DeXposure FM 탈중앙화 금융 네트워크 신용 노출 예측을 위한 시계열 그래프 기반 파운데이션 모델

초록

DeXposure‑FM은 4,300여 개 프로토콜, 602개 블록체인, 24,300여 토큰을 아우르는 4천3백만 건 이상의 시계열 데이터를 활용해, DeFi 생태계의 신용 노출을 그래프‑탭ular 인코더와 다중 헤드 구조로 동시에 예측하는 최초의 파운데이션 모델이다. 엣지 존재·가중치와 프로토콜 수준 TVL 변화를 공동 학습함으로써, 시스템 중요도, 섹터 스필오버, 집중도 등 거시안정성 지표를 실시간으로 제공한다. 베이스라인 그래프 신경망 및 기존 시계열 모델을 크게 능가하는 성능을 보이며, 오픈소스로 공개돼 재현성과 확장이 용이하다.

상세 분석

본 논문은 DeFi 생태계에서 토큰 기반의 암묵적 신용 노출을 정량화하고 예측하기 위해, 시계열과 그래프 구조를 동시에 처리할 수 있는 파운데이션 모델 아키텍처를 제안한다. 핵심은 GraphPFN 기반의 그래프‑탭ular 인코더로, 토큰 보유량, TVL, 체인 간 브리지 흐름 등 정형·비정형 데이터를 하나의 고차원 표현으로 압축한다. 사전 학습된 가중치를 초기화함으로써 대규모 데이터(43.7 M 엔트리)에서 빠르게 수렴하고, 다중 작업 헤드가 엣지 존재(이진 분류), 엣지 가중치(회귀), 노드 TVL 변화(다중 단계 예측)를 동시에 학습한다. 학습 과정에서는 시간 기반 워크포워드 스플릿, 조기 종료, 그래디언트 클리핑 등을 적용해 비정상성(비정상적 변동, 구조적 변동)에도 강건성을 확보한다.

성능 평가에서는 두 가지 벤치마크를 설계하였다. 첫 번째는 다단계 엣지 수준 노출과 네트워크 통계(밀도, 집중도, 섹터 연결성) 예측이며, 두 번째는 예측된 그래프를 기반으로 스트레스 테스트를 수행해 실제 충격 시 손실을 재현하는 ‘예측‑대‑실제’ 시나리오이다. 비교 대상은 Graph‑PFN, ROLAND(시간 그래프 신경망), 그리고 현재값을 그대로 사용하는 퍼시스턴스 베이스라인이다. DeXposure‑FM은 모든 지표에서 평균 12 %~23 % 이상의 개선을 보였으며, 특히 엣지 가중치 예측에서 높은 R²와 낮은 MAE를 기록했다.

또한 모델 출력물을 활용해 프로토콜 수준 시스템 중요도 점수, 섹터별 스필오버 경로, 집중도 변동을 실시간으로 측정하는 금융경제 도구 파이프라인을 구축하였다. 이 파이프라인은 예측된 그래프를 입력으로, 네트워크 중심성, 페이지랭크, 베타‑분산 등 전통적인 시스템 위험 지표를 계산하고, 이를 시나리오 기반 스트레스 테스트와 연계한다. 실험 결과, 모델 기반 지표가 실제 시장 충격(예: 스테이블코인 급락) 시 발생한 손실을 85 % 이상 설명함을 확인했다.

마지막으로 논문은 모델과 데이터, 코드의 완전 공개를 강조한다. HuggingFace에 호스팅된 모델 가중치와 GitHub에 공개된 파이프라인은 연구 재현성을 높이며, 커뮤니티 기반 확장과 정기적인 재학습을 통해 데이터 드리프트를 관리할 수 있는 기반을 제공한다. 향후 연구 로드맵으로는 데이터 풀 확대, TVL 외의 파생 지표 통합, 지속적인 모델 드리프트 모니터링, 아키텍처 혁신, 오픈소스 커뮤니티 활성화 등을 제시한다.