本文研究自动化做市商中由政策筛选的交易记录如何影响损失率排名。报告指出,交易记录只能识别执行倾向与潜在机会强度的乘积,无法识别未执行机会的构成;因此,研究构建了隐藏机会下的精确非识别例、带符号的部分识别区间,以及基于同步周度移动区块Bootstrap和投影方法的排名置信集合。当服务分母接近零时程序主动弃权。在WETH–USDC两年样本中,30bp池点估计优于5bp池,但95%排名区间包含零,因而不能完成符号认证。
报告标题: Policy-Selected Transaction Tapes in Automated Market Makers: Ranking Certification under Hidden Opportunities,可译为《自动做市商中的政策选择性交易记录:存在隐藏机会时的排名认证》。
作者: Wen-Ting Wang。
机构: 台湾国立中兴大学统计研究所。
发布日期: 所提供文本未明确给出正式发布日期;文末列出作者发表于2026年的相关配套研究,但不能据此确定本文的正式发表日期。,
研究主题: 自动做市商(AMM)交易记录中的样本选择、隐藏交易机会、损失—服务比率排名、部分识别以及基于计数过程和区块自助法的统计推断。,
报告的核心问题是:如果一个AMM或交易机制本身决定哪些潜在订单能够成交,那么根据公开成交记录计算的“损失/服务”指标,能否可靠地对两个池子或机制进行排名?作者的答案是:通常不能仅凭点估计进行确定性排序,必须同时考虑两个不同来源的不确定性——第一是识别不确定性,即未成交、被拒绝、被路由到其他地方或从未暴露的隐藏机会;第二是抽样不确定性,即有限交易记录导致的统计波动。,
报告并没有提出传统意义上的买入、持有或卖出评级,也没有给出股票式目标价。它的“结论输出”是一个程序性判断:在给定隐藏机会范围和置信水平下,排名区间是否完全位于零的一侧。如果是,则可以认证排名符号;如果排名区间跨越零,则只能报告“不认证”;如果服务分母可能接近零,则必须报告“正性受限的弃权”,而不是给出一个可能无界或不稳定的区间。,
在两年期WETH–USDC应用中,点估计显示30个基点(30bp)池的损失/服务表现优于5个基点(5bp)池,但即使不允许任何隐藏机会,95%的同时排名区间也包含零,因此作者不认证该排序。,
作者首先指出,动态费率AMM、路由规则、批量拍卖和链上撮合引擎不仅仅是在报价,它们还决定哪些潜在机会真正执行。因此,链上公开交易记录不是所有潜在交易机会的完整普查,而是经过执行规则筛选后的子集。,
这一点对评价机制尤其重要。一个池子可能看起来具有更低的单位服务损失,原因有两种:一是它确实在相同类型的机会中执行得更好;二是它只执行了一组更有利的机会,主动避开了高损失机会。仅观察成交记录,无法自动区分“执行质量差异”和“机会构成差异”。
报告因此把研究问题限定为:在存在隐藏机会和有限样本误差的情况下,能否对损失/服务排名的符号进行认证。作者有意没有把问题扩展为“如果把同一批机会交给另一个动态机制,它会产生什么结果”,因为后者需要对状态路径和机制反馈进行反事实重演。,
报告使用计数过程和补偿子(compensator)框架描述交易记录。对于机制或池子 (\pi_0),观察到的执行交易过程可以概念上分解为:
关键识别问题在于,交易记录只能识别乘积 (e_{\pi_0}\nu^\circ),其中 (e_{\pi_0}) 表示当前机制执行某类机会的倾向,(\nu^\circ) 表示潜在机会强度;它不能仅凭成交记录分别识别这两个组成部分。,
这一区分很重要:识别问题不是通过增加样本量就能自动解决的。即使观察期无限长,只要某些机会从不被当前机制执行,交易记录仍无法告诉研究者这些机会的数量、类型和损失属性。相反,鞅项属于统计推断问题,理论上可以通过更长样本、适当的协方差估计和依赖结构自助法加以控制。,
