下面对论文 “Competition between DEXs through Dynamic Fees” 进行详尽、逐章的结构化剖析与图表逐一解读,重点解释每一个重要论点、关键数据、假设、结论以及图表所传达的信息。文中所有从原文得到的重要结论或推断的句末均标注了原文页码溯源标识 [page::页码](最多每处引用不超过两个页码),便于后续核查。以下分析按照开发者要求分节呈现,并在图表分析处以 markdown 图片引用原文图像路径以示对应关系。
一、元数据与概览(引言与报告概览)
报告标题、作者与日期:论文标题为 "Competition between DEXs through Dynamic Fees",作者为 Leonardo Baggiani、Martin Herdegen、Leandro Sánchez‑Betancourt,发布日期标注为 2026 年 3 月 11 日。 1
研究主题与目标:研究多个去中心化交易所(DEX)之间通过动态费用(dynamic fees)竞争的博弈性质,并刻画近似纳什均衡、推导可解释的封闭形式费率近似表达式,以及分析竞争对执行滑点、LP 收入及噪声交易者影响的福利含义。 1 ,2]
核心结论(高层摘要):
在竞争下最优费率仍呈“二阶段”结构:一阶段提高费用以阻止套利,一阶段降低费用以吸引噪声交易;但“切换边界”从仅与 oracle(CEX)价格相关,变为 oracle 与竞争对手报价的加权平均。 1 ,2]
在经济相关区域内,均衡费率可被近似为对自身和对手库存的线性函数,从而支持低 gas 成本的线性费率实现。 1 ,2]
随着竞争对手数量增加(在总流动性固定的前提下),对战略性流动性 taker(可路由到最优报价者)有利,单个 DEX 的费用收入下降,噪声交易者的滑点取决于市场活跃度(低活动时更糟,高活动时更好)。 1 ,2]
二、逐节深度解读(逐章精读与剖析)
(注:每小节先给出章节定位,随后逐条分析该节的论点、逻辑、关键数据、假设及可能限制。)
摘要与引言(Sections: Abstract & Introduction)
关键论点:作者指出 AMM 在 DEX 中占主导地位,且动态费用成为可配置的控件(尤其在 Uniswap v4 等实现了“hooks”的环境中),因此研究动态收费的竞争博弈既有理论也有实践价值。 1 ,1]
论据与文献基础:文中引用了大量先前工作(静态费率的最优性、适应性曲线、动态模型下的最优费率等),并明确将本工作定位为扩展 Baggiani et al. (2025) 的单池(垄断)动态费率模型到多池(竞争)场景。 2
意义:引言强调,多个池同时存在会导致路由选择行为出现外部性,使每个池的动态费率决策成为相互依赖的策略问题,从而需要求解动态博弈而非单体控制问题。 2 ,2]
模型设定:两玩家模型(Section 2)
体系与变量:作者建立有限时域 T 的常函数市场做市器(CFMM)模型,两池 a,b 交易同一对资产(无风险资产 X 与风险资产 Y),每个池在离散库存格点上运行,定义了边际汇率 Z、买入/卖出离散汇率 Z_-、Z_+ 等。文中对交易函数 f、level 函数 φ、并对离散网格 y^{i,j}、x 网格作了详细定义与约束(保留量界、单调性等)。这些基础构造为后续的订单到达与费用依赖报价提供离散状态空间。 4
费用结构:每个池 i 选择两个可预测的费率过程:买入费 m^i(对买方向)和卖出费 p^i(对卖方向),费率以 X(无风险标的)计并存入外部现金账户(不影响池内 AMM 机制)。费用被设为依赖于两池的库存状态,从而导致费率为二维函数: m^i(y^i, y^j), p^i(y^i, y^j)。 4 ,4]
订单到达强度建模(重要):对每池 i,买/卖订单到达由可控点过程 N^{i,±,·} 给出,其强度为基线 λ^{i,±} 乘以关于(有效)价差的指数函数,形式包括两个源:与外部 oracle S_t 的价差和与对手池报价的价差(参数 k^{i,0}、k^{i,j} 为敏感度/衰减系数)。因此套利者在当池价相对 CEX 或竞争池存在可获利错配时会变得活跃,而噪声交易者提供基线流量。该强度函数在数学上以指数形式放大价差影响,这使问题在解析上与 Avellaneda–Stoikov 型模型相近,但多了跨池项。 6
