本文针对Uniswap V3集中流动性池的动态流动性分布，提出由退化Sturm–Liouville算子与Hilbert–Schmidt积分算子共同构成的随机偏积分微分方程模型，以刻画流动性围绕市场价格的均值回归和跨价格区间的非局部再配置。模型可通过Gegenbauer特征函数展开转化为具有水平、斜率和曲率含义的线性随机微分方程系统，并进一步推导池储备、池价值及损失相对再平衡的表达式。对ARB5、ETH5和ETH30三个Uniswap池的有限秩校准表明，ARB5和ETH5在活跃价格带内相较鞅基准具有较低预测误差，而ETH30呈现明显非平稳性，说明价格感知和时变模型是后续扩展方向。^1225293033

研究对象与经验事实 ³⁴⁵

• 研究对象是集中流动性自动做市商中的流动性剖面，即所有LP在价格区间内提供的流动性的聚合分布。¹⁴
• Uniswap V3的流动性具有围绕当前市场价格聚集、相对于中心形状均值回归，以及不同价格区间之间存在时空相关等特征。²⁴⁵
• 五阶以内的Legendre基展开能够解释约90%–95%的流动性曲面方差，低阶系数分别具有水平、斜率、曲率和更高阶再定位含义。⁵
• 水平模式代表全区间流动性同步增减，斜率模式代表两端之间的倾斜变化，曲率模式代表中心与尾部之间的集中或平坦化。⁵

三个Uniswap池的探索性差异 ²⁵²⁶

• ARB5和ETH5在不同窗口中保持相对稳定的平均形状，但个体流动性剖面会随时间移动；ETH5在活跃区域附近出现间歇性尖峰。²⁵
• ETH30的窗口均值发生明显变化，同时存在持续的边界陈旧流动性和大幅度的间歇性集中变化，显示其结构稳定性较弱。²⁵
• 增量交叉协方差显示，ARB5具有较广泛的同侧相关，ETH5的相关性主要集中在活跃带附近，ETH30则呈现更尖锐的对角线结构和局部突发变化。²⁵²⁶
• 样本包括Arbitrum上的WETH–USDC 5 bps池ARB5、Ethereum上的WETH–USDC 5 bps池ETH5，以及Ethereum上的WETH–USDC 30 bps池ETH30；数据按链的固定区块步长抽样，名义上约每8小时一个观测。²⁵

SPIDE模型结构与理论结果 ^26131415

• 模型由退化二阶Sturm–Liouville微分算子、非局部积分算子和随机扰动组成；微分算子刻画流动性向当前价格中心回归，积分算子刻画LP重新配置导致的跨tick流动性转移。⁶¹⁷
• Gegenbauer多项式构成加权(L^2)空间中的正交特征函数系，特征值为(\lambda_n=a n(n+2\alpha))，其中参数(\alpha)同时决定集中形状、权重函数和特征值阶梯。⁸⁹
• 在适当条件下，SPIDE存在唯一温和解，并且解具有局部时间Hölder连续性；投影到特征函数后，可得到耦合的无限维线性SDE系统。¹³¹⁴¹⁵
• 将流动性剖面与对数价格过程耦合后，模型能够推导池储备、池价值和损失相对再平衡的矩表达式。¹⁵¹⁶²⁰

两种坐标与噪声规格 ^17182122

• 在对数流动性坐标((r,u))下，采用加性噪声得到OU型SPIDE，(u)为实值而(e^u)天然保证原始流动性为正，但池价值对模态系数呈指数型非线性。^17181921
• 在原始流动性坐标((r,U))下，采用乘性噪声得到BS型SPIDE，池储备、池价值和LVR对(U)呈线性关系，因而可以进行线性模态分解。²¹²²
• BS型分支需要额外假设流动性剖面几乎处处非负；该非负性是对解的条件，而不是一般由理论自动保证的性质。²¹²²

