Risk Management in DeFi: Analyses of the Innovative Tools and Platforms for Tracking DeFi Transactions
Notice bibliographique
Résumé
Decentralized Finance (DeFi) is a recent advancement of the cryptocurrency ecosystem, giving plenty of opportunities for financial inclusion, innovation, and growth domains by providing services such as lending, borrowing, and trading without traditional intermediaries. However, inadequate regulatory oversight and technological vulnerabilities raise pressing concerns around market manipulation, fraud, and regulatory compliance, exposing a clear research gap in effective DeFi risk management. This paper addresses this gap by proposing a utility-based framework to evaluate six leading DeFi tracking platforms—Chainalysis, Elliptic, Nansen, Dune Analytics, DeBank, and Etherscan—focusing on two critical metrics: transaction accuracy and real-time responsiveness. Applying a mixed methods approach that combines a quantitative survey (n = 138) with qualitative interviews (n = 12), we identified critical platform features and found significant differences across these platforms with respect to compliance features, advanced analytics, and user experience. We used a utility-based model that links accuracy and responsiveness metrics, allowing us to adjust differing priorities and risk management needs for users. The results show the need for balanced, user-centric solutions that accommodate regulatory, technological efficiency and affordability requirements. Our study contributes to the growing knowledge base by providing a structured evaluation model and empirical insights, offering clear directions for practitioners, platform developers, and policymakers aiming to strengthen the DeFi ecosystem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».