元数据与概览(引言与报告概览)
- 报告标题:Partially Active Automated Market Makers(部分激活自动做市商)。
- 作者:Ko Sunghun;发布日期:2026-02-11;未在正文给出明确发布机构(论文式技术报告/论文草稿风格)。
- 研究主题:提出并形式化分析一种新的 AMM 机制——部分激活 AMM(PA-AMM),其通过在每个区块开始时仅将池子储备的 λ 分数设为“活跃”(可交易)以控制重平衡速度,从而在减少套利不利选择(以 LVR 度量)与产生跟踪误差之间做权衡。作者还建立了一个最优化问题来选择最优 activeness λ*。
核心论点、主要结论与目标(摘要要点)
- 核心论点:将流动性分为“活跃”和“被动”两部分,并每区块刷新使活跃部分占总储备的 λ(0<λ≤1),能减少每区块遭受的套利损失(以 loss-versus-rebalancing, LVR 测度),从而提升 LP 的财富,但代价是边际价格可能偏离外部真实价格,造成资产权重的跟踪误差;作者提出并求解了在 LVR 与跟踪误差之间权衡得到的最优 activeness λ*。
- 结果摘要:在小 Δt(快速区块)极限下,顶端 gap 的二阶矩 E[g^2] ≈ σ^2 Δt / (λ(2−λ))(到主阶),从而 LVR 与 λ 的关系和流动性增长都有显式表达;对线性化 gap 动态建立 AR(1) 近似并求解折扣无限期最优控制,得到封闭形式的 λ*(γ)= (1+√(1+2γ))/(1+γ+√(1+2γ))(γ 为相对权重参数)。
逐节深度解读
- 摘要与引言(第1页—第3页)——研究动机与贡献综述
- 作者在引言中指出 AMM 的被动性导致在链下价格发现存在时套利者可利用滞后报价获利,造成 LP 的损失;记录了已有文献中用“impermanent loss”、以及 Milionis 等提出的 LVR 衡量此类损失的进展,并指出现有缓解方法(批处理、动态费用、基于毒性差别定价)各有代价或依赖额外基础设施。作者进而把 AMM 看作是一个每区块重平衡的组合,指出在最优再平衡文献中常见的“无交易区间 + 分批执行”策略并未被 AMM 机制充分利用,因而提出“控制重平衡速度”以改善 LP 收益的想法作为研究动机。
- 作者贡献总结:提出 PA‑AMM(每区块将总储备分为活跃和被动,活跃占比 λ)并证明这种做法等价于控制重平衡速度;推导 gap 动态、平稳分布及 LVR 率的解析式;在 G3M(几何平均 CFMM)下解析并线性化 gap 动态,提出并求解最优 λ 的折扣无限期控制问题以获得闭式 λ*。
- 预备知识(Section 2,页 3–5)——CFMM 的定义与 LVR 基线
- CFMM 定义与记号:以一类 1‑齐次、严格凹、C^3 不变量函数 φ(x,y) 为基础,允许任何保持 φ 非减少的变动;边际价格 P_margin(x,y)=φ_x/φ_y,取对数 p_margin。并引入参数化 R(L,p) 使 φ(R)=L 且 p_margin(R)=p,用以将储备表述为(流动性 L,边际价格 p)的函数,方便后续对“池子价值 V(L,P,S)”的定义。此基础符号系统为后续推导(gap、LVR、流动性变化)提供数学框架。
- 举例(G3M):对 geometric mean market maker(G3M),φ(x,y)=x^θ y^{1−θ},给出边际价 P_margin = (θ/(1−θ))·(y/x) 与显式的 x(L,p), y(L,p) 表达式,说明 G3M 为可解析推导提供便利。
- 模型设定:将 Y 视作稳定币,X 为风险资产,其真实价格 S_n 随几何布朗运动(log S_n = log S_{n−1} + ε_n, ε_n ∼ N(μ Δt, σ^2 Δt) i.i.d.);假设有无限竞争的、风险中性、近视(myopic)套利者、无 gas 成本及 CEX 无摩擦,故对于无手续费 CFMM,套利后 P_margin 与真实价格一致。该设定用于推导 LVR 的极限形式和构造 gap 动态。
- LVR 基线(Section 2.3,页 5)
- 引用 Milionis 等的命题:在 Δt→0 的极限下,LVR_t = ∫_0^t \bar{LVR}(P_s) ds,其中瞬时 LVR 为 \bar{LVR}(P) = −(σ^2 P^2 / 2) V''(P) ≥ 0,表明 LVR 是非负、可预测且随时间单调累积的过程;对于 G3M(θ 权重),瞬时 LVR 简化为 (σ^2/2) θ(1−θ) V(P),可作为 CFMM 的参照基线。注意这里 V'' 关于价格的二阶导给出与组合凸性相关的损失率解释。
