらをモデルに供給する前に、財務データをどのように準備するかという新しいアイデアを紹介する。 この手法を評価するために3つの異なるデータセットが使用され、その結果、このフレームワークが有益でロバストな予測を私たちに提供できることが示されている。
  論文  参考訳（メタデータ） (2022-05-11T20:44:08Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Deep Graph Convolutional Reinforcement Learning for Financial Portfolio Management -- DeepPocket [6.85316573653194]
  ポートフォリオマネジメントは、ポートフォリオを構成する資産を継続的に再配置することにより、リスクを最小限に抑えながら投資収益の最大化を目指します。 金融商品間の時間変動関係を活用し,deeppocketと呼ばれるグラフ畳み込み強化学習フレームワークを提案する。 DeepPocketは3つの異なる投資期間で5つの実生活データセットに対して評価される。
  論文  参考訳（メタデータ） (2021-05-06T15:07:36Z)
• Predicting S&P500 Index direction with Transfer Learning and a Causal Graph as main Input [0.0]
  本稿では,金融市場ダイナミクスの複雑かつ不確実な因果過程を表現するために,統合型マルチタスクフレームワークを提案する。 次に、S&P500指数の月次方向に適用した任意の種類の指標の移動を予測する。
  論文  参考訳（メタデータ） (2020-11-26T03:45:51Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。