有限秩SPIDE校准方法 ^25262728

• 实证部分选择平稳加性OU分支，在统一的Legendre参考坐标系中估计集中速率(a)、Gegenbauer阶数(\alpha)和低阶再定位矩阵(V)，避免因不同(\alpha)改变残差度量空间而产生比较偏差。^24252728
• 每个观测曲面使用201点的标准化tick-rank网格，校准采用(r=6)个参考系数，预测使用(K=7)个Gegenbauer模态；稠密再定位支持集中在模态({0,1,2})，分别对应水平、倾斜和集中度。²⁵²⁶²⁹
• 以中心化曲面的有限维VAR(1)转移结构为基础，通过转移矩阵指数进行拟合，使用剖面高斯拟似然和再定位矩阵Frobenius惩罚；报告比较了无惩罚和(\lambda_V=3.0)的设定。²⁶²⁸²⁹
• 校准对象主要是漂移项，噪声协方差被剖面化处理；稳定性通过总漂移矩阵的特征值实部和转移矩阵谱半径进行约束。²⁶²⁷²⁸
• 评估指标包括活跃带误差比(R_A)、价值加权剖面误差比(R_V)和Hosking残差白噪声严重度(S_H)，其中误差比低于1表示优于鞅基准。²⁹⁵¹

回测与校准结果 ^29303132

• ARB5和ETH5的活跃带误差比在所有SPIDE配置下均低于1，说明低阶均值回归结构能够带来相对稳定的活跃区域预测改善。²⁹
• ARB5和ETH5的样本内白噪声严重度接近1，但样本外通常升至约1.3–2.3，反映出一定程度的参数漂移；Factor VAR在这两个池上的样本外严重度高于各类SPIDE配置。²⁹
• ETH30的活跃带误差比高于1，Full区间价值加权误差比达到2.5–3.1，样本外白噪声严重度达到15–17，结果与均值结构发生漂移或平稳性假设失效相一致。³⁰
• ARB5的稀疏模型中，水平再定位项约为0.06–0.12；W1中(V_{00}=0.088)对应约7.9个观测步的水平半衰期，即约2.6–2.8天。³¹
• ETH30的微分回归速率在所有设定下不超过0.005，明显低于ARB5和ETH5 Full区间的约0.013–0.018；其转移矩阵谱半径接近1，说明剖面持续性较强。³²
• 稠密模型在ARB5 W1中识别出明显的曲率到水平耦合，(V_{02})约为−0.18；加入惩罚后该项收缩至约0.04。³¹
• (\alpha)的目标函数在多个候选值之间较为平坦，报告不支持将(\alpha=1/2)解释为唯一确定的经验结论；更合理的结果是采用稀疏且有界的再定位结构。³²³³

研究结论与后续方向 ³²³³

• 经验结果支持将再定位矩阵限制在低阶、稀疏和有界结构内，因为流动性水平模式的均值回归不能由Sturm–Liouville算子单独提供，必须依赖再定位算子或其跨模态耦合。²⁷³²
• ETH30的结果更像是平稳分支受到结构性漂移冲击，而不是SPIDE框架本身失效；加大再定位惩罚并未实质改善其预测诊断。³⁰³²
• 后续研究可引入价格感知坐标、时变漂移项、中心区域集中的状态依赖噪声，以及适用于重尾流动性变化的Lévy或跳跃噪声。³²³³

一、报告元数据与总体概览

报告标题：《DYNAMICS OF THE LIQUIDITY PROFILE IN CONCENTRATED LIQUIDITY PROVISION: A STOCHASTIC PARTIAL INTEGRO-DIFFERENTIAL EQUATION APPROACH》，可译为《集中流动性提供中的流动性剖面动态：一种随机偏积分微分方程方法》。作者为 Cheuk Yin Lee、Jimmy Risk、Shen-Ning Tung 和 Tai-Ho Wang。¹ 作者分别来自香港中文大学（深圳）、加州州立理工大学波莫纳分校、国立清华大学和纽约市立大学巴鲁克学院。⁵⁵ 报告没有在所提供文本中明确给出正式发布日期，但正文涉及2026年相关研究和资助信息，因此可判断其写作背景至少延伸至2026年。^{24 34}