- PA‑AMM 定义与机制细节(Section 3.1,页 5–6)
- 机制说明:在每区块开始的第一次交互时(swap/add/remove),池子将 R_total 拆分为 R_active = λ R_total 与 R_passive = (1−λ) R_total;仅 R_active 参与当区块的交易,直到下一区块再重新分配。此逻辑在 Algorithm 1 中以伪代码形式给出并强调“每区块最多重新平衡一次”的设计要点,以防交易者通过拆单回避设计限制(若允许每次交易后都重平衡,则归约回标准 CFMM)。作者指出,虽然单区块内流动性减少为相当于同等储备的 λ 分数,跨多区块累积提供给交易者的流动性等同于 CFMM,但与单纯把资本按 λ 存入 CFMM 不同的是 PA‑AMM 实现了分段式(逐区块)执行逻辑。该段对实现细节、重平衡时机与策略的表述清晰且在 Algorithm 1 中形式化。
- Gap 动态、平稳性与主阶矩(Section 3.2,页 6–8)
- 状态变量与定义:定义 top-of-block gap g_n^{top} := s_n − p_{n−1}(区块顶端真实 log 价与池边际价之差)与 post‑arbitrage gap g_n^{bot} := s_n − p_n;并将总储备、流动性与边际价表达为 (R_n, L_n, p_n)。作者在 G3M 情形下推导出 gap 的一阶更新映射可写为迭代随机函数 g_{n+1} = Ψ(g_n) + ε_{n+1},且 Ψ 在紧区间上是压缩映射,因此 gap 具有唯一平稳分布 π_{Δt}。作者在命题(Proposition 2)中给出主阶估计:当 Δt→0 时,若 g ∼ π_{Δt} 则 E[g^2] = σ^2 Δt / (λ(2−λ)) + O(Δt^{3/2}),表明 gap 的方差与 λ 呈负相关(λ 越小,E[g^2] 越大)但同时受 λ(2−λ) 结构约束。该解析给出在快区块(small Δt)极限下的明确依赖关系,可直接用于后续 LVR 与流动性变化的主阶导出。
- 线性化近似(Corollary 1):作者证明在小 gap 情形下可用 AR(1) 线性化 g_{n+1} = ε_{n+1} + (1−λ) g_n + r(g_n),且 remainder r(g_n)=O(g_n^2)=O(Δt)(随机量阶数)。因此在以 g = O_p(√Δt) 的尺度下,非线性项对二次目标函数的主阶贡献可忽略,使得后续最优控制在线性 AR(1) 框架内求解是合理的近似。该步骤是将复杂非线性动力学映射到可解析控制问题的关键。
- 流动性增长与 LVR 的主阶结果(Corollaries 2 & 3,页 7–8)
- 流动性(对 LP token 的每单位流动性)增长:对 G3M,定义 ℓ_n := log L_n,作者通过二阶展开得到 ℓ_n − ℓ_{n−1} ≈ (1/2) λ(1−λ) θ(1−θ) g_n^2 + O(|g_n|^3),因此在平稳 regime 下,取 Δt→0,E[(ℓ_n − ℓ_{n−1})]/Δt → (θ(1−θ) σ^2 / 2) · ((1−λ)/(2−λ))。这揭示了一个有趣效应:即使没有 swap fee,由于 φ 的凹性,流动性(按 LP 份额计)也会随时间增加,且其主阶增长速率与 λ 的一种双曲形式有关;就局部 λ 的选择而言,系数 λ(1−λ) 在 λ=1/2 处最大(对 fixed small g)。
- LVR 主阶:定义 V_n 为池子在 arbitrage 后以池边际价作为参考的池子价值,则单区块 LVR_n ≈ (λ/2) θ(1−θ) V_{n−1} g_n^2 + O(|g_n|^3),标准化后 \widetilde{LVR}_n ≈ (λ/2) θ(1−θ) g_n^2。在平稳而 Δt→0 下,E[\widetilde{LVR}_n]/Δt → θ(1−θ) σ^2 / [2(2−λ)]。两条式子的组合显示:降低 λ 会同时(i)减小每区块的 LVR(因为 LVR ∝ λ / (2−λ)),但(ii)增加 gap 的方差(因 E[g^2] ∝ 1/(λ(2−λ))),从而在总体代价(跟踪误差与 LVR)之间产生非平凡权衡。作者并用模拟(见图 1)演示了 LVR 与 gap 方差之间的效率前沿。
图表与图像深度解读(关键图表逐一解释)
-
