Risicoanalyse in DeFi met Machine Learning
Verken hoe machine learning-modellen worden ingezet om patronen en anomalieën in blockchaindata te detecteren. Praktijkgericht en direct toepasbaar.
Over dit webinar
Inhoudelijke toelichting bij het programma en de leerdoelen van deze sessie.
DeFi-protocollen genereren continu data: liquiditeitsposities, leenratio's, prijsorakels, governance-stemmen. Die data bevat signalen over systeemrisico, maar ze zijn zelden gestructureerd op een manier die direct bruikbaar is voor standaard ML-pijplijnen.
Deze webinar behandelt hoe je ruwe DeFi-protocoldata omzet in bruikbare features voor risicomodellen. We kijken naar tijdreeksmodellen voor het voorspellen van liquidatierisico, en naar klassificatiemodellen die onderscheid maken tussen gezonde en kwetsbare liquiditeitsposities.
We werken met data van Aave en Compound, opgehaald via publieke API-endpoints en The Graph. Geen handmatige data-extractie: we laten een reproduceerbare datapijplijn zien die je zelf kunt aanpassen.
De webinar sluit af met een discussie over de grenzen van ML bij het modelleren van protocolrisico. Sommige risico's zijn structureel en worden niet zichtbaar in historische data.
- Doelgroep: kwantitatieve analisten, risicobeheerders, blockchain-onderzoekers
- Vereist: Python, pandas, basiskennis van DeFi-mechanismen
Programma
Een stapsgewijs overzicht van de onderwerpen die aan bod komen tijdens het webinar.
Programma
Fase 1 - Dataverzameling en -voorbereiding
- DeFi-data ophalen via The Graph en REST-API
- Feature engineering voor liquiditeitsposities
- Tijdreeksstructuur en temporele lekkage vermijden
Fase 2 - Modellering van liquidatierisico
- LSTM en gradient boosting vergeleken op Aave-data
- Drempelwaarden kalibreren voor vroege waarschuwing
- Omgaan met plotse marktschokken in trainingsdata
Fase 3 - Monitoring en limieten
- Real-time scoring van posities
- Wat ML niet kan zien: governance-aanvallen, orakelmanipulatie
- Praktische aanbevelingen voor gebruik in productie
Alle code en datasets worden gedeeld via een privé GitHub-repository, toegankelijk voor geregistreerde deelnemers.