Autor: GRANDE TOLEDANO, María del Mar
Título: Modeling and Anticipating Trend Dynamics in Decentralized Finance through the Lens of Complexity and Machine Learning
Fecha: 2025
Materia: ---
Escuela: E.T.S. DE INGENIERÍA AGRONÓMICA, ALIMENTARIA Y DE BIOSISTEMAS
Departamento: INGENIERIA AGROFORESTAL
Acceso electrónico: https://oa.upm.es/92218/
Director/a(s):
- Director/a: BORONDO BENITO, Javier
- Director/a: LOSADA GONZÁLEZ, Juan Carlos
Resumen: The rise of Decentralized Finance (DeFi), enabled by blockchain technology, has introduced open and transparent financial ecosystems that contrast sharply with traditional financial systems. While DeFi expands the financial landscape and democratizes participation in global markets, it also introduces new complexities. Classic valuation models used in traditional finance often fall short in this context. However, DeFis transparency---where all transactions are publicly recorded---offers a unique opportunity to model and understand market behavior using modern analytical tools. Motivated by the challenges and opportunities of DeFi, the main goal of this thesis is to propose novel methods to understand market dynamics through the lens of network science and machine learning. To this end, we focus on four specific objectives: (i) assess whether structural information from blockchain transaction networks provides predictive signals beyond traditional indicators; (ii) develop robust trust-based valuation metrics for DeFi protocols; (iii) develop a framework for forecasting financial time series through uncertainty-aware machine learning architectures; (iv) construct diversified portfolios using network-based representations of asset relationships. First, using Ethereum as a case study, we analyze the influence of the transaction network on market trends by comparing the performance of two machine learning models: one that uses technical analysis and social media indicators commonly found in the literature and another that incorporates structural properties of the transaction network. We found that by including transaction network information, we can anticipate 46% more uptrends and 19% more downtrends, highlighting the predictive power of the transaction network. Second, we introduce the TVL/MCAP bands as a tool to identify periods of overconfidence and underconfidence in the DeFi market. We show that extreme values of this indicator can signal price movements: values above the 95th percentile are associated with a 15\% higher return in the following month, while values below the 5th percentile anticipate declines, highlighting investor confidence as a key market driver. Third, we address the need for forecasts that not only anticipate market trends but also quantify the uncertainty surrounding them. To this end, we integrate Reservoir Computing (RC) with conformal prediction methods to provide statistically rigorous forecasts along with prediction intervals. We found that RC outperform traditional econometric models, particularly in anticipating the trend of financial time series. Furthermore, we show that conformal methods, especially quantile-conformal variants, significantly improve forecast reliability while adapting to market volatility. Finally, we address the challenge of portfolio optimization using network-based methods. Specifically, we model the network of relationships between cryptocurrencies to obtain a market representation that enables selecting a more diversified portfolio. We find that peripheral assets enhance portfolio stability and returns, while links bridging network communities carry higher risk. Thereby, these results highlight the importance of structural diversification in volatile markets. In addition, we contribute to refining pairs trading strategies by proposing the Hurst exponent to identify rapid mean-reversion opportunities. We show that anti-persistent values of H lead to faster reversion and consistent returns---minimizing trading costs and enabling broader portfolio construction. In conclusion, this thesis provides an interdisciplinary analytical framework that advances our understanding of DeFi markets. By introducing network-based indicators, trust metrics, uncertainty-aware forecasts, and diversification strategies grounded in market structure, we provide new tools for investors and researchers to navigate the complexity and volatility inherent in decentralized financial systems. RESUMEN El auge de las Finanzas Descentralizadas (DeFi), impulsado por la tecnología blockchain, ha dado lugar a ecosistemas financieros más accesibles y transparentes que contrastan con los sistemas financieros tradicionales. DeFi amplía el panorama financiero actual e introduce nuevos retos, como la necesidad de un nuevo modelo de valoración de los activos. No obstante, el hecho de que todas las transacciones son públicas, ofrece una oportunidad única para modelar y comprender la dinámica del mercado mediante nuevas herramientas analíticas. Esta tesis tiene como objetivo principal proponer nuevos métodos para comprender la dinámica del mercado desde la perspectiva de los sistemas complejos y el aprendizaje automático. Para ello, nos centramos en cuatro objetivos específicos: (i) evaluar si la información estructural de las redes de transacciones aporta señales predictivas más allá de los indicadores tradicionales; (ii) desarrollar métricas de valoración de los protocolos DeFi basadas en la confianza de los inversores; (iii) construir un marco metodológico para predecir series temporales financieras mediante arquitecturas de aprendizaje automático que incorporen incertidumbre; (iv) construir portfolios diversificados utilizando representaciones de la red de relaciones entre criptomonedas. En primer lugar, utilizando Ethereum como caso de estudio, analizamos la influencia de la red de transacciones sobre la tendencia del mercado comparando dos modelos de aprendizaje automático: uno que emplea indicadores de análisis técnico y de redes sociales comunes en la literatura, y otro incluyendo propiedades estructurales de la red de transacciones. Los resultados muestran que incluyendo información de la red podemos anticipar un 46% más de tendencias alcistas y un 19% más de tendencias bajistas, lo que subraya el poder predictivo de la red de transacciones. En segundo lugar, introducimos las bandas TVL/MCAP para identificar períodos de sobreconfianza y desconfianza en el mercado DeFi. Demostramos que valores extremos de este indicador anticipan movimientos en el precio: valores por encima del percentil 95 se asocian con un rendimiento 15% superior en el mes siguiente, mientras que valores por debajo del percentil 5 anticipan caídas. En tercer lugar, abordamos la necesidad de predicciones que no solo anticipen tendencias del mercado, sino que también cuantifiquen la incertidumbre. Para ello, integramos Reservoir Computing (RC) con métodos de predicción conforme para generar predicciones estadísticamente rigurosas junto con intervalos de confianza. Mostramos que RC supera a los modelos econométricos tradicionales, especialmente anticipando la tendencia del precio. Además, los métodos conformes ---en particular las variantes de cuantiles--- mejoran significativamente la fiabilidad de las predicciones al adaptarse a la volatilidad del mercado. Por último, abordamos el problema de optimización de portfolios mediante métodos basados en redes. Específicamente, modelamos la red de relaciones entre criptomonedas para seleccionar un portfolio más diversificado. Observamos que evitar pares que conectan distintas comunidades en la red y priorizar activos periféricos aumenta el rendimiento y disminuye el riesgo, demostrando así la importancia de una diversificación estructural. Además, proponemos el uso del exponente de Hurst para identificar oportunidades que revierten antes a la media en estrategias de pairs trading. En conclusión, esta tesis propone un marco analítico interdisciplinar que contribuye al entendimiento de los mercados DeFi. Al introducir indicadores basados en redes, métricas de confianza, predicciones con estimación de incertidumbre y estrategias de diversificación basadas en la estructura del mercado, ofrecemos nuevas herramientas para que inversores e investigadores naveguen la complejidad y volatilidad propias de los sistemas financieros descentralizados.