下面对您提供的研究报告 “Trading in CEXs and DEXs with Priority Fees and Stochastic Delays” 进行极其详尽的逐节分析、图表解读与批判性评估,分析中尽量逐条对应原文要点并给出溯源页码标注(每处从原文得到的结论或推断句末均带有 [page::页码] 标识)。总体结构:元数据与概览 → 逐章精读(逐节解析:模型、控制、目标函数、假设、主要引理/命题)→ 图表深度解读(每张图以原图嵌入并解析)→ 估值/策略分析与数值实验解读 → 风险与批判性视角 → 结论性综合。
一、元数据与总体概览(引言与报告要旨)
报告题目:Trading in CEXs and DEXs with Priority Fees and Stochastic Delays;作者:Philippe Bergault, Yadh Hafsi, Leandro Sánchez-Betancourt;机构:CEREMADE (Université Paris Dauphine-PSL), CMAP (École Polytechnique), Mathematical Institute & Oxford-Man Institute (Univ. of Oxford);发布日期:February 12, 2026。原文标题、作者与日期明示于文首。1
研究主题:建立并分析一种“混合控制 + 冲击(impulse)控制且含随机执行延迟(可控均值)”的框架,并将其应用到 CEX(中心化交易所)与 DEX(去中心化交易所)之间的最优交易问题,其中“优先费(priority fee)”是控制变量之一,能影响交易在链上被执行的延迟分布的均值。1
报告核心结论(概括):作者提出一个允许(i)对冲击执行延迟的均值进行控制、(ii)允许多个待执行(pending)订单并异步执行的新型冲击控制问题,并给出该问题的动态规划原理(DPP)与对应 HJB-Quasi-Variational Inequality 的粘性解(viscosity solution)性质与唯一性结果;在金融应用上,模型给出在 CEX/DEX 之间如何在延迟/不确定性与手续费之间权衡来选择优先费的策略,数值实验表明优化优先费显著优于随机或非策略化选择,且增加优先费档位的边际收益迅速递减(plateau)。1 2
二、逐节深度解读(遵循论文结构)
引言与贡献(Section 1 与 Summary)
文献定位与贡献点:作者声明其贡献有两方面——在冲击控制理论上允许(a)控制冲击执行延迟的均值并且(b)允许有限数量的待执行订单(pending orders);在应用上首次把 DEX 中的“priority fee”作为控制变量引入到最优执行问题中,研究延迟、手续费与不确定性的权衡。2
与既有工作的关系:文中指出与若干先前工作(如处理确定性延迟或不受控随机延迟的文献)比较,本文在随机延迟之上引入了“可控均值”且允许多 pending orders,从而扩展了[11]、[7]、[20] 等工作的设置。2
问题形式化(Section 2:模型构造与控制集合)
概率与过程框架:定义时间地平线 T,概率空间支持 q 维布朗运动 W 和一族点过程 (N^i)_{i∈I},并给出相应的自然过滤 σ-域构造与完备化。3
离散化的优先费设定:出于计算可行性与建模简化,优先费被离散化为 N 个档位,每个档位 i 有对应费用 𝔭_i>0 与期望延迟 ℓ_i>0,且假定 i<j => 𝔭_i<𝔭_j 且 ℓ_i>ℓ_j(即更高费带来更小期望延迟)。作者明确将 N 视为有限以便用有限家点过程族建模。3
控制变量与冲击执行:控制由两部分组成——连续可控速率 ν_t(在 CEX 上连续交易)与冲击序列 (τ_n, I_n, ξ_n)(在 DEX 上提交订单,τ_n 为提交时间,I_n 表示选择的优先费档位,ξ_n 为订单量);订单在下一个对应点过程的跳点 T^{I_n}_m 上被实际执行,定义执行时间 \tilde{τ}n = next jump after τ_n 的时间,故冲击具有随机执行延迟,且 Lemma 2.1 给出 \tilde{τ}n - τ_n 是 Exp(ℓ {I_n})(指数分布,其参数为 ℓ {I_n}),这利用了点过程的性质与记忆无关性。3 4
