DeFi のイベント認識型予測への道：チェーン上で動作する自動価格形成プロトコルから得られる洞察

arXiv:2604.20374v1 Announce Type: new 要旨: 分散型金融（DeFi）の中核インフラである自動価格形成（AMM）は、決定論的な保有率比率機構を通じてチェーン上の資産価格をユニークにドライブします。従来の市場とは異なり、AMM の価格ダイナミクスはオフチェーン情報の連続的対応ではなく、チェーン上のイベント（例：スワップ）によって保有率比率が変化し引き起こされます。これにより、価格形成メカニズムを理解するにはイベントレベルの分析が不可欠ですが、既存の研究は AMM レベルのマイクロ構造ダイナミクスを一般的に無視しており、複数のプロトコルを細粒度のイベント分類と効果的なイベント認識型モデルのフレームワークの両方を含む包括的なデータセットを欠如させています。このギャップを埋めるために、Pendle、Uniswap v3、Aave、および Morpho の 4 つの代表的な AMM プロトコルから 890 万件のチェーン上イベントレコードを含むデータセットを作成し、取引タイプとブロック高さのタイムスタンプを正確にアノテーションしました。さらに、均質な分散性を不確実性と重み付けすることで、従来の時点過程（TPP）目的関数にブロック間隔回帰項を統合する不確実性情重平均二乗誤差（UWM）損失関数を提案しました。8 つの高度な TPP アーキテクチャに及んだ大規模な実験では、この損失関数はイベントタイプ予測の精度を維持したまま、時間の予測誤差を平均 56.41% 削減することを示しました。これは AMM エコシステムにおけるイベント認識型予測のための堅牢なベンチマークを確立しました。本研究は、チェーン上の価格発見の不連続性とイベント駆動的特性をモデル化するための必要なデータ基礎と方法論的枠組みを提供します。すべてのデータセットとソースコードは公開されています。https://github.com/yosen-king/Deep-AMM-Events

arXiv:2604.20374v1 Announce Type: new Abstract: Automated Market Makers (AMMs), as a core infrastructure of decentralized finance (DeFi), uniquely drive on-chain asset pricing through a deterministic reserve ratio mechanism. Unlike traditional markets, AMM price dynamics is triggered largely by on-chain events (e.g., swap) that change the reserve ratio, rather than by continuous responses to off-chain information. This makes event-level analysis crucial for understanding price formation mechanisms in AMMs. However, existing research generally neglects the micro-structural dynamics at the AMMs level, lacking both a comprehensive dataset covering multiple protocols with fine-grained event classification and an effective framework for event-aware modeling. To fill this gap, we construct a dataset containing 8.9 million on-chain event records from four representative AMMs protocols: Pendle, Uniswap v3, Aave and Morpho, with precise annotations of transaction type and block height timestamps. Furthermore, we propose an Uncertainty Weighted Mean Squared Error (UWM) loss function, which incorporates the block interval regression term into the traditional Time-Point Process (TPP) objective function by weighting the uncertainty with homoscedasticity. Extensive experiments on eight advanced TPP architectures demonstrate that this loss function reduces the time prediction error by an average of 56.41\% while maintaining the accuracy of event type prediction, establishing a robust benchmark for event-aware prediction in the AMMs ecosystem. This work provides the necessary data foundation and methodological framework for modeling the discreteness and event-driven characteristics of on-chain price discovery. All datasets and source code are publicly available. https://github.com/yosen-king/Deep-AMM-Events