这不是传统的公司或股票研究报告，而是一篇面向去中心化金融、自动做市商（AMM）和随机分析的数学金融研究论文。其核心研究对象是 Uniswap V3 等集中流动性自动做市商中的流动性剖面，即不同价格区间上所有流动性提供者（LP）头寸叠加后形成的动态流动性分布。¹ 报告没有股票评级、目标价或投资推荐，因而不能按照“买入/持有/卖出”框架理解。

论文的主旨可以概括为四点：

1. Uniswap V3 的流动性不是静态常数，而是随价格、市场波动和 LP 调仓而变化的连续曲面。¹
2. 这种曲面同时具有围绕市场价格的集中性、向中心形状回归的特征，以及跨价格区间的非局部联动，因此单纯依靠有限维独立随机过程难以充分描述。²
3. 作者以随机偏积分微分方程（SPIDE）建模，其中退化 Sturm–Liouville 微分算子负责描述局部扩散与中心回归，Hilbert–Schmidt 积分算子负责描述 LP 在远距离价格区间之间重新配置流动性的行为。¹
4. 通过 Gegenbauer 特征函数展开，复杂的无限维 SPIDE 可转化为具有经济含义的无限维线性随机微分方程；实证部分进一步将模型限制为固定参考坐标下的有限秩、平稳、加性 OU 分支，并在 ARB5 与 ETH5 上观察到一定的主动区间预测改进，但 ETH30 显示出明显非平稳性。^{1 33}

二、研究背景与集中流动性机制

2.1 从 Uniswap V2 到 V3

Uniswap V2 将流动性较为均匀地分布在整个价格范围内，而 Uniswap V3 允许 LP 将资本集中配置在任意价格区间 ([p_l,p_r)) 内，从而提高特定价格范围内的资本效率。³ 这种设计的代价是，池子的深度不再平滑、均匀和静态，而会形成随时间移动的“流动性地形”。

报告区分了三个基本概念：

• 流动性水平 (L)： 可理解为 LP 提供的“虚拟储备”，与恒定乘积模型中的 (L=\sqrt{xy}) 相联系，并决定交易费份额和价格暴露。⁴
• 提供区间 ([p_l,p_r))： 只有当当前价格位于该区间内时，头寸才真正参与交易并获得手续费；价格离开区间后，头寸基本转化为单一资产且不再赚取手续费。⁴
• 总流动性 (L_{\text{total}})： 所有重叠 LP 头寸在某一价格点的加总，构成整个池子的流动性剖面。⁴

这一区分具有重要金融含义：LP 的收益不只取决于池子总规模，也取决于流动性是否位于当前交易价格附近。一个总流动性较高但大部分头寸远离现价的池子，在现价附近未必具有较高的实际交易深度。

2.2 以价格为中心的坐标

作者将名义价格 (q) 转换为围绕当前池价 (p_t) 的对数刻度，并令 (x) 表示以现价为中心的 tick 坐标，从而得到流动性曲面 (u_t(x))。这种坐标设计使 (x=0) 始终代表当前市场价格。⁴

报告特别强调，(u_t) 是现价中心化的对数流动性，而不是唯一可能的状态变量；第四节还研究了原始流动性 (U_t(x)) 的替代建模方式。两者并非同一个 SPIDE 解的简单坐标变换，因为对数变换会改变随机项和非线性结构。^{4 17}

作者从既有实证研究中归纳出三个事实：

• 流动性通常在 (x=0) 附近聚集；
• 流动性曲线总体保持钟形或中心化形状；
• 一个价格区域的变化往往与远处区域同时变化，因为 LP 通常整体移动一个区间，而不是逐个 tick 独立调整。^{4 5}