待执行订单状态表示:用 iota(t,α) 表示在时刻 t 下仍在等待执行的订单索引集合,k(t,α) 表示 pending 数量(≤K),同时有待执行订单的数量向量与体积向量(\mathfrak{i}, \mathfrak{v})用于扩展状态空间,使得控制问题是关于 (t, x, \mathfrak{i}, \mathfrak{v}) 的混合控制问题。4
状态动态与冲击映射:在执行时间 \tilde{τ}_n,状态 X 在映射 Γ 下发生跳跃(impulse map);在两个冲击之间,状态满足受连续控制 b(·) 与扩散 σ(·) 影响的 SDE(式(5)),冲击项是跳跃修正项。5
性能准则与价值函数:定义运行收益 f、终端收益 g 与冲击成本 c(依赖于优先费与订单大小),总体绩效 J 为运行收益的期望累加减去在执行时刻支付的干预成本,价值函数 v 为对可行策略的 supremum。5
基本假设与存在性/增长性质(Assumptions & Propositions)
假设摘要:A1–A6 给出了可测性、连续性、线性增长、Lipschitz 类型条件、非退化扩散(uniform ellipticity)等技术假设,确保 SDE 有唯一强解并保证价值函数具有二次型增长边界(Lemma 2.3)。这些假设是后续 DPP 与粘性解理论的关键技术条件。6
命题与引理:Proposition 2.2:在 A1–A5 下 SDE 存在唯一强解并满足 p 次矩有界性的瞬时上界;Lemma 2.3: 价值函数满足下界 ~ C1(1+||x||) 与上界 ~ C2(1+||x||^2) 的增长控制,这保证后续比较原理等所需的紧性/增长控制条件。6
动态规划原理与 HJB-QVI(Section 3)
DPP(Theorem 3.1):价值函数满足动态规划原理:任一停时 τ,价值可由从 t 到 τ 的累计收益 + τ 时刻的价值 v(τ, X_τ, p(τ)) 的指派所表达(DPP 的两部分均给出:上界与 ε-近似可实现策略)。DPP 的证明依赖可测选择与记忆无关性(指数延迟导致的 Markov 性),并说明 \tilde{τ}_n 是停止时间且延迟为指数分布(Lemma 2.1)。7 4
HJB-QVI 的形式:在未达到 pending 上限(m < K)时价值满足混合的 QVI(式(11) 的形式):min{ -∂_t v - sup_a H^a(·), v - 𝓜 v } = 0,其中 𝓜 是非局部干预算子(在时刻提交新的待执行项:增加对应 \mathfrak{i} 与 \mathfrak{v} 分量),而 H^a 包含局部微分算子 𝓛^a(扩散+漂移)与待执行订单的执行算子 𝓘(execution operator,体现 pending orders 以 rate ℓ_i 执行并造成跳跃+成本)。当 m = K(已满 pending)时无干预项,方程退化为纯 HJB PDE(式(14))。8
执行算子 𝓘 的金融含义:𝓘 对每一个存在的 pending level i 考虑以速率 ℓ_i 执行该 pending 单,执行时根据 Γ 更新状态并扣除对应的成本 c;因此 𝓘 是一项“以指数速率随机触发”的非局部项,将随机延迟的影响纳入 PDE 中。此处也强调若允许带标记的点过程则 𝓘 需加上对 mark 的期望(Remark 3.2)。8
粘性解(viscosity)框架与比较原理:定义粘性子/超解并证明价值函数是粘性解(Proposition 3.4),并通过比较原理给出唯一性与连续性结果(Theorem 3.5),从而建立了 HJB-QVI 问题的解性拐点。此处证明策略依赖于 DPP、构造严格超解与 Ishii 引理 等粘性解技术细节。9