图 1()包含三面板:左面板为 “Efficient Frontier” 显示 E[g^2] 与 E[LVR/Δt] 之间的关系(σ=0.05/day, Δt=12s);中间为不同 λ 值(0.25,0.5,0.75,1)的累计 LVR 随时间路径(使用 2025‑05 至 2025‑10 的 ETH 历史价初始化 1000 ETH & 等价 USDT);右面板为不同 λ 的边际价 gap 随时间的轨迹。总体解读:左图显示了在给定波动率与区块时间下存在一条效率前沿(E[g^2] 随 E[LVR/Δt] 单调下降),说明通过降低 λ 可减少 LVR 但以增加价格差异方差为代价;中图与右图的时间序列演示:较小 λ(如 0.25)呈现累计 LVR 显著下降且边际价格波动(gap)放大,反之 λ=1(CFMM)累计 LVR 最大且 gap 最小;三图合起来可视化了论文主张的权衡。请参见原图:
-
图 2()两个面板:左面板绘制在 stationary AR(1) 近似下的 leading‑order loss J(λ)(例如 γ=4 的情形),显示 J(λ) 关于 λ 呈 U 型(存在内部最优 λ);右面板绘制小 Δt 下解析得到的 λ*(γ) 随 γ 的变化,呈单调下降(γ 越大越重视 LVR,相应的 λ* 越接近 1,即更全激活以降低跟踪误差的成本)。该图直接支持作者闭式解的直觉解释。原图如下:
估值/度量分析(模型、公式与推导的金融含义)
- CFMM 与 G3M 的不变式以及边际价表达式(P_margin=φ_x/φ_y)为把 AMM 视为“按期重平衡的常权重组合”提供了数学基础,且 G3M 的封闭形式允许明确地把价格 gap 映射到权重偏差(tracking error)与 LVR,使两者都以 g^2 为主阶量级出现,从而在二次目标下显式化 trade‑off。该映射在 Lemma 1 中给出:TE_n ≈ θ^2(1−θ)^2 (1−λ_n)^2 g_n^2(主阶),与 LVR_n ≈ (λ_n/2) θ(1−θ) g_n^2(主阶)共同构成单期代价的解析表达。此二次结构便于将控制问题转换为求 λ_n 以最小化加权二次期望的折扣和。
最优控制问题与解析解(Section 4,页 9–11)
- 问题设定:用 TE_n 与 LVR_n 的主阶表示构造单期代价 (1−λ_n)^2 + γ λ_n(乘以 g_n^2)并以折扣率 ρ(β=e^{−ρ Δt})求无限期累积期望最小化,state 动态采用线性化 AR(1): g_{n+1}=(1−λ_n) g_n + ε_{n+1},控制 λ_n ∈ [\underline{λ},1]。约束下存在下界 \underline{λ}>0 以保证矩有界与线性化的有效性。该设定明确把 λ 既作为影响下一步 gap 收敛系数(1−λ)又作为当前代价项的参数,从而形成反馈控制。
- 解的结构(Theorem 1,):Bellman 方程采用二次值函数猜想 V(g)=v_2 g^2 + v_1 g + v_0 且在凸性假设下获得闭式的线性反馈形式(带 clip 截断):
λ^opt(g)=clip(1 − γ/[2(1+β v_2)] + [β(2 v_2 μ Δt + v_1)]/[2(1+β v_2)]·(1/g), λ,1)。
在 small Δt 的 stationary scaling 下(g=O_p(√Δt))state‑dependent 项渐近为 0,控制近似收敛到常数:λ*(γ) = (1+√(1+2γ)) / (1+γ+√(1+2γ))。此封闭形式给出对 γ 的单调映射:γ 越大(对 LVR 更“厌恶”),λ* 越接近 1(更活跃),反之 γ ↓ 时 λ* ↓(更被动)。
风险因素评估(作者识别的风险与局限)
- 模型简化带来的局限:作者明确假设了零 swap fee、无 gas 成本、无限竞争套利者与 CEX 无摩擦的理想化设定;文末指出现实情形下应把手续费、噪声交易流入与 gas 成本等并入模型,最优问题将变为在手续费与 activeness 之间同时选择的更复杂问题。作者还提醒 γ 在文中被视为常数,但可以是市场条件依赖(如随波动率变动)。这些都在论文结论中被作为未来工作方向提及。
- 实证/实现风险(隐含):PA‑AMM 要求在区块内仅在第一笔交互时重平衡并锁定活跃/被动部分,这在去中心化智能合约实现上需要非常精确的区块交互控制与状态管理;作者在设计 Algorithm 1 时讨论了对拆单攻击的防范逻辑,但并未展开链上实施细节(如重入、MEV 时间优势、gas 竞价等)对机制效果的可能影响,这些实现层面的摩擦在实际部署中可能显著改变理论收益。该点作者在结论中也略有指出(未来工作需把 gas 与费用考虑进模型)。
批判性视角与细微差别(基于报告内容的审慎评论)
