Deep Reputation Scoring in DeFi: zScore-Based Wallet Ranking from Liquidity and Trading Signals
Dhanashekar Kandaswamy, Ashutosh Sahoo, Akshay SP, Gurukiran S, Parag Paul, Girish G N
随着去中心化金融(DeFi)的发展,区分用户行为 - 流动性配置与主动交易 - 已成为风险建模和链上声誉的关键。 我们为Uniswap提出了一个行为评分框架,该框架分配了两个互补的分数:评估战略流动性贡献的流动性提供分数,以及反映交易意图,波动性敞口和纪律的交换行为评分。 分数使用基于规则的蓝图构建,将行为分解为体积,频率,保持时间和退出模式。 为了处理边缘案例并学习特征交互,我们引入了一个深度残余神经网络,其中包含受U-Net架构启发的密集连接跳过块。 我们还集成了池级上下文,如总价值锁定(TVL),费用层和池大小,使系统能够区分具有不同特征的池中的类似用户行为。 我们的框架可实现上下文感知和可扩展的 DeFi 用户评分,支持改进的风险评估和激励设计。 Uniswap v3数据的实验显示了它对用户分割和协议一致的声誉系统的有用性。 虽然我们将我们的度量称为zScore,但它与Udupi等人提出的跨协议系统在方法上不同。 我们的重点是Uniswap使用蓝图逻辑和监督学习中的角色特定行为建模。
As decentralized finance (DeFi) evolves, distinguishing between user behaviors - liquidity provision versus active trading - has become vital for risk modeling and on-chain reputation. We propose a behavioral scoring framework for Uniswap that assigns two complementary scores: a Liquidity Provision Score that assesses strategic liquidity contributions, and a Swap Behavior Score that reflects trading intent, volatility exposure, and discipline. The scores are constructed using rule-based blueprin...