平滑拟合与光滑性讨论(Section 3.3)
作者指出在更强光滑性假设下(对本地动力学与成本等的 Hölder / C^{1+β} 假定),可借助自由边界理论得到更高正则性:在 continuation region(无冲击区域)内 v 具有 C^2 正则,且 free boundary 满足 value-matching 与 smooth-fit(即价值与其 x 的导数在边界连续匹配),从而可把 QVI 解释为经典的自由边界问题(并引用 Guo & Wu, Pham 等文献)。这是针对想要更强几何/单调性与定量边界特性读者的补充说明。10
CEX-DEX 最优交易具体化(Section 4.1;模型细节)
状态量与动力学:在应用中取三维受控状态 X = (S, Q, Z),其中 S 为 CEX 价格,Q 为持仓,Z 为 DEX 池中 midprice(pool midprice)。S 模型为布朗增量(无漂移,martingale),Z 有均值回复项 κ(S - Z)、波动 σ^Z 以及受作者离散 DEX 交易(agent 的 executed DEX trades)造成的冲击项 sum h(ξ_n, Z_{τ_n^-})。函数 h(ξ,Z)=ψ(Z) ξ,ψ(Z) = 2 Z^{3/2}/d,d 为池深度,体现了恒定乘积池(constant-product AMM)的价格冲击依赖于当前 Z 与交易量 ξ。11
现金流与执行成本:CEX 上以速率 ν_t 交易时的即时交易成本包含临时冲击项 k ν^2;在 DEX 上的执行收入/成本由 γ(ξ,z) 函数给出(作者给出闭式表达式 γ(ξ,z)= d^2/(ξ-d√(1/z)) + d √z),并在执行时支付优先费 𝔭_{I_n},因此干预成本 c = γ - 𝔭_{I_n}(文中为便捷略去 base fee、将其并入 priority fee 向量)。11 12
运行与终端目标:运行收益 f = -ν(s + k ν) - φ q^2,终端收益 g = q s - Ξ q^2;其中具有仓位惩罚项 φ, Ξ。目标是最大化最终期望财富(含尚未执行的 pending 订单的风险/成本),即回到一般性能 J 与 v 的定义。11 12
最优连续控制的一阶条件:首先通过 Hamiltonian 优化对 ν 求最优,可得 ν^* = (∂_q v - s) / (2k)(式中体现库存对连续交易速率的驱动)。12
三、图表与数值实验的逐一深度解析(包括原图嵌入与逐项解读)
注:下文每幅图先以 markdown 格式嵌入原图(使用相对路径与 page 参数以便溯源),随后给出图形所示内容的细节解释、趋势识别及其与文本论断的联系与限制。
Figure 1(价值函数与行使/继续区域,q=0)13
13
图示说明:左图为 s(横轴,CEX 价格)与 z(纵轴,DEX 池 midprice)平面上的二值决策区域图(黄色标示 exercise,即提交 DEX 单;暗色标示 continuation,即在 CEX 连续交易或等待),右图为价值函数 v(t,y) 的热力图(同样以 s,z 网格绘出)。图标题与脚注表明此情形为 inventory q=0。13
解读与趋势:图中明显的对角“带状”continuation region(位于 s≈z 的对角带)表明当两处价格接近时最优策略是等待/继续(不立即向 DEX 下单),而当 s 与 z 出现较大偏离(两侧黄色区域)时行使(发单)成为最优,此结构在文本中被解释为“基于套利驱动,当场外价格与池内价格发生足够大偏差时才执行”,并强调该结构关于价格方向具有对称性(即只关心绝对差值,而非方向)。这些观察与文中描述完全一致。13
与理论的联系:该图可视化了 QVI 中的 free-boundary(行使 / 继续边界),并验证了“在 continuation region HJB 的连续控制起主导作用;在行使区,冲击操作(提交 DEX 单)将被优先选择”的理论分区意图。13