目标函数与控制问题:每个流动性提供者(LP)以最大化期望累计费用收入为目标,在动态博弈中把对手的费用策略视为既定(納什均衡拟定)。控制域为可预测的费率进程。价值函数 v^{a}, v^{b} 的 HJB 导出显示这是耦合的非线性 PDE(随后给出一系列推导与求解近似)。 7 ,7]
模型假设的关键点与限制(作者声明):
总深度 p^i 固定(短期内 LP 不调节流动性),以聚焦费用竞争;该假设可放松到网格上随时间演化但未在本文实现。 5
在后续近似中,作者将 S_t 视为参数,并做出“单一玩家库存变动对他人价值函数影响可忽略”的一阶近似(详见 Remark 2.1 和近似展开)。这些简化用于将耦合 PDE 约化为可计算矩阵指数形式,但它们是近似假设的核心来源,也构成模型有效性的潜在风险点。 8 ,20]
HJB 最优条件与近似解法(Section 2,HJB 推导与 Theorem 2.2)
一阶条件(封闭式费率表达):在对 v 的一阶条件下,作者给出费率的解析形式(例如式子显示 m^{a,*} = [1 + k^a (v^a(t,s,y^a,y^b) - v^a(t,s,y^a - Δ_-, y^b))] / [k^a Z_-^a Δ_-^a],对其他费率类似),这直接将局部边际价值差映射到最优费率。该结构保留了与 Avellaneda–Stoikov 模型中“1/κ 与半价差”的对应关系(Remark 2.3)。 8
近似方程与线性化技巧:通过对价值函数做指数变换 w = exp(k v)(非线性转线性技巧)并假设对手库存扰动对本玩家 v 的影响可忽略,作者将原本耦合非线性的 HJB 转化为线性的矩阵-差分系统,从而得到以矩阵指数 exp(A (T-t))·1 给出的显式 w 解——这是本文能够得到“近似封闭形式费率”并在数值上高效计算的关键数学步骤。 9
Theorem 2.2 的含义:该定理为离散库存格上构造矩阵 A 的明确配方,并给出 w 与 v 的重建公式以及对应的费率最大化解表达形式(用相邻格点的 w 比值给出 log 比,从而回推费率)。这说明在近似假设下,均衡费率可直接由矩阵指数运算得到,从而便于数值求解与灵敏度分析。 9 ,9]
需要注意的数学与文本问题:原文 HJB 的显示在几处包含排版/字符异常(大量非法符号/拼写碎片),但关键的推导结论(一阶条件与矩阵化解法)仍然可识别。读者应警惕这些排版错误可能隐藏更深的推导细节,需回到作者提供的原始 LaTeX/代码以验证公式连贯性。 7 ,8]
数值结果与敏感性分析(Section 3)
参数设定(用于数值示例):使用恒定乘积市场做市器(CPMM),取 (p^i)^2 = 10^8/4,λ^{±}=50(基线强度),k^{i,0}=k^{i,j}=2(敏感度),时间 T=1,S_0=100,初始库存 y^{a,0}=y^{b,0}=500,库存网格使得每笔交易使 price Z 变动 0.1 单位等。该参数集与作者先前工作一致,便于和垄断基线比较。 10 ,10]
主数值结论(概观):
最优费用仍呈二段结构(高费以抑制套利,低费以吸引噪声流量),但“切换点”偏移为 oracle 与对手报价的加权平均,图示中可观察到三种对手报价情形(Z^b 等于 S、稍低、稍高)对应切换位置的变化。 10 ,10]
在有效区域内,最优费率对自身库存的依赖近似线性,故可用线性费率近似来实现几乎相同的绩效(节省 gas 成本)。作者展示了线性拟合与最优曲线几乎重合的数值图与误差表。 11 ,11]
对敏感度参数 k^{a,b}, k^{a,0} 的影响:降低 k(变得对价差更不敏感)导致更高的最优费率,且当跨池敏感度 k^{a,b} 很小时模型接近垄断情形(切换阈更接近 oracle),这与费率大致反比于 k 的标度关系一致(公式体现为 1/(k^a) 比例)。 12 ,12]