报告将实际观察对象定义为“选定的交易带”(selected transaction tape),而不是完整机会过程。(N^{exec}(dt,dm))是带有标记的执行交易计数过程,标记可以包括成交数量、价格、服务量以及损失信息。
损失和服务被表示为对该选择性交易过程的标记积分。作者将有符号损失写成正负部分之差,即可理解为:
[ L=A-B,\qquad A\geq 0,;B\geq 0. ]
这意味着报告不是把所有损失都预先视为非负,而是允许某些交易相对于外部参考价格产生正向或负向的执行差异。因此,该指标能够表达有利和不利成交,但也使得隐藏机会的最坏情况分析比“只考虑不利损失”更加复杂。,
报告特别强调,本文的经验指标不能直接等同于经典的连续时间LVR(loss-versus-rebalancing,损失相对于再平衡)。经典LVR是针对承诺报价路径的单边补偿子,通常为非负;本文使用的是基于公开外部交易价格的、有符号、且只针对已成交交易的经验标记。,
两者只有在被动报价、套利型交易、单边不利成交这一特殊情形下才会重合。因此,报告不把完整交易带计算出的经验量称为经典连续时间LVR。这一限定避免了把一个选择性、带符号的实证指标误读为理论上非负的机制损失。
对于池子 (j),作者以损失除以服务构造比率型价值,记作 (M_j)。两池排名差异写成:
[ \Delta_{12}^{\circ}=M_1^{\circ}-M_2^{\circ}. ]
在WETH–USDC应用中,池1是5bp池,池2是30bp池,因此如果 (\Delta_{12}^{\circ}<0),就表示30bp池的损失/服务比率更低,按照该指标更优。,
但这只是两个现有池子的“原生选择性交易带比较”。它不是把同一套潜在订单流同时交给两个机制的实验,也不是把一个池子的动态费率规则替换成另一个规则后的因果反事实。两个池子的机会分布本来就可能因流量、路由、流动性状态和交易者构成不同而不同。,
报告的第一个核心理论结果是“原生双交易带非识别”。作者构造了两个结构模型:两个模型产生完全相同的两个池子的公开交易记录,包括成交事件、数量、损失标记、服务标记、公开状态和参考价格,但由于未执行机会的补全方式不同,最终的完整机会排名符号相反。,
附录给出了清晰的数值例子。两个池子的已观察损失和服务均为10,因此观察到的损失/服务值均为1。在模型A中,池1的隐藏部分是损失0、服务10,池2的隐藏部分是损失20、服务10。于是池1完整机会值为:
[ M_1^\star=\frac{10+0}{10+10}=0.5, ]
池2完整机会值为:
[ M_2^\star=\frac{10+20}{10+10}=1.5, ]
所以 (\Delta_{12}^\star=-1)。在模型B中,两个隐藏补全互换,池1的值变成1.5,池2变成0.5,排名差异变为 (+1)。,
这说明,即使两个池子的成交数据完全相同,完整机会层面的排序仍可相反。问题不是样本太少,也不是置信区间太宽,而是当前交易带对零执行概率机会没有任何信息。作者指出,只有完整机会记录、相关支持集上的严格正执行概率、限制隐藏机会构成的假设,或已知的观测—隐藏结构关系,才可能消除这种歧义;即使已知执行倾向,如果某类机会的执行倾向为零,也不能恢复该类机会的质量和数量。
为了从完全不可识别走向可分析,报告引入敏感性限制。令隐藏机会质量相对于已观察选择性质量为 (r),并规定:
[ r\in[0,\bar r], ]
隐藏机会的平均损失位于 ([\ell_{lo},\ell_{hi}]),平均服务位于 ([s_{lo},s_{hi}])。若观察到的损失和服务分别为 (\bar L_O,\bar S_O),完整机会值可概念化为:
[ M(r,\ell,s)=\frac{\bar L_O+r\ell}{\bar S_O+rs}. ]
这不是一个单点估计,而是在维护的隐藏机会类别下形成的区间。,
该函数是线性分式函数。只要所有可能组合下的服务分母都严格为正,函数在紧致参数区域上的像就是一个紧致区间,区间端点可以在有限个角点上求得,即 (r) 取0或(\bar r),(\ell)取上下界,(s)取上下界。,
对于有符号损失,不能简单套用“损失越高、服务越低必然产生最坏值”的单一交叉角点规则。由于分子可以为正也可以为负,服务分母的变化方向会影响比率的符号和极值位置。因此,作者采用完整的有限角点投影,而不是只使用适用于单边不利损失的简化公式。
这种“尖锐性”是相对于矩形敏感性类别而言的:在给定的质量、损失和服务范围内,每一个允许的组合都能够通过某种隐藏机会构造实现。如果进一步加入损失—服务之间的经济联系、跨池共享隐藏机会或共同隐藏质量上限,原来的区间仍可作为外部集合,但未必继续尖锐。,
损失/服务是比率,因此服务分母不能接近零。报告要求在所有观察支持参数和隐藏机会组合下满足:
[ \inf_{\theta,r,s}{\bar S_O(\theta)+rs}>0. ]
如果置信区域内的服务分母触及零,比例可能无界或符号不稳定,程序不会强行输出有限区间,而是报告“正性受限”。,
作者还说明,隐藏质量上限、损失严重度上限和分母正性是不同的限制。只有质量上限而没有严重度上限,隐藏损失可以无限增大;只有严重度上限而没有隐藏质量上限,在隐藏服务接近零时,损失/服务仍可能发散;没有正性条件时,服务为零也会使比率失去界限。
推断部分只处理已观察交易带的原始量,不把有限样本波动误当成隐藏机会识别信息。作者把每周交易带增量、损失、服务及相关协方差组成一个有限维原始向量,并利用计数过程补偿子将观察积分分解为条件补偿子和鞅波动。,
报告区分三个容易混淆的对象:
应用报告的是有限样本、路径条件意义下的对象,并没有把它扩大解释为所有市场状态下的无条件长期平均。鞅中心极限定理需要可积性、预测变差收敛和条件Lindeberg条件,但作者明确指出,这一理论本身不能自动证明每周区块自助法的有效性。
实际推断使用同步日历周移动区块自助法。所有池子、参考价格和排名对比都使用相同的周区块索引,以保留共同市场冲击和跨池相关性。,
这意味着程序没有采用两个池子各自独立抽样的简单bootstrap,因为那会破坏共同市场状态、同步价格冲击和跨池依赖结构。报告将bootstrap一致性作为一个单独的高层条件,而不是声称它由鞅中心极限定理直接推出。,
由于排名是比率、最小值和最大值的组合,端点函数在分支切换处可能不可微,接近分母零点时也不适合使用普通delta method。作者因此不直接对最终端点做插件bootstrap,而是先构造原始向量的联合置信区域,再把整个区域通过排名映射投影出去。,
对于形如
[ g(\theta)=\frac{n_0+n'\theta}{d_0+d'\theta} ]
的比率,作者使用Fieller型二次方程求置信椭球上的极值,并同时检查分母区间是否包含零。如果包含零,报告“正性受限”,不产生一个形式上精确但实际无界的有限区间。,
此外,报告的有效样本量仅针对服务权重,是一个诊断指标而不是覆盖率证明。它不能识别结构性零支持,也不能识别隐藏机会;对有符号损失权重,它甚至不定义。因此,高有效样本量不能被解释为隐藏机会问题已经解决。
图1展示了不同隐藏质量上限 (\bar r=0,0.05,0.10,0.25,0.50,1) 下,完整程序主要决策的重复实验比例。蓝色代表认证负排名,灰色代表不认证符号,红色代表因分母问题而正性受限。
图中的“Signed set”一行在所有隐藏质量水平都为1.00,说明在设计为真正具有明确符号的常规场景中,程序几乎总是能够给出正确方向的认证。Near-zero set一行在零隐藏质量时为0.96,其余格点为1.00,表示接近零的情形主要风险是无法认证,而不是错误认证。