这三个事实共同解释了为什么作者不采用一组相互独立的标量 SDE，而要采用能够描述完整函数演化的无限维模型。

三、Legendre/Gegenbauer 模态分析

3.1 低阶模态的经济解释

既有研究利用 Legendre 多项式对流动性曲面进行展开，五阶重构可以解释大约90%—95%的方差，因此能够在保留主要形状的同时滤除高频噪声。⁵

这些低阶系数具有清晰的结构含义：

• 第1模态：水平或 Level。 表示整个 tick 区间的流动性同时增加或减少。
• 第2模态：斜率或 Slope。 表示一侧流动性增加、另一侧减少，反映方向性市场情绪。
• 第3模态：曲率或 Curvature。 表示中心与尾部之间的质量重新分配，控制曲线是更尖锐还是更平坦。
• 第4、5模态：细化结构。 表示中间区域、中心和远端之间更复杂的重新定位。⁵

这种分解的优点是将“曲线变化”转化为少数具有金融解释的因子变化。例如，Level 下降意味着整体流动性撤出；Slope 变化可能意味着 LP 对价格方向产生偏向；Curvature 变化则可能反映 LP 将资金从中心移向尾部，或反向集中到现价附近。

3.2 从 Legendre 到 Gegenbauer

Legendre 多项式是 Gegenbauer 多项式族中的一个特例。作者将理论中的集中程度参数 (\alpha) 纳入 Gegenbauer 系统，使模型可以调整特征函数形状、权重函数和特征值增长速度；Legendre 情形对应 (\alpha=1/2)。^{5 8}

Gegenbauer 模态的特征值为：

[ \lambda_n=n(n+2\alpha), ]

在完整算子中则表现为

[ \lambda_n=a n^2+(b-a)n. ]

因此高阶模态通常受到更快的衰减，体现了一个合理的平滑假设：整体水平和低阶形状变化可以较慢，而高频、细碎的局部波动应当更快消失。⁸

不过，作者也指出第0模态的特征值为零，即微分算子本身不能使流动性水平回归，因此 Level 的均值回复必须来自积分算子 (V) 或其与其他模态的耦合。²⁷ 这在实证上非常关键，因为如果没有 (V)，整体流动性水平可能表现为随机游走。

四、SPIDE 理论框架

4.1 微分算子与积分算子

模型由两类算子组成。

第一类是退化的二阶 Sturm–Liouville 微分算子。其漂移项大致表现为 (-bx)，意味着远离中心的流动性有回到 (x=0) 的趋势；扩散系数与 (L^2-x^2) 有关，因此在区间端点处退化。¹⁷ 经济上，这可以解释为 LP 头寸倾向于向当前价格附近重新布置，同时局部流动性会在邻近 tick 之间扩散。

第二类是积分算子 (V)，其核函数 (V(x,y)) 允许位置 (y) 的流动性影响位置 (x)。因此它刻画的是跨 tick 的非局部重新配置，而不是简单的局部价格扩散。^{2 17}

Hilbert–Schmidt 条件意味着该非局部算子具有有限的平方可积强度，不能在所有高阶模态上无限增强。实证中，作者通过低秩限制和 Frobenius 惩罚将这一理论限制转化为可估计的正则化条件。²⁸

4.2 边界、加权空间和半群

模型不是在普通的欧氏函数空间中处理，而是在带权 (L^2_w) 空间中处理，权重与 Gegenbauer 系统相匹配。其原因是 Gegenbauer 多项式在特定权重下正交，可以构成完备的特征函数基。⁹

由于扩散系数在 (\pm L) 处退化，算子不是一致椭圆的，标准偏微分方程理论不能直接套用。⁷ 当参数比值处于某一区间时需要施加类似 Neumann 的边界条件；当边界属于极限点情形时则不必额外指定边界条件。⁷ 作者进一步用 Feller 爆炸检验说明，在部分参数区域内，相应扩散过程确实有正概率触及边界，因此边界条件并非纯形式上的技术安排。¹⁰

作者证明该算子生成 (C_0)-半群，并以此定义 SPIDE 的 mild solution。所谓 mild solution，不要求解在经典意义下逐点满足微分方程，而是通过半群、确定性积分和随机积分表达。该方法适合处理无限维随机系统和不够光滑的初始条件。^{12 13}

