論文の概要: From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention
- arxiv url: http://arxiv.org/abs/2604.14583v1
- Date: Thu, 16 Apr 2026 03:22:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.707076
- Title: From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention
- Title（参考訳）: リスクから救助へ:清算防止のためのエージェント生存分析フレームワーク
- Authors: Fernando Spadea, Oshani Seneviratne,
- Abstract要約: 本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。
我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
- 参考スコア（独自算出の注目度）: 46.90931293070464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decentralized Finance (DeFi) lending protocols like Aave v3 rely on over-collateralization to secure loans, yet users frequently face liquidation due to volatile market conditions. Existing risk management tools utilize static health-factor thresholds, which are reactive and fail to distinguish between administrative "dust" cleanup and genuine insolvency. In this work, we propose an autonomous agent that leverages time-to-event (survival) analysis and moves beyond prediction to execution. Unlike passive risk signals, this agent perceives risk, simulates counterfactual futures, and executes protocol-faithful interventions to proactively prevent liquidations. We introduce a return period metric derived from a numerically stable XGBoost Cox proportional hazards model to normalize risk across transaction types, coupled with a volatility-adjusted trend score to filter transient market noise. To select optimal interventions, we implement a counterfactual optimization loop that simulates potential user actions to find the minimum capital required to mitigate risk. We validate our approach using a high-fidelity, protocol-faithful Aave v3 simulator on a cohort of 4,882 high-risk user profiles. The results demonstrate the agent's ability to prevent liquidations in imminent-risk scenarios where static rules fail, effectively "saving the unsavable" while maintaining a zero worsening rate, providing a critical safety guarantee often missing in autonomous financial agents. Furthermore, the system successfully differentiates between actionable financial risks and negligible dust events, optimizing capital efficiency where static rules fail.
- Abstract（参考訳）: Aave v3のような分散ファイナンス(DeFi)融資プロトコルは、ローンを確保するために過度にコラディショゼーションに依存しているが、ユーザは不安定な市場条件のためにしばしば清算される。
既存のリスク管理ツールでは、静的なヘルスファクターしきい値を使用しており、これはリアクティブであり、管理上の"ダスト"クリーンアップと真に不整合を区別することができない。
本研究では,時間-時間(生存時間)分析を活用する自律エージェントを提案する。
受動的リスク信号とは異なり、このエージェントはリスクを認識し、対実的な未来をシミュレートし、積極的に清算を防ぐためにプロトコルに忠実な介入を実行する。
本稿では,XGBoost Cox比例ハザードモデルから導かれるリターン期間メトリクスを導入し,トランザクションタイプ間のリスクを正規化し,ボラティリティ調整されたトレンドスコアと組み合わせてマーケットノイズを過渡的に除去する手法を提案する。
最適な介入を選択するために,潜在的なユーザアクションをシミュレートし,リスクを軽減するのに必要な最小限の資本を求める反ファクト最適化ループを実装した。
我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
その結果、静的なルールが失敗する差し迫ったリスクのシナリオにおいて、エージェントが清算を防ぎ、事実上「救えない状態」を保ちながら、悪化率をゼロに保ち、自律的な金融業者にしばしば欠落する重大な安全保証を提供する能力を示した。
さらに,静的なルールが失敗する場合の資本効率を最適化し,行動可能な金融リスクと無視可能なダストイベントの区別に成功している。
関連論文リスト
- Quantifying Trust: Financial Risk Management for Trustworthy AI Agents [27.23487816533652]
AIを利用したトランザクションの決済標準であるARSを導入する。
ARSはリスクアセスメント、引受け、補償を単一のトランザクションフレームワークに統合する。
ARSは、モデル行動に関する暗黙の期待から、明示的で測定可能な、強制可能な製品保証へと、信頼をシフトします。
論文 参考訳（メタデータ） (2026-04-05T05:42:20Z) - Risk-Adjusted Harm Scoring for Automated Red Teaming for LLMs in Financial Services [0.0]
本稿では,銀行,金融サービス,保険のセキュリティ障害に対するリスク対応評価フレームワークを提案する。
我々は、金融害のドメイン固有の分類法、自動化されたマルチラウンド赤チームパイプライン、およびアンサンブルに基づく判断プロトコルを組み合わせる。
論文 参考訳（メタデータ） (2026-03-11T14:14:13Z) - Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。
我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。
我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
論文 参考訳（メタデータ） (2026-02-03T18:17:22Z) - Autonomous AI Agents for Option Hedging: Enhancing Financial Stability through Shortfall Aware Reinforcement Learning [7.793044742733676]
2つの強化学習フレームワークを導入し、短命確率を優先順位付けし、学習目標を下位の敏感なヘッジと整合させる。
我々は,実現された経路デルタヘッジ結果分布,ショートフォール確率,予測ショートフォールなどのテールリスク尺度を用いたモデルの評価を行った。
この摩擦を意識したRLフレームワークは、AI強化トレーディングシステムスケールとして、自律デリバティブのリスク管理に対する実践的なアプローチをサポートする。
論文 参考訳（メタデータ） (2026-02-01T18:36:27Z) - Stablecoin Design with Adversarial-Robust Multi-Agent Systems via Trust-Weighted Signal Aggregation [5.151910664667141]
本稿では,リスク状態推定のための新しいストレスハーネスを組み込んだ,信頼度の高い平均変動フロンティアリザーブコントローラMVF-Composerを提案する。
私たちの重要な洞察は、マルチエージェントシミュレーションを敵のストレステスターとしてデプロイし、オンチェーンが現れる前に予備的な脆弱性を露呈することです。
ブラックスワンを注入した1200のランダム化シナリオで、MVF-Composerはピークペグの偏差を57%減らし、SASベースラインに対して平均回復時間を3.1倍減らした。
論文 参考訳（メタデータ） (2026-01-18T14:21:25Z) - Constrained Language Model Policy Optimization via Risk-aware Stepwise Alignment [49.2305683068875]
本稿では,リスク認識を政策最適化プロセスに組み込んだ新しいアライメント手法であるリスク対応ステップワイドアライメント(RSA)を提案する。
RSAは、過剰なモデルシフトによって引き起こされるリスクを基準方針から緩和し、低確率で高影響の有害な振る舞いを明示的に抑制する。
実験により, 本手法は高い安全性を確保しつつ, 高い安全性を達成できることが確認された。
論文 参考訳（メタデータ） (2025-12-30T14:38:02Z) - Safety Margins for Reinforcement Learning [53.10194953873209]
安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。
Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
論文 参考訳（メタデータ） (2023-07-25T16:49:54Z) - Just-In-Time Learning for Operational Risk Assessment in Power Grids [12.939739997360016]
再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。
本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。
JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
論文 参考訳（メタデータ） (2022-09-26T15:11:27Z) - Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。
特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。
迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文 参考訳（メタデータ） (2022-05-10T19:40:52Z)
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。