双轨行为评分体系设计 [page::0][page::1][page::3]

• 针对Uniswap v3用户，分别构建流动性提供者（LP）与交易者（Swap）行为评分体系。

- 评分遵循行为蓝图，囊括交易频率、持有时间、资产多样性等多个维度，增强评分解释性和针对性。

• 引入池级上下文（TVL、手续费等级等），使评分更具环境适应性和区分力。

深度残差神经网络模型及训练细节 [page::4][page::5]

• 模型采用带跳跃连接的多层残差块，支持深层次特征组合和稳定训练。

- 两阶段架构：第一阶段基于蓝图生成可解释的软标签；第二阶段通过神经网络拟合带噪声的标签，提升泛化能力。

• 采用AdamW优化器训练500轮，确保不泄露钱包信息于训练与验证集。

LP评分模型表现与行为特征关联分析 [page::5][page::6]

| 评分区间 | 平均存入金额（美元） | 平均取出金额（美元） | 平均持有时间（日） | 流动性保留率 | 存入频率（月） | 钱包数量 |
|---------|--------------------|--------------------|-----------------|-----------|--------------|--------|
| [0, 100) – [100, 200) | 185 – 43480 | 1.35K – 69.6K | 1.87 – 36.74 | 0.00 – 0.02 | 27.68 – 1720 | 4298 – 4799 |
| [200, 300) – [300, 400) | 153.53K – 1.55M | 209.41K – 1.66M | 75.95 – 157.72 | 0.04 – 0.08 | 7390 – 3220 | 13781 – 12214 |
| [400, 500) – [900, 1000) | 7.57M – 77.89K | 8.17M – 0.93 | 277.5 – 909.02 | 0.34 – 0.99 | 104.44 – 0.12 | 5451 – 5 |

• 评分越高，用户更倾向长期稳定提供流动性，提现较少且持有时间长，体现出更优质的LP行为。

Swap评分模型表现与行为特征分析 [page::6][page::7]

| 评分区间 | 平均交易额（美元） | 平均持有时间（日） | 平均交易次数 | 平均交互代币数 | 钱包数量 |
|---------|----------------|-----------------|-----------|------------|--------|
| [0, 100) | 4.06K | 1.00 | 1.07 | 2.00 | 5554 |
| [100, 200) | 36.21K | 3.87 | 1.76 | 2.26 | 12859 |
| [200, 300) | 95.30K | 28.79 | 4.18 | 2.63 | 8275 |
| [300, 400) | 277.80K | 43.47 | 9.78 | 2.69 | 4633 |
| [400, 500) | 1.17M | 23.78 | 24.43 | 2.91 | 1895 |
| [500, 600) | 8.63M | 11.90 | 158.63 | 3.19 | 959 |
| [600, 700) | 32.42M | 12.47 | 473.40 | 3.92 | 288 |
| [700, 800) | 82.44M | 8.48 | 1000.44 | 6.88 | 18 |

• 高评分用户交易活跃度高，交易额大，交互代币数量丰富，体现出更复杂和策略性交易行为。

量化评分体系优势与应用 [page::7][page::8]

• 结合可解释蓝图和深度学习模型，兼具透明性与灵活性，避免硬阈值引发的评分不稳定。

- 成果可用于DeFi信用风险定价、奖励分配、治理权重及资本管理等多种链上金融应用。

• 未来可扩展至跨协议评分实现多链、跨应用用户信誉统一度量，增强DeFi生态协同。

金融研究报告详尽解读

报告标题：
《DEEP REPUTATION SCORING IN DEFI: ZSCORE-BASED WALLET RANKING FROM LIQUIDITY AND TRADING SIGNALS》

作者与机构：

• Dhanashekar Kandaswamy（俄亥俄州立大学，美国）

- Ashutosh Sahoo、Akshay SP、Gurukiran S、Girish G N（Zeru Finance，巴拿马）

• Parag Paul（Rig AI，美国）

发布日期与研究主题：
该报告围绕去中心化金融（DeFi）领域，特别聚焦于基于行为的数字钱包评分系统设计，采用Uniswap v3的链上数据进行建模，属于区块链金融数据分析与信用风险评估交叉领域。[page::0,1]

---

一、报告概览与核心观点

本报告提出了一个针对去中心化交易所（DEX）Uniswap v3用户的深度行为评分框架——“zScore”，通过挖掘钱包（Wallet）的深度链上交互行为，对其提供的流动性和交易行为分别打分。报告的核心贡献在于：

