Towards Event-Aware Forecasting in DeFi: Insights from On-chain Automated Market Maker Protocols

📄 arXiv: 2604.20374v1 📥 PDF

作者: Huaiyu Jia, Jiehshun You, Yizhi Luo, Jingyu Liu, Shuo Sun

分类: cs.LG

发布日期: 2026-04-22

🔗 代码/项目: GITHUB

💡 一句话要点

提出UWM损失函数，提升DeFi中AMM事件驱动预测的准确性和时序性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 去中心化金融 自动做市商 事件驱动预测 时间点过程 链上数据

📋 核心要点

  1. 现有方法忽略了AMM的微观结构动态，缺乏包含多协议和细粒度事件分类的综合数据集，以及有效的事件感知建模框架。
  2. 论文提出了一种不确定性加权均方误差(UWM)损失函数，将区块间隔回归项融入到时间点过程(TPP)目标函数中，从而提升预测精度。
  3. 实验结果表明，UWM损失函数在保持事件类型预测准确性的前提下，平均降低了56.41%的时间预测误差。

📝 摘要（中文）

本文针对去中心化金融(DeFi)中自动做市商(AMM)的事件驱动定价机制，构建了一个包含Pendle、Uniswap v3、Aave和Morpho四个代表性协议的细粒度事件数据集，共计890万条链上事件记录，并精确标注了交易类型和区块高度时间戳。针对现有研究忽略AMM微观结构动态的不足，提出了一种不确定性加权均方误差(UWM)损失函数，通过同方差性对不确定性进行加权，将区块间隔回归项融入到传统的时间点过程(TPP)目标函数中。在八种先进的TPP架构上进行的大量实验表明，该损失函数在保持事件类型预测准确性的同时，平均降低了56.41%的时间预测误差，为AMM生态系统中的事件感知预测建立了一个可靠的基准。该工作为建模链上价格发现的离散性和事件驱动特性提供了必要的数据基础和方法框架。所有数据集和源代码均已公开。

🔬 方法详解

问题定义：论文旨在解决DeFi中AMM的价格预测问题，现有方法主要关注传统市场，忽略了AMM独特的事件驱动特性和链上微观结构动态。现有方法缺乏细粒度的事件数据和有效的事件感知建模框架，导致预测精度不高，尤其是在时间预测方面存在较大误差。

核心思路：论文的核心思路是利用链上事件的离散性和事件驱动特性，通过构建细粒度的事件数据集，并设计一种新的损失函数，将事件类型预测和时间预测结合起来，从而更准确地预测AMM的价格变动。核心在于将区块间隔信息融入到时间点过程模型中，提升时间预测的准确性。

技术框架：整体框架包括数据收集与标注、模型构建和实验评估三个主要阶段。首先，从四个代表性的AMM协议中收集链上事件数据，并进行细粒度的标注，包括交易类型和区块高度时间戳。然后，基于时间点过程(TPP)模型，构建事件预测模型，并使用提出的UWM损失函数进行训练。最后，在多个TPP架构上进行实验，评估模型的性能。

关键创新：最重要的技术创新点在于提出了UWM损失函数，该函数通过同方差性对不确定性进行加权，将区块间隔回归项融入到传统的时间点过程(TPP)目标函数中。这种方法能够更有效地利用链上事件的时间信息，从而提升时间预测的准确性。与现有方法相比，UWM损失函数能够更好地捕捉AMM的事件驱动特性。

关键设计：UWM损失函数的关键设计在于将时间预测的不确定性纳入考虑，并使用同方差性进行加权。具体来说，损失函数包含两部分：事件类型预测的交叉熵损失和时间预测的均方误差损失。时间预测的均方误差损失通过一个权重系数进行调整，该权重系数基于区块间隔的方差进行计算，从而实现不确定性加权。此外，论文还在八种先进的TPP架构上进行了实验，以验证UWM损失函数的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的UWM损失函数在八种先进的TPP架构上，平均降低了56.41%的时间预测误差，同时保持了事件类型预测的准确性。这表明UWM损失函数能够有效地提升AMM事件驱动预测的性能，为DeFi领域的价格预测提供了一个新的基准。

🎯 应用场景

该研究成果可应用于DeFi领域的风险管理、交易策略优化和流动性提供等方面。通过更准确地预测AMM的价格变动，可以帮助用户更好地评估投资风险，制定更有效的交易策略，并优化流动性提供方案，从而提高DeFi市场的效率和稳定性。

📄 摘要（原文）

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