主要理论结论包括：

• 在给定初始函数、源项和噪声条件下，mild solution 存在；
• 该解在相应可积性条件下唯一；
• 通过 Gegenbauer 展开，解可表示为一组相互耦合的无限维线性 SDE；
• 对内部空间点，时间路径具有任意小于 (1/2) 的局部 Hölder 连续性，类似布朗运动的时间正则性。^{13 14 15}

这部分理论的实际意义是：作者不只是提出形式上的随机方程，而是说明该方程在数学上确实有定义良好的随机解，并且可以通过模态系统进行计算和估计。

五、池子储备、价值与 LVR

5.1 两种坐标和两种模型

第四节把对数价格 (r_t=\log p_t) 与流动性状态结合起来，提出两种替代坐标：

1. ((r,u))：对数价格与对数流动性；
2. ((r,U))：对数价格与原始流动性。^{15 16}

在 ((r,u)) 坐标下，原始流动性为 (e^{u})，因此池子储备和价值表达式对 (u) 呈指数非线性关系。其优点是只要 (u) 为实数，(e^u) 就自动为正，适合保证流动性的正值性质。^{16 18}

在 ((r,U)) 坐标下，储备和池子价值对 (U) 是线性的，因此可以直接将池子价值分解为不同特征模态的加总。^{17 21} 其缺点是一般的线性随机 SPIDE 并不自动保持 (U\geq0)，作者必须额外假定解在金融解释上非负。^{21 22}

5.2 OU 型和 BS 型噪声

作者讨论两种噪声分支：

• OU 型对数流动性模型： 设非局部随机算子为零，噪声为加性噪声，(u_t) 在确定性线性系统上叠加高斯扰动，因此具有高斯结构。^{18 19}
• BS 型原始流动性模型： 设直接加性项为零，噪声通过流动性状态线性作用，形式上类似 Black–Scholes，但并不必然产生对数正态分布，也不自动保持正值。¹⁸

两者不能简单视为同一模型的变形。一般而言，某个 SPIDE 解的指数并不会自动满足另一种 SPIDE；因此作者把它们视为不同的经济模型分支。¹⁸

5.3 LVR 的含义

LVR，即 Loss-versus-Rebalancing，可理解为集中流动性做市相对于持续再平衡策略因价格套利产生的损失。作者将当前流动性剖面在现价处的值与价格二次变差结合，得到随时间累积的 LVR 率。²⁰

在 OU/对数流动性模型中，LVR 对 (e^{u_t(0)}) 敏感，因此中心流动性越高、价格波动越大，LVR 风险通常越显著。由于 (u_t) 被建模为高斯场，作者可以利用联合高斯矩计算 LVR 的均值和协方差，但这些公式需要价格指数矩和空间积分均可积。²⁰

在 BS/原始流动性模型中，池子价值和 LVR 对 (U_t) 都是线性的，因此矩计算和模态分解更直接。²² 报告没有给出传统意义上的资产目标估值，而是提供了在给定价格和流动性动态下分析池子储备、价值和 LVR 的工具。

六、图表与表格深度解读

6.1 图1：三类池子的流动性曲面与增量协方差

报告中的图1包含三行、三列：

图1上排展示 ARB5、ETH5 和 ETH30 在 W1、W2、W3 以及 Full 样本上的平均对数流动性剖面；中排展示一步流动性变化之间的经验交叉协方差；下排展示整个样本期的三维流动性曲面。²⁶

ARB5： 上排曲线在 (x=0) 附近形成相对稳定的峰值，W1、W2、W3 的形状虽有高低差异，但总体均维持“中心较高、两侧较低”的近似三角或钟形结构。中排协方差图显示大范围的同侧联动，左侧与左侧、右侧与右侧存在较明显的正相关，说明 profile level 和较低阶形状变化较重要。底部三维图则显示曲面随时间波动，但没有持续性的结构漂移。^{25 26}