• 设计了双轨评分体系，即“流动性提供者（LP）评分”和“交易者（Swap）评分”，分别量化用户在流动性注入稳定性和交易合规性上的表现。

- 创新性地结合了两阶段方法：一是基于可解释规则（行为蓝图/blueprint）的评分初始化，二是通过深度残差神经网络（受U-Net架构启发）对带噪声的初始评分进行监督学习微调，从而提升了模型对行为细节的捕捉能力。

• 引入了基于池（Pool）层面的环境变量如锁定总价值（TVL）、手续费等级和相对池规模，来实现同类行为在不同市场背景下的差异化评分，增强了评分的上下文适应性。

- 框架经过真实Uniswap交易数据验证，显示了评分系统在信用风险评估、奖励设计和用户细分中的潜力。[page::0,1,2,3]

---

二、章节分析与详细解读

1. 引言（Introduction）

报告强调DeFi的去中心化特性带来了身份缺失和用户匿名性，导致传统信用评估机制（依赖身份验证及银行历史等）无效，造成基于链上行为的用户质量评价缺乏有效手段。现有方法主要依靠交易总量或抵押比例，未能反映用户行为的复杂性，且多个模型因采用黑盒式机器学习，缺乏透明度和可解释性，易引发公平性和偏见问题。报告提出针对Uniswap v3，区分流动性提供者与活跃交易者，设计行为规范蓝图（行为特征解构如交易频率、持有时间、提现行为等），兼顾透明度与动态适应性的评分机制。[page::0,1]

2. 相关工作（Related Work）

• 传统与中心化交易所评分集中于平台指标，如信任度、服务费、监管风险预测，但缺乏对个人用户链上行为的深入评估。

- 去中心化环境下，已有如RiskProp等侧重于风险网络传播、Udupi等开发跨协议通用评分，但大多依赖弱标签、粗粒度区分，缺少细致角色区分。

• 报告所提zScore另辟蹊径，结合明确的角色行为蓝图与带噪声的监督学习，避免硬分类，并融入池子上下文信息。

- 领域还有对流动性提供者风险的研究，如impermanent loss（无常损失）及LP策略风险，但缺少针对细粒度个人行为的动态评估。

• 机器学习在信用评分中的透明性、解释性被反复强调，本报告在此背景下作出贡献。[page::1,2,9]

3. 方法论（Methodology）

3.1 行为蓝图设计（Feature Blueprint）

• 设计双平行结构，分别对LP和Swap角色建模，分别从流动性注入量、频率、提现行为、持有时间、账户寿命、LP波动性等维度对LP打分；对交易者则关注交易量、频率、资产多样性、波动风险敞口、路由复杂度和可疑交易行为（如洗盘）的惩罚。

- 采用软量化(soft scoring)，无硬阈值限制，每个特征分配权重，用户需多个维度平衡表现以获得高分，避免极端行为主导。

• 池级环境因素TVL、手续费也综合入评分，确保同样行为在不同规模、风险池内被合理区分。[page::3]

3.2 混合评分架构（Hybrid Architecture）

阶段一：基于蓝图的初始得分

• 根据蓝图规则对每个钱包进行初步函数映射，生成解释性强、可控的软目标分数，且对各分项设最大上限，避免单一维度主导。

阶段二：噪声干预与深度残差网络学习

• 为缓和蓝图规则的刚性，在训练标签中注入高斯噪声，实现平滑的目标空间，提升模型泛化能力。

- 采用基于U-Net启发的深度残差多层感知器（DeepMLPResNet），包含四个残差模块，融合跳跃连接以维持梯度稳定，输入维度1024逐步降至256，再通过两层回归头至标量zScore。

• 各残差块结构内部包含两线性层及SiLU激活、层归一化和dropout，遇维度不匹配使用投影捷径（projection shortcut）确保合并。

- 训练细节包括使用AdamW优化器（学习率5e-4，权重衰减1e-4）、500轮训练，采用MSE损失和早停，训练数据确保账户无法跨训练/验证集合泄露。所有输入特征进行z-score标准化。[page::4,5]

4. 结果与分析（Results and Findings）

4.1 流动性提供者评分效果

• 图2左图展示验证集预测得分和蓝图真实得分高度相关，绝大多数点分布在理想对角线±50分区间（容忍自然行为变异），模型表现强劲。

- 右图残差分布呈中心峰态，近零误差集中，表明模型拟合蓝图规则精准且不过拟合随机噪声。

• 这些结果体现模型成功捕获LP复杂行为且能在新钱包上泛化。[page::5]