Figure 2(最优连续交易速率 ν^* 在 s vs q 下的敏感性,z=2700, t=0.1)13
13
图示说明:热力图横轴为库存 q(从负到正),纵轴为 CEX 价格 s,颜色表示 ν^*(t,y) 的大小(正为买入,负为卖出)。13
解读:图中 ν^* 明显主要随库存 q 变化(从大正 q 时对应强负 ν^*,即倾向卖出以降低库存),而对 s 的敏感性弱。文中解释这一点的原因是 S 被建模为无漂移 martingale(未给出长期方向性收益),因此连续交易速率主要由库存管理和惩罚项驱动,而非价格预期,这与热图所示一致。13 14
Figure 3(库存 q=40 下随时间 t0<t1<t2 行为演化)14
14
图示说明:三面板分别对应 t0=0.2, t1=0.5, t2=0.8。均为 s vs z 的行使/继续区域地图,库存固定 q=40(较大正值)。14
解读:随时间靠近终端,行使区域逐步扩张并变为“单边”(主要在一侧为行使区),反映代理人倾向在接近到期时更积极去降低仓位(因为终端持仓的平方惩罚项导致清仓压力),且行使的方向性体现了不愿在期末保留多余正仓位(即在 q>0 时更愿卖出)。作者在文本中同样指出随着时间推进“紧迫性”增强,行使区域变得更具攻击性(aggressive)。14
Figure 4(优先费策略随时间的空间划分,q=0)14
14
图示说明:三面板显示在不同时刻 t0<t1<t2 下每个(s,z) 状态对应最优选择的优先费档位(颜色编码:cont/fee1/fee2/fee3 等),即在行使时作者决定选择哪个 priority level。14
解读:图中显示在接近终端时(右面板)更多的状态会被映射到较高优先费(fee3),而在早期更多状态选择等待(cont)或较低优先费,表明随着时间推进对执行确定性的需求上升;而在相同绝对价差下,越大的差异更可能触发付更高费用以保证执行快速到达(经济逻辑与文中结论一致)。14
Figure 5(对 exogenous 到达强度 ℓ 的敏感性)15
15
图示说明:三面板从左到右分别对应增加的点过程到达强度(ℓ_0, ℓ_1, ℓ_2,且 ℓ_2 > ℓ_1 > ℓ_0),时间固定 t=0.5。颜色同 Figure 4 表示最优费档位/继续。15
解读:当外生的到达强度增大(意味着即使低 priority 档位也能较快被执行,即延迟变短)时,低优先费的区域扩张,高优先费区域缩小;直观上,当低费就能得到足够快的执行,额外支付更高费的边际收益下降,因此更常选择低费。这一结论在文中被明确指出并解释其经济含义。15
Figure 6(价值对优先费档位数 N 的敏感性:norm of v_0)15
15
图示说明:横轴为可选优先费数量(N),纵轴为对全网格上 t=0 的价值函数范数 ||v_0||(衡量总性能/期望收益的规模)。15
解读:曲线显示随着 N 增加,价值确有提升,但在约 N≈30 之后趋于平坦(plateau),表明增加更多的优先费档位带来的边际收益极小,这支持作者关于“有限数量优先费近似连续选择即可获得几乎最优”的论断。15
附:对比随机基线(randomized fee baseline)实验结果
文中最后给出一项对照实验:在其它决策(连续控制 ν^* 与干预时点)不变的情况下,将优先费选择改为均匀随机(J ∼ Unif{1..N}),并在 N=3 情形下做 100 次模拟平均;结果显示最优策略相对随机选择在 ||v_0|| 上提升 18.2%(文中数值)。15 16
四、估值/策略分析与数值方法(方法学点评)
数值参数与标定:作者采用与 [1] 中对 ETH–USDC 市场数据的标定一致的参数(S0 = Z0 = 2820, σ^S = 0.0569×S0, κ=1, σ^Z = 0.00569×S0, d=50000 ETH 等,优先费第一档 𝔭_1=100,后续每档+200,延迟 ℓ_1=2,后续每档+0.5),并使用“standard numerical schemes” 求解 HJB-QVI(具体数值求解方法在正文未详细展开)。13