ETH5： 平均曲线同样以现价附近为峰，但 W1 的总体水平明显高于 W2、W3 和 Full，且中心附近出现间歇性尖峰。中排协方差集中在活跃中心区域及其对角线附近，说明该池的主要动态更局部地发生在当前交易区间。该现象支持作者对 ETH5 使用中心回归、低阶模态和局部活跃带预测的设定。^{25 26}

ETH30： 曲线在不同窗口之间变化更大，W1、W2 和 W3 的峰值位置及两侧水平并不稳定，边界附近还存在持续的流动性质量或陈旧报价。中排出现更尖锐的对角线条纹和局部爆发，意味着不同 tick 区域可能发生同步但较短暂的重定位。底部曲面也明显比 ARB5、ETH5 更不规则。这些图形证据与后续 ETH30 的非平稳性诊断相一致。^{25 30}

图1的一个重要限制是横轴使用归一化 tick rank，不是实际的对数价格距离。相邻网格点的 rank 间隔相同，但实际价格间隔未必相同，因此图上的空间距离不能直接解释为等距的市场价格变化。²⁵

6.2 表1：Legendre 系数性质

表1标题为“Legendre Coefficient Properties”，但所提供文本中没有保留表格具体数值。根据紧邻文字，作者关注的主要事实包括：第3模态曲率系数具有明显负均值，第1模态水平系数存在异方差，低阶系数之间存在相关性。⁶

这些结果共同支撑积分算子 (V) 的必要性。若不同模态完全独立且只进行局部扩散，则难以解释 Level、Slope 和 Curvature 之间的联动；而非局部算子能够把某一模态的变化传导至其他模态。⁶

6.3 表2：估计窗口

表2按区块高度列出 W1、W2、W3 和 Full 的窗口划分，Full 是连续1200个观测，分为三个各400个观测的子窗口；每个窗口采用半开区间，起始区块包含、结束区块不包含。²⁵ 观测按链设定不同区块步长，主网约2400个区块、Arbitrum约115200个区块，名义上均对应约8小时，但实际平均步长约为8.6小时。^{25 31}

这一设计便于比较窗口内稳定性与窗口间漂移，但也意味着样本数量并不特别大，且窗口之间的连续性可能使训练集和测试集并非完全独立。

6.4 表3：预测与残差白噪声诊断

表3比较各模型相对 martingale null 的主动区间误差比 (R_A)、价值加权剖面误差比 (R_V) 和 Hosking 白噪声严重度 (S_H)。比率低于1代表优于随机游走基准，(S_H) 接近1代表残差接近白噪声。^{29 51}

主要结果如下：

• ARB5 的 (R_A) 大约为0.93—0.99，ETH5 大约为0.84—0.87，说明所有 SPIDE 配置在中心活跃区域相对 martingale 都有一定预测改善。²⁹
• 价值加权指标在较短 W1 窗口上经常接近或高于1，表明模型在中心区的改善不一定能转化为整个价值加权剖面的改善。²⁹
• ARB5 Full 的无惩罚 Dense-3 模型出现 (R_V=1.150)，加入 Frobenius 惩罚后降至0.807，说明限制过于灵活的 relocation block 有助于改善样本外表现。²⁹
• ETH5 W1 加惩罚后，(R_V) 从1.224降到1.079，样本外白噪声严重度从1.944降至1.581，说明正则化在该窗口也有一定作用。²⁹
• ETH30 的 (R_A) 在1.32—1.87之间，Full 的 (R_V) 达到2.5—3.1，样本外 (S_H) 在 Full 中达到约15—17，远高于样本内的0.8—1.7，说明模型在训练样本中能拟合，但在测试样本中明显失效。³⁰

表3最重要的结论不是“某个模型全面胜出”，而是区分了两种情形：ARB5 和 ETH5 的结构性低阶回归具有一定稳定性；ETH30 则更像是训练均值和未来条件均值不一致，平稳性假设受到破坏。³⁰

6.5 表4：拟合参数

表4报告集中程度 (\hat\alpha)、每步微分回归速度 (\hat a_\Delta)、Level 和 Tilt 的 relocation 自反馈项，以及转移矩阵的谱半径。³¹