4.2 交易者评分效果

• 图3展示Swap行为分数类似效果，90%以上预测分落在目标±50窗口，残差分布也紧凑中心聚集。

- 说明模型同样能捕捉多维度交易行为信号，体现交易多样性和风险敞口的细节。[page::6]

4.3 行为得分与特征关联分析

• LP评分区间内，随着得分提升，平均存入量和持有时长显著增加，提现减少，流动性留存比例提高，资金管理表现更稳定和长线。

- 观察到用户在中段区间集中，且高分用户行为更加均衡、规范。

• 交易评分区间内，高分用户表现出更活跃的交易额、更频繁的交易和更丰富的资产池覆盖，体现策略深度和交易动机强烈。

- 低分用户交易稀疏、资产少，表现为初探和试验性参与。

• 该分析反映评分本质能区分行为强度和策略纪律性，验证模型有效地将行为差异转化为分数排序。

- 报告特别剔除了仅有一次交易且交易额极小的“Dusk”钱包，增强训练和评估的行为代表性和稳健性。[page::6,7]

---

三、图表深度解读

图1：模型架构示意图（页4）

• 描述：展示基于残差神经网络结构，输入特征经1024维投影后，经过4个带跳跃连接的残差块，维度分别降至512、256，最终通过两层线性映射生成标量评分zScore。

- 解读：此架构借助残差学习保持训练稳定，跳跃连接缓解深层网络梯度消失问题，实现高表达力和可训练性。设计保留了输入特征相关信息并逐步提取高级组合特征，符合行为评分对多变量复杂相互作用建模需求。

• 支持论点：图中结构体现了报告提出的兼顾复杂性与解释性的深度学习方法核心，验证蓝图评分与模型拟合之间的桥梁。[page::4]

---

图2：LP评分预测与残差分布（页5）

• 描述：（左）预测得分与蓝图真实得分的散点图，红色虚线为理想拟合线，绿色带为±50容差区间；（右）残差频数柱状图，显示预测误差分布。

- 解读：大部分点紧贴理想线，分布均衡无明显系统偏差；残差分布中心尖锐，偏态轻微，表明模型训练稳定且无过拟合杂乱误差。

• 说明两者高度一致性，模型通过学习蓝图规则并进行细颗粒度拟合，对未见钱包同样有效。

- 该图实证了模型对LP行为评分的准确性和泛化能力。[page::5]



---

图3：Swap评分预测与残差分布（页6）

• 描述：与图2相似布局，（左）预测值与真实值对比，（右）残差频数。

- 解读：同样展现出强相关性和误差分布集中趋势，支持模型对交易相关行为特征学习的有效性。

• 该图确认两阶段建模法成功迁移至Swap角色评分，能捕捉交易频率、资产覆盖等多层面行为多样性。

- 通过实证数据强化作者论点——模型在不同用户类型中均表现稳健。[page::6]



---

表1：LP评分分段行为特征统计（页6）

• 描述：统计不同LP评分区间内，平均存入及提现金额（美元）、持有时间（天）、留存流动性比例及月均存入频率，随分数升高数据变化明显，用户数量分布给出群体规模。

- 解读：
- 高分区间群体展现大幅增加的持仓时间（如最高区间909天）和留存率（最高近1），提现比明显下降。
- 表明评分反映稳定且长期资本投入的行为特征。
- 存款、提现金额变动复杂，反映大资本活跃者多集中高分区。
- 用户个数呈钟形分布，中间分数段人数最多，符合实际中位参与者集中趋势。

• 支持作者声称评分有效区分流动性贡献的稳定性和战略深度。[page::6]

---

表2：Swap评分分段行为特征统计（页7）

• 描述：不同Swap评分区间内，平均交易额（美元）、平均持币时间（天）、总交易次数、总交易资产种类数及用户数量统计。

- 解读：
- 随着评分提升，交易量呈指数增长（从4千美元到上亿区间），交易频率和资产多样性显著提升，反映更广泛多样的交易策略和更高活跃度。
- 持币时间波动较大，但高分群体交易量和频次碾压低分群体，表明评分准确映射交易强度和策略深度。
- 资产种类数从2大幅增至6.88，反映跨池跨资产交易的复杂性。

• 这些趋势验证了评分体系能够捕获交易行为的广度与深度差异。

- 作者排除非常低活跃度帐户确保统计结果真实性。 [page::7]