数值实现上的关键点:数值解 HJB-QVI 涉及高维状态(s,q,z, pending vectors),非局部干预算子与随机执行算子 𝓘 的处理需要在离散网格上对 pending 配置与执行概率进行显式计算,报告给出的图与曲线证明作者实现了一个有限格数值方案,但关于收敛性、网格细化测试与计算复杂度(pending 配置膨胀、N 与 K 的组合爆炸)并未详述(文本仅说“standard numerical schemes”),这在可复制性与稳定性方面是一个值得注意的技术空白点。13
五、风险因素评估(模型假设与实际应用的潜在风险)
下面列出作者已识别/建模的风险(及我基于报告文本的评估):
离散化优先费的建模:作者有意将优先费空间离散化为 N 个档位以便构造有限族点过程(并声明这是 mild simplification 不改变结果的定性行为),但在现实链上优先费通常是连续且矿工/验证者的选择机制可能更复杂,离散化可能对策略的精细边界产生影响,尤其在费价弹性高或竞争激烈时敏感度更高。3
指数延迟假设(memoryless):核心假设之一是不同优先费档位对应的执行延迟差服从指数分布(Lemma 2.1),这为 Markov 性和 DPP 的推导提供便利,但在真实区块链中延迟分布可能呈 heavy-tail(长尾)、或与网络拥堵、MEV 博弈、打包策略有关而非纯指数,若偏离显著会影响最优选择的界面与策略鲁棒性。4
有限 pending orders K 的上限:模型限制 K 为有限,保证状态空间有限展开并便于理论分析,然而在实践中流动性提供者或套利者可能同时向多个交易对/多个池提交大量待执行交易;K 受限会限制策略多样性,作者虽说明这是为 tractability 而设,但要注意对大型高频策略的适配性。4
冲击与价格影响函数的具体形式:作者采用 h(ξ,Z)=ψ(Z) ξ 并给出 ψ(Z) = 2 Z^{3/2}/d、γ 的闭式表达式,这是基于 constant-product AMM 的近似(并引用文献),但该近似在极端大单、低深度或手续费结构复杂(含滑点、阶梯费率、滑点保护)时可能失真。11
数值/实现风险:作者未详细说明数值求解具体 scheme(例如如何处理高维 QVI 的非局部项、如何作插值/离散化、迭代求解的稳定性与收敛准则),因此在再现实验或将方法用于实时交易系统时需谨慎并补充数值稳定性检验。13
基本经济机制的忽略项:模型将矿工/打包者反应简化为通过优先费直接控制到达速率 ℓ_i,忽略了其他市场参与者对手续费的竞价反应、MEV 攻略、前置/后置交易(front-/back-running)以及矿工/验证者策略,这些在真实 DEX 环境中会改变延迟分布与有效成交概率,从而影响模型预测的策略优劣。2 3
六、批判性视角与细微之处(基于报告内容的审慎评价)
假设的技术强度:A2 在文档中呈现为一个较为混乱的 Lipschitz 类型不等式(似有印刷/排版问题),但总体意图是对 b, σ, Γ 的 Lipschitz/连续控制;这种技术假设是标准的但在强非线性或非常规冲击映射下可能难以满足,值得在后续工作中详细校验与放宽。6
指数延迟与 Markov 性:报告充分利用指数分布的记忆无关性以获得 Markov 性并简化 DPP 的论证(见 DPP 证明处),但若延迟并非指数,DPP 的证明和 PDE 形式将更复杂,甚至需要扩展状态维度以记录“年龄(age)”或者以更复杂的半马尔可夫/非局部项表达,这会显著增加数学与数值难度。4 7
成本函数 c 的建模选择:在应用部分,c = γ(ξ,z) - 𝔭_{I} 体现为“交易成本减去优先费”,但若区块链存在额外费用(base fee, priority tip, gas price 竞争)或退款机制、或者优先费有非线性折扣/阶梯,模型需扩展;作者提到为了简便将 base fee 包含在 priority vector,但这在真实计价中可能掩盖了与 base fee 共同波动的风险。12