ARB5 的 (\hat V_{00}) 大约为0.06—0.12，明显高于 Tilt 的阻尼，并对应几天量级的 Level 半衰期。ARB5 W1 中 (\hat V_{00}=0.088)，估计半衰期约7.9个观测步，即约2.8天，和既有研究约3天的水平持续性相近。³¹

ETH5 Full 的 Level relocation 较弱，(\hat V_{00}) 大约为0.007—0.031，但 W1 中又达到接近 ARB5 的水平，说明 ETH5 的均值回复强度可能存在窗口依赖。³¹

ETH30 的 (\hat a_\Delta) 在所有配置中不超过0.005，W1 的 (V=0) 模型甚至约为 (10^{-4})，远低于适合平稳分支的池子 Full 样本中的0.013—0.018。作者据此认为 ETH30 的微分回归非常慢，模式半衰期可能达到数月，符合其流动性剖面持续漂移的图形特征。³²

6.6 表5：数值设定

表5集中列出校准算法的数值设定，正文明确提到稳定性边际为 (10^{-8})，基准采用参考秩 (r=6)，预测使用 (K=7) 个 Gegenbauer 模态，并在候选 (\alpha) 网格、有限参数域和多起点优化下估计。^{47 50}

这些设定体现出明显的有限秩思想：用前6个参考系数估计漂移，用7个模态预测，以平衡解释力与过拟合风险。由于高阶模态通常更快衰减，作者没有试图直接拟合完整的高频噪声结构。

6.7 表6：(\alpha) 参数的识别问题

表6显示，在 ARB5 和 ETH5 上，最优的五个 (\alpha) 候选点覆盖约0.2的区间，而目标函数变化小于 (3\times10^{-3})。这说明 (\alpha) 的目标函数相当平坦，不能据此宣称存在唯一或精确的集中程度参数。⁵⁰

ETH30 的平坦区位于较低 (\alpha) 区域，W1 甚至贴近搜索网格边界，这与其低微分回归速度和非平稳诊断相一致。⁵⁰ 因而作者谨慎地认为 Legendre 情形 (\alpha=1/2) 是一个有用的正则化选择，但不是由数据明确识别出的真实参数。³²

6.8 表7：Dense-3 relocation 矩阵

表7展示 ARB5 和 ETH5 在 W1、Full 窗口下的三阶 relocation 矩阵，并比较无惩罚与 (\lambda_V=3.0) 惩罚的结果。⁵²

完整矩阵数值在当前文本提取中没有显示，但作者明确指出惩罚会缩小主导的非对角元素，同时保持其符号。⁵² ARB5 W1 中最突出的非对角项是曲率到水平的耦合 (\hat V_{02}\approx-0.18)，加惩罚后缩小至约0.04，说明未惩罚模型可能把较多的形状变化解释成强烈的跨模态反馈。³²

七、估值、风险与批判性评估

7.1 估值部分的性质

报告没有企业估值、DCF、P/E、EV/EBITDA 或目标价分析。其“价值分析”是池子层面的数学价值计算：在给定价格过程和流动性剖面后计算储备、标记市值和 LVR，而不是判断某个代币或协议是否被低估。^{16 20}

模型的关键输入包括：

• 价格过程的漂移和波动率；
• 流动性初始曲面与源项；
• 微分算子参数 (a,b,\alpha)；
• 非局部 relocation 算子 (V)；
• 加性或乘性噪声结构；
• 截断区间 ([-L,L])。^{17 18}

报告没有提供传统意义上的价格敏感性矩阵，但通过不同噪声分支、不同 (\alpha)、不同 relocation 支持和不同惩罚强度，进行了结构敏感性分析。

7.2 主要风险

第一，平稳性风险。 实证校准假定 profile 围绕固定均值平稳波动，但 ETH30 的窗口均值迁移、边界陈旧流动性和样本外严重度暴增均显示该假设可能不成立。^{25 30}