“Hidden-mass breakdown”一行显示,在隐藏突破设计中,当 (\bar r=0,0.05,0.10,0.25)时认证负排名的比例为1.00;当(\bar r=0.50)和1时转为灰色不认证。这与图中的虚线前沿 (r^\star=0.33036)一致:真实集合在该阈值以下为负,超过该阈值后穿过零,程序因此应当撤回原先的排序认证。,
“Denominator screen”一行在所有隐藏质量水平均约为0.99,全部为红色。这不是模型判断某个池子好坏,而是说明在专门设计的分母跨零场景中,程序能够识别比率不稳定并采取弃权,而不是输出错误的有限范围。
“Common-shock tails”一行的数值为0.93、0.91、0.90、0.91、0.90、0.90,说明在具有共同冲击和厚尾误差的情形下,完整方法的主导决策仍较为稳定,但相较于普通设计存在一定的决策复杂度或有限样本压力。
所提供文本没有完整呈现表1的二维表格版式和全部单元格,但正文给出了主要数值,因此可以核实以下内容。完整方法在常规主要单元中的“有限输出条件下覆盖率”为0.993—0.998;有符号设计的认证概率为1.000;零穿越和分支切换单元的错误符号率为0.000。
在隐藏突破单元中,完整方法在(r=0)和0.25时认证负排序,在0.5和1时弃权。在分母跨越零单元中,正性受限输出的概率为0.990。这些结果支持作者所称的三类行为:正常条件下认证、隐藏不确定性变大后撤回认证、分母不稳定时弃权。
比较方法揭示了投影策略的重要性。插件端点bootstrap的覆盖率只有0.862—0.899,低于完整方法;观察支持Wald区间甚至可能认证一个只对已成交支持集成立、但对隐藏机会排名集合并不成立的符号。
半合成历史残差检验较为保守,四个压力单元中的错误符号率为0.000,有限覆盖率为0.956—0.986。这里的“覆盖”仍然应理解为对报告目标集合的统计覆盖,而不是证明AMM动态机制模型本身正确。
图2的纵轴是:
[ \Delta_{12}^{\circ}=M_{5bp}^{\circ}-M_{30bp}^{\circ}, ]
负值意味着30bp池的损失/服务比率较低、表现更优。图A采用“最后一笔外部交易”参考价,图B采用严格区块前的1秒VWAP参考价。虚线是观察支持点估计,浅色水平带是(r=0)时的抽样区域,随着隐藏质量上限增加,竖直区间表示投影后的排名集合。
在最后交易参考价下,5bp和30bp的点估计分别为0.112和0.455,因此点差约为(-0.343),方向上偏向30bp池;但在(r=0)时,95%的同步排名区间已经是([-1.18,0.65]),上端为正,故包含零。
图中随着隐藏质量上限从0增加到0.05、0.10、0.50和1,竖直区间明显扩大。这个视觉模式直接说明:隐藏机会不是简单地给点估计加一个固定误差,而是通过损失和服务同时进入比率,使可识别集合随敏感性范围扩大。,
1秒VWAP参考价下,点估计为0.463和0.878,点差约为(-0.415),仍然偏向30bp池;但是其排名区间同样跨越零。因此,两种外部交易参考构造在“是否认证”的结论上是一致的,但这只能说明结果对这两种公开交易参考较稳健,不能推断它对订单簿中间价也稳健。,
图2还体现出一个重要的程序规则:只要区间的一小部分位于零的另一侧,就不能认证符号。因而,点估计方向稳定并不等于排序经过统计认证。,
应用研究窗口是2024年1月1日至2025年12月27日,共104个同步日历周。主要外部参考来自Binance Spot ETHUSDC aggTrades:对每个链上swap,使用严格早于该swap所在以太坊区块时间的最后一笔交易;同一区块中的swap共享该区块之前的参考价格。