---

四、估值与评分方法解析

报告并非传统的财务估值分析，而是提出了基于行为数据建模的风险评分方法。核心估值方法为：

• 行为蓝图（Blueprint）规则模型

- 将行为特征量化分解为多个指标，赋予权重并聚合得分。
- 该蓝图被看作一种柔性、无硬边界的规则基础，为后续机器学习提供初步解释性目标。

• 深度残差神经网络（DeepMLPResNet）

- 结合噪声注入，避免规则边界刚性，提升泛化能力。
- 通过残差连接和层归一化确保深层网络训练稳定，捕获跨特征复杂交互。
- 模型输出连续性的“zScore”，既保留了规则的透明性，又拥有深度模型的表达力。

• 池级上下文指标（TVL、手续费等级）作为模型输入或评分调节因子，保证评分在不同环境中具备区分力。

总体评分方法结合了规则基与深度学习的优势，为去中心化环境中缺乏身份与信用数据的用户行为赋能，实现更细粒度、动态适应的信用风险评估。[page::3,4,5]

---

五、风险因素及挑战

报告指出目前DeFi评分体系面临主要挑战包括：

• 身份信息缺失导致传统信用评分方法不适用，评分完全依赖链上可观测行为。

- 规则方法的硬性边界导致评分刚性且对行为微变敏感，需要采用噪声缓解。

• 用户行为异质性和环境动态性要求模型具备良好的适应性和环境上下文意识。

- 公平性与透明度问题，黑盒模型或完全数据驱动方法难以被社区接受和信任，强调应平衡模型表现与解释能力。

• 数据偏倚风险，如将缺乏动作的“Dusk”用户纳入会影响评分的代表性和判别力。

该框架通过结合规则蓝图与深度学习、池子上下文信息尝试缓解上述风险，促进更公平、动态和可解释的评分方案。[page::1,2,3,7]

---

六、批判性视角与细节考察

• 报告体现出强烈的设计理念平衡，即追求评分的透明性和机器学习模型的复杂表达能力，避免传统黑盒模型不透明弊端，这在DeFi信任体系塑造中非常必要。

- 鼓励蓝图结构根据领域专长设定权重，体现了对金融业务理解的尊重，但蓝图设计的权重分配是否会引入设计者偏见，未在报告中详细讨论。

• 噪声注入策略提升了模型平滑性，但未展示不同噪声水平对结果敏感性的对比，评估噪声可能带来的评分波动风险是后续可关注点。

- 模型训练和验证过程保持钱包级独立，防止数据泄露，加大了结果的可信度。

• 实验数据来自Uniswap v3，关注范围较窄，虽然未来工作提及跨协议评分扩展，但当前框架的跨协议适用性还未验证。

- 报告未详述模型在极端市场波动或异常行为上的鲁棒性，DeFi市场频繁爆发黑天鹅事件，评分对这些事件的反应能力需要后续研究。

• 表格中部分数据存在极端跳跃（如存取款金额千倍增长），未展开详细讨论，这部分背后的经济行为逻辑或数据分布特性尚待补充解释。[page::6,7,8]

---

七、总结与综合评价

本报告围绕去中心化交易所Uniswap v3，首次提出了基于行为蓝图与深度残差网络相结合的“双角色”钱包评分体系——zScore，成功实现了以下几点：

• 跨越传统身份缺失限制，利用链上真实交易行为数据构建区分度高的行为评分体系。

- 通过分角色设计，分别捕获流动性提供者与交易者之间不同的行为属性，满足多样化的信用风险评估需求。

• 引入噪声注入与残差神经网络，增强了评分的平滑性与泛化能力，避免了规则方法的边界刚性。

- 结合池级上下文变量，实现了评分的市场环境感知，不同规模与风险池中的类似行为得到差异化处理。

• 验证结果显示模型预测与蓝图评分高度一致，预测误差集中且分布合理，行为特征随评分递增展现明确梯度，体现评分含义清晰且行为敏感。

- 排除非典型低活跃账户，确保评分反映关键行为特征，使得评分在真实DeFi用户分析中具有较强指示意义。

• 报告提出基于zScore的更多应用前景，包括跨协议评分、信用风险建模、资金激励设计等，展示了zScore的良好扩展潜力。

此外，通过图表和表格的解读进一步确认了评分系统在用户行为细节刻画和策略分层上的有效性，为DeFi领域提供了一套兼具可解释性与实际应用价值的创新评分工具。[page::0~8]

---

结语

此次报告通过清晰的结构与严密的数据分析，提出了一种创新且务实的DeFi用户行为评分体系，对去中心化金融生态中的信用评估、风险管理和激励机制建设具有重要意义。其结合领域知识和深度学习相辅相成的设计理念，为未来区块链用户画像与信誉体系的建设提供了有力参考和坚实基础。

---

（本解读所有结论均基于报告正文内容，引用页码详见对应段落文本标注）

报告