- 强假设的影响:关键结论(特别是 E[g^2] 的主阶表达与 λ* 的封闭形式)依赖于小 Δt、零费用与无摩擦 CEX 的设定,以及对 G3M 的使用(φ 的特殊形式为解析推导提供便利)。因此在更一般 CFMM(非 G3M)、有手续费或有交易摩擦时,这些解析形式会被修改,但作者在 Remark 1 提到基本收缩映射与光滑性假设下可推广平稳性结果,这给出一定的稳健性,但对 LVR 与最优 λ 的显式表达不一定保留。读者应警惕把该封闭式结果直接外推到真实链上环境而不检验费用与订单流弹性。
- 交易者行为模型的简化:作者假定套利者“myopic 且竞争充分”,即只关心即时利润且可无成本地在 CEX 大量成交。若引入有限套利者、风险厌恶或额度/滑点约束,套利行为会改变,LVR 的量级与 gap 动态可能与现有推导不同,因此 PA‑AMM 的相对效益可能受影响。作者部分承认了这一点并将其列入未来扩展。
- 关于“跨区块流动性等同于 CFMM”的论断需注意:作者指出跨多区块总给出给交易者的流动性等同于 CFMM(因为每区块以 λ 提供,但跨时段累积与 CFMM 等效),但这只在交易者不能利用跨区块信息优势、且交易需求在时间上平滑的假设下成立;若噪声交易在短时间内高峰或有时间相关需求模式,减少单区块可用流动性会影响交易代价并可能改变订单流分配。该点作者在第3.2节有简短讨论。
结论性综合(关键发现与作者判断回顾)
- PA‑AMM 的主要机制:在区块层面限制可交易储备比例 λ,从而把一次性完整重平衡分摊到多区块执行,减少单区块的套利损失 LVR,但会增加池内边际价与外部市场价的 gap(跟踪误差)。
- 主解析结果:在 G3M 和 small Δt 近似下,E[g^2] 主阶 ~ σ^2 Δt / (λ(2−λ)),单位流动性增长率与 LVR 的主阶分别被显式给出(见 Corollaries 2 & 3),并在二次成本近似下将最优 λ 的问题转化为折扣无限期控制并获得闭式 λ*(γ) = (1+√(1+2γ))/(1+γ+√(1+2γ))。这些公式清晰地展示了参数(σ, Δt, θ, γ)如何共同决定最优激活率。
- 实务含义与应用建议:PA‑AMM 在高逆选择场景(例如预测市场或信息密集型资产)对 LP 保护更显著:因为每区块损失按 λ 缩放,极端信息事件不再能在单区块内耗尽 LP 财富,降低延迟将使损失成为延续的连续函数,从而可能吸引更多 LP 提供流动性。作者期待将费用与 gas 等现实因素并入模型以推导更完整的实施策略。
补充:关键公式与来源索引(便于追溯)
- PA‑AMM 机制与 Algorithm 1(实现逻辑):见第 3.1 节与算法伪码说明。
- 一步 gap 映射与平稳二阶矩:Proposition 2 与其证明给出 E[g^2] = σ^2 Δt /(λ(2−λ)) + O(Δt^{3/2}) 的主阶项。
- TE 与 LVR 的主阶关系(Lemma 1 与 Corollary 3):TE_n ≈ θ^2(1−θ)^2 (1−λ_n)^2 g_n^2;\widetilde{LVR}_n ≈ (λ_n/2) θ(1−θ) g_n^2。
- 最优解(Theorem 1)与小 Δt 极限 λ*(γ):见第 4 节与证明附录。
总体评价(基于报告内容的专业判断)
- 该文提出了一个直观且在数学上自洽的机制(PA‑AMM),并在可解析情形(G3M + small Δt)下给出了闭式或准闭式的度量与最优控制解,清楚显示在 LVR 与跟踪误差之间的权衡。作者的线性化(AR(1))近似与二次主阶展开合理且被严格地通过有界高阶项估计所支撑,使得最优 λ 的解析解具有可信性(在模型假设范围内)。
- 但对现实可行性的完全证明尚待补充:需要将手续费、gas 成本、有限套利者动力学、CEX 滑点与 MEV 问题并入模型,以评估在真实链上环境中 PA‑AMM 的净效应与实现难度。作者在结论中已承认并将其列为未来工作方向。总体而言,本文为 AMM 设计提供了新颖的“执行速度控制”视角,且数学处理严谨,值得在更现实的仿真与链上实验中进一步验证与完善。
参考图像(原文图)
-
图 1(效率前沿 / 累计 LVR / 边际价 gap):
-
图 2(单期损失曲线与 λ*(γ)):
(结束语)上述分析逐段解释并溯源了报告中每一个主要论点、关键公式、图表含义与假设限制;如需我对某一节的数学推导(例如 Proposition 2 的推导细节、Bellman 方程的系数匹配过程或 Algorithm 1 的链上实现细节)做逐行分步重构与数值示例演算,我可以继续展开并给出可运行的 matlab/python 数值验证脚本。