第二，坐标风险。 实证数据使用归一化 tick rank，而理论部分常以 log-price 或 log-moneyness 为坐标。rank 不等于实际价格距离，因此实证估计的 (a)、(\alpha)、(V) 只能解释为 rank 坐标下的参数，不能直接搬到真实价格坐标或 raw-liquidity 模型中。^{17 25}

第三，参数识别风险。 (\alpha) 与 (V) 都可以影响低阶模态的衰减，因此灵活的 relocation 矩阵可能吸收本应由微分算子解释的阻尼。作者通过固定 Legendre 参考空间、限制 (V) 的低阶支持和加入 Frobenius 惩罚来缓解，但并没有从数据中唯一识别 (\alpha)。^{28 32}

第四，噪声建模风险。 当前校准主要估计漂移，不估计完整的噪声算子。作者承认，高频协变动和边界结构可能无法被平滑的低秩截断复制。³²

第五，正值风险。 对 raw-liquidity 的 BS 型模型而言，理论解不自动保持非负，作者只能把 (U_t\geq0) 作为额外假设，而非定理结论。²¹

第六，模型外生性风险。 基准设定中价格噪声与流动性噪声独立，且现有实证校准没有将价格移动引起的 profile 平移显式纳入。作者因此提出未来加入 price-aware 坐标和移动坐标项。^{18 32}

7.3 审慎评价与内部细节

报告的实证目标不是挑选“最佳模型”，而是展示一个理论框架在有限秩下如何被校准，因此不能把 ARB5、ETH5 上相对 martingale 的改善解读为普遍、稳定或具有交易盈利保证的预测优势。^{24 29}

论文在理论上给出了较强的存在性、唯一性和正则性结果，但实证部分的数据量仅为三个池子、一个主要观测块和若干窗口，样本选择本身也被作者明确称为示范性而非总体抽样。²⁵ 因此外推至其他链、其他交易对或其他费率层级仍需谨慎。

此外，报告一方面展示了 (\alpha) 可被估计，另一方面又承认其目标函数近似平坦、且会与 relocation block 竞争，这说明“估计出一个数值”不等于该参数具有强经济识别力。^{28 50} 报告还指出，Legendre 结果更像是一种正则化后的实用选择，而不是数据证明 (\alpha=1/2)。³²

八、结论性综合

这篇论文的核心贡献不是提出一个单一预测模型，而是建立了一个模块化的流动性动态建模框架。退化 Sturm–Liouville 算子描述流动性围绕现价的局部集中和均值回归，Hilbert–Schmidt 积分算子描述 LP 跨 tick 的非局部重新配置，Gegenbauer 展开则把无限维函数过程转化为具有 Level、Slope、Curvature 等金融含义的模态 SDE 系统。³³

图1显示 ARB5 和 ETH5 的中心化结构较为稳定，而 ETH30 的均值、边界和协方差结构明显漂移；表3进一步证明，ARB5 和 ETH5 在主动区间相对 martingale 有约0.84—0.99的误差比，而 ETH30 的主动区间和价值加权误差均显著恶化。^{26 29} 表4则表明，ARB5 的水平流动性具有几天量级的回归半衰期，ETH30 的微分回归速度很低，支持其非平稳解释。^{31 32}

总体而言，作者的立场是：集中流动性剖面可以用严谨的 SPIDE 理论描述，并可通过有限阶模态进行实际校准；在平稳、加性 OU 分支下，ARB5 与 ETH5 提供了与均值回复相容的证据，但 ETH30 暴露出结构漂移和坐标错配问题。³³ 报告没有证明某一特定 (\alpha)、某一套 relocation 矩阵或某一噪声结构是唯一正确的，反而强调未来应发展时间变化参数、价格感知坐标、状态依赖噪声、raw-liquidity 分支以及跳跃噪声模型。^{32 33}

因此，最稳妥的结论是：该研究在数学建模和结构解释上具有创新性，在两个相对稳定的池子中显示出有限的样本外预测价值，但其金融应用仍处于框架验证阶段，尚不足以支持对具体流动性池收益、LP 策略或协议价值作出直接投资判断。