Mapping Systemic Tail Risk in Crypto Markets: DeFi, Stablecoins, and Infrastructure Tokens
Notice bibliographique
Résumé
This paper investigates systemic tail dependence within the crypto-asset ecosystem by examining interconnectedness across eight major tokens spanning Layer 1 cryptocurrencies, DeFi tokens, stablecoins, and infrastructure/governance assets. We employ a novel partial correlation-based network framework and quantile-specific connectedness measures to examine how co-movement patterns evolve under normal and extreme market conditions from September 2021 to March 2025. Unlike conventional correlation or variance decomposition approaches, our methodology isolates direct, tail-specific transmission channels while filtering out standard shocks. The results indicate strong asymmetries in dependence structures. Systemic risk intensifies during adverse tail events, particularly around episodes such as the Terra/Luna crash, the USDC depeg, and Bitcoin’s 2024 halving cycle. Our analysis shows that ETH, LINK, and UNI are key assets in spreading losses when the market falls. In contrast, the stablecoin DAI tends to absorb some of the stress, helping reduce risk during downturns. These results indicate critical contagion pathways and suggest that regulation targeting protocol-level transparency, liquidity provisioning, and interoperability standards may reduce amplification mechanisms without eliminating interdependence. Our findings contribute to the emerging literature on crypto-systemic risk and offer actionable insights for regulators, DeFi protocol architects, and institutional investors. In particular, we advocate for the incorporation of tail-sensitive network diagnostics into real-time monitoring frameworks to better manage asymmetric spillover risks in decentralized financial systems.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».