数值实验的外推性:作者用 ETH–USDC 标定并得到一系列直观结论(如优先费档位对收益的递减边际效应),这些结论在相应参数域内可信,但在不同市场条件(深度 d 不同、波动 σ^S/σ^Z 比例不同、κ 不同)下可能出现不同阈值与边界形状,建议未来工作给出对关键参数的鲁棒性图(敏感性网格)并公开数值代码以便复现。13 15
七、结论性综合(对全文的关键发现与图表见解汇总)
理论贡献:论文提出了一个新颖的混合控制 + 冲击控制框架,允许控制冲击的期望延迟并允许多个待执行订单,建立了 DPP 并证明价值函数为 HJB-QVI 的唯一粘性解;在满足 A1–A6 的技术条件下,作者给出存在性、唯一性与连续性理论保障,并讨论了在更强光滑性假设下的 smooth-fit 与自由边界的可微性结果。2 7 9 10
金融应用发现:在 CEX-DEX 最优交易情景中(基于 ETH–USDC 标定),模型显示:
当 s≈z 时优选等待(continuation band),偏离越大越倾向于在 DEX 执行(exercise region),该 free-boundary 在 s-z 空间中为对角带式结构(Figure 1)。13
连续控制 ν^* 主要受库存 q 驱动,对 CEX 价格 s 敏感性弱(Figure 2),因为 S 被建模为 martingale 无漂移,这使得交易速率主要为库存管理工具。13 14
随着时间临近终端,清仓压力使得行使区域扩大并更具方向性(Figure 3),对应更频繁/更高优先费的使用(Figure 4);当外生到达强度提高时,低优先费档位可获得更快执行,从而高档位的边际价值下降(Figure 5)。14 15
将优先费可选档位从 1 增加至较多档位会显著提升价值,但在约 N≈30 后边际收益几乎耗尽(Figure 6),这一点对策略设计有直接含义:在实践中只需考虑有限且较少的优先费档位即可接近最优。作者还给出实证式对照:相对于随机选择优先费,最优选择提升了约 18.2%(在其实验设定下)。15 16
实务建议与后续工作方向(基于文本与分析的谨慎建议):若要把本模型直接应用到生产环境或高频策略,需要: (i) 对延迟分布的实证拟合(检验是否为指数/近似为指数),(ii) 将矿工/打包者行为、MEV 竞价与多代理互动纳入以检验策略在更多博弈性环境下的稳健性,(iii) 提供更详细的数值方案与代码以便工业界复现并在真实网络/回测上测试策略表现。4 13 15
八、附注(文本质量与可重现性)
文本中少数位置存在排版/符号紊乱(如 A2 式处),但总体数学结构、论证逻辑完备且引用了粘性解、Ishii 引理、Berge 最大值定理等标准工具;数值实现细节未完全公开,建议若要用于实务或复现研究需补充数值方法与代码(作者提到使用 standard schemes,但未给出具体实现细节)。6 13
總結(单段概括):
本文在理论与应用两端都提出了有意义的扩展:定义并解决了“允许控制冲击延迟均值与多 pending orders 的混合控制冲击问题”,并将其成功应用于 CEX/DEX 间的最优交易问题以研究优先费的价值与选择机制;数值结果展示了直观且稳健的行为模式(等待带、对称性、时间逼近加速清仓、优先费边际收益逐渐递减),同时也指出了在真实链上情景(延迟分布的形态、矿工行为、MEV 等)下需要进一步检验模型假设与策略稳健性的方向。2 13 15
若您希望,我可以继续做以下深化工作(可选):
为报告中的 HJB-QVI 给出伪代码/数值求解流程(离散化网格、待执行状态空间编码、非局部项的离散化方法与收敛验证)以便复现报告图表;
针对区块链真实数据(例如以太坊 mempool/打包延迟与矿工 fee 收益数据)拟合延迟分布并检验指数假设的有效性;
基于更现实的优先费-延迟(或矿工竞争)模型扩展分析并做鲁棒性实验(例如延迟 heavy-tail、优先费被其他参与者竞争影响)。
如需我展开上述任一方向,请告知优先级与希望的输出形式(技术笔记、代码草案或进一步的数学推导)。