备用参考是同一交易流上的严格区块前1秒VWAP。作者没有使用全窗口的订单簿中间价序列。最后交易参考在两年窗口内的99分位时间陈旧度约为44秒,主要受到2024年初ETHUSDC交易对流动性较薄的影响。
这构成实证测量风险:外部参考价格可能无法精确对应链上成交瞬间的真实可交易价格,且陈旧程度具有时间异质性。作者没有声称该误差必然使损失偏高或偏低,并且参考价接受标准在观察结果之前预先固定,不依据最终损失符号事后调整。
最后交易参考下,5bp池的损失/服务点估计为0.112,30bp池为0.455;1秒VWAP参考下分别为0.463和0.878。两种参考都得到“30bp池点估计更优”的同一方向。
服务有效样本量分别为(3.2\times10^5)和(4.7\times10^4),说明服务维度的样本支持并不低,且报告明确称正性状况良好、没有分母退化。
但每周有符号损失原始量受到少数尖峰交易主导,因此推断有效的时间单位是104个相关日历周,而不是底层swap总数量。这是一个关键细节:大量交易并不必然意味着损失估计具有同等数量级的独立信息。
隐藏机会风险。 未成交机会可能拥有完全不同的损失和服务属性,并且在极端情况下单独决定排名符号。仅凭当前交易带无法验证隐藏机会范围是否合理。,
敏感性区间依赖。 (\bar r)、损失严重度区间和服务区间是外部设定的指数,而不是由成交记录估计出来的。区间越宽,排名集合越宽;如果这些限制过窄,结果会显得过于确定。,
参考价格测量风险。 外部最后交易或短窗口VWAP存在陈旧性和交易流动性差异,且两者都不是订单簿中间价。,
动态反事实风险。 原生跨池比较不能解释为改变费率或撮合规则后的因果效果。动态机制会改变执行路径、状态变量和后续机会,因此需要轨迹重演或结构模型。,
bootstrap有效性依赖。 同步周区块bootstrap的有效性是额外的高层条件,不是由鞅中心极限定理自动保证的;若周度过程不满足适当的弱依赖或局部平稳条件,覆盖率可能受到影响。,
共同完成类别假设。 两池排名集合使用池特定隐藏补全集合的笛卡尔积。若两池共享同一批隐藏机会、受共同隐藏质量预算约束,或者机会只能被某一池吸收,那么当前集合可能只是外部集合而非真正尖锐集合。,
外部有效性有限。 数值研究是历史校准的标记Cox设计,而不是结构性AMM模拟;真实应用也只是两个Uniswap v3池的描述性案例,不能推断整个AMM市场或所有费率层级。,
报告最有价值的地方,是把“点估计差异”“统计显著性”和“由选择机制生成的数据是否足以支持比较”这三个问题明确分开。它没有把较低的观察损失/服务比率直接解释为更优机制,而是要求在所有允许的隐藏机会补全和抽样误差下,排名区间仍保持同一符号。,
其理论论证具有清晰的内部逻辑:先用双交易带构造证明隐藏机会导致非识别,再用隐藏质量、损失和服务包络形成部分识别集合,随后对观察支持原始量构造联合置信区域,最后将置信区域投影到比率排名函数上。, ,
需要谨慎的是,结论的“尖锐性”只是在作者设定的矩形隐藏机会类别和池间独立补全类别内成立;这并不意味着该敏感性类别本身具有唯一的经济合理性。此外,实证样本只有104个相关周,损失又由尖峰主导,因此不能将高服务有效样本量等同于所有损失排名的不确定性都已消除。,
总体而言,报告的最终立场不是“30bp池一定优于5bp池”,而是:“在观察到的WETH–USDC交易带中,30bp池的点估计损失/服务比率较低,但同时95%排名区间包含零,因此不能认证其优于5bp池;加入隐藏机会后,不确定性只会扩大。”,
这项研究的核心方法论信息可以概括为:当交易机制同时决定“哪些交易发生”和“哪些交易进入数据”时,诚实的分析结果有时不应当强行排名,而应明确报告不认证或正性受限弃权。,
2609.19013.pdf