对基线流量 λ 的影响:提高 λ(更多基线噪声流量)导致费率更平滑但极端值更大;直观解释是场地预期更多订单,因此可以收取更高费用而不至于流失订单。 12 ,12]
三、图表与图像(逐个图表深度解读)
(下列每个图均给出:描述、趋势、文本联系、底层数据/限制、并用 markdown 引用原图)
Figure 1(页 10,三个面板)
描述:在 t=0.5 时,展示 player a 的最优卖出费 p_a^(实线)与买入费 m_a^ (虚线)随自身库存 y^a 的变化;三个子图分别对应对手即时价格 Z^b(y^b) 分别等于 S_t (左)、低于 S_t (中)、高于 S_t (右)。 10 ,10]
解读与趋势:所有子图均显示 p_a^* 随 y^a 增加而下降、m_a^* 随 y^a 增加而上升,两条曲线在某处相交形成“切换点”;当对手价格低于 oracle(中图)或高于 oracle(右图)时,该切换点显著向对手价格方向移动(中:切换点右移,右:左移),说明竞争对手的报价影响本池决定何时由阻套利转为吸引噪声的界限。 10 ,10]
文本联系:作者将此作为竞争导致“切换边界为加权平均”的图示证据。 10 ,10]
可见限制:图为单一参数配置的截面,实际行为随其他参数(k、λ、网格步长)会有所不同;此外图中靠近库存边界处曲线有些小幅非线性凸凹,可能来自离散格点/边界效应。 11
Figure 2(页 11)——线性近似对比
描述:在同一设置下,展示最优费率与以参考状态线性拟合得到的近似曲线重合情况(t=0.5)。 12
解读:图示显示在参考邻域(围绕 S 与对手报价的加权平均处),线性近似与最优解几乎不可区分,从而支持实务上用线性函数实现动态费率以节省链上成本。作者在后文数值表中进一步证明线性策略与最优策略在收益上几乎等效。 12
Figure 3(页 11,两个 3D 面)
描述:费率随自身库存(X 轴)与对手库存(Y 轴)的二维曲面:左图为买入费 m_a^,右图为卖出费 p_a^ 。 12
解读与趋势:两幅面都近似平面(线性平面倾斜),表明费率对两个库存变量的近似线性依赖;买入费在一侧整体上升而卖出费在另一侧整体下降,呈现角度对称性(与一阶反差有关)。 12
文本支持:作者用此图说明“费率约线性依赖于自身与对手库存”并在数值表中以线性策略验证性能。 12
Figure 4–6(页 12)——敏感性(k 与 λ)
描述:展示当 k^{a,b} 或 k^{a,0} 降低至 0.1(Figures 4 & 5)、或当 λ 增加到 100(Figure 6)时费率的变化。 12 ,12]
结论要点:降低跨池敏感度使得费率更接近垄断(切换点更靠近 S),同时总体费率上升;提高基线流量 λ 导致更大幅度的极端费率并使曲线更平滑。作者总结出费率与 k 成反比且与 λ 正相关的定性关系。 12 ,12]
Figure 7–8(页 13)——时间序列与 oracle 敏感性
描述:展示费率如何随时间演化(t 轴)且按库存用色标区分,并展示费率如何随着 oracle S_t 变化而单调调整(买费随 S 增加而升,卖费随 S 增加而降)。 13 ,13]
解读:费率随着到期(T)临近而上升(期望剩余交易机会减少,LP 更倾向于提高费率以锁定收益);对于 oracle 的单调性解释为:当 S 上升,买入套利吸引力上升,故提高买费以抑制买单;相反降低卖费以保住卖单流量,这一逻辑在图中得到验证。 14
Tables 1–4(页 14–15 & 23)——大规模蒙特卡洛模拟统计
描述:表格列出在不同 k、λ 设定与不同费率策略(Optimal、Linear、Constant)下,玩家 A、B(或多玩家)以及总和的平均 Fees(费用收入)、Sell/Buy 交易次数与交易量(Vol)。这些结果来自 100,000 次仿真。 15 ,15,23]
关键数值观察:
在二玩家场景(Table 1, 页 14),Optimal 与 Linear 策略在 Fees 与交易次数/量上几乎相同(行相同数值),表明线性近似在数值上高度有效。Constant 策略通常导致稍低的 Fees 或稍高的交易次数(说明定常费率吸引/流失流量不同)。 15
将 k 从 2 降为 1(对比 Table 1 与 Table 2 / 页 14–15),总体费用大致翻倍(符合费率尺度与 1/k 的反比关系)。 15 ,15]
多玩家(3‑player)场景(Tables 3–4,页 23)显示单个玩家的 Fees 随玩家数增加而下降,总体交易量分散但总交易量保持可比,且线性近似依然有效。 24
解读意义:数值表定量支持论文结论 ——(i)线性近似在局部有效;(ii)费用收入与 k、λ 的标度关系明确;(iii)竞争导致每个池的单位收入下降但对战略流动性 taker 有利。 15 ,15,23]
Figure 9 & 后续(页 16–17,24–25)——滑点与收益对比、参与者福利影响(仿真图)
描述:图示对比一池、二池、三池在“战略性流动性 taker 的可获得买卖价差(best bid/ask)”、平均滑点(average slippage)以及每个玩家与 AMM 总收入随总交易量变化的关系。 16 –17,24–25]
主要结论(图解):
战略性流动性 taker 在多池竞争下能获得更佳执行价(best bid 更高、best ask 更低),即单笔执行能在多个池中选择最优报价来降低交易成本,这在图中随总交易量增加对比一池显著(红/绿线低于蓝线表示更优)。 17 ,24]
平均滑点呈现先上升后下降的非线性关系(随总交易量增加先上升到某点再下降),总体在高交易量下滑点多玩家情况下下降,这说明在高活动市场下更多竞争有利于噪声/随机到来的交易者。 17 ,24]
单位 LP 收入随玩家数增加而下降(图表显示每个玩家的收益线随玩家数由蓝→红→绿下降),当玩家数极多时单个 LP 的收益可能低到不值得参与(入口成本约束)。AMM 平台收取固定比例 LP 费用,因此在某些设定下平台总收入对竞争并不敏感(或呈弱敏感),但若所有玩家提供相同比例流动性且市场价格影响不同,总收入也会随竞争增加而下降。 17 ,17,24,25]
图像引用:
四、估值/收益分析(若适用)
本文并非企业估值研究,故没有 DCF 或 P/E 等公司估值方法。相近的是对 LP 收入(费用收入)与交易量的数值估算与比较,这些结果通过蒙特卡洛模拟展示在 Tables 1–4 及图形中。主要“估值”结论为费用收入的标度关系(约 ∝ 1/k)以及随竞争/玩家数量变化的分配效应。 15 ,15,23]
五、风险因素评估(作者识别与我方补充)
作者在模型中使用的主要近似/假设:固定深度 p^i(短期不变)、将 S_t 作为参数处理、忽略一名玩家库存变化对他人价值函数的一阶影响(近似耦合项为零)。这些简化使问题可求解但也带来偏差风险,尤其是当池间流动性大幅不对称或交易造成显著价格冲击时,该近似可能失效。 5 ,7,20]
模型标定风险:参数 k^{i,0}, k^{i,j}, λ 的实证估计对结论影响甚大(例如 k 的不同标度会成比例改变费用收入),因此若现实世界参数与文中设定差异大,政策与福利结论的适用性会受到限制。 12 ,14,15]
仿真/离散化风险:库存网格步长(文中设为使 Z 变 0.1)与边界处理会影响边界处的费率行为和到达事件统计,作者在若干图中显示边界处曲线存在波动,表明离散近似的边界效应值得关注。 10 ,10,11]
可缓解策略:作者建议可将模型推广(未来工作)为允许 LP 调节初始流动性、研究无限玩家极限或浓缩流动性(Uniswap V3)以检查上述近似的稳健性;这些方向能够提供对入口成本与动态流动性调整的更完整评估。 18
六、批判性视角与细微差别(审慎评价)
优点:模型系统性强并成功把 Avellaneda–Stoikov 的思想推广到多池 CFMM 的动态费用博弈,且通过指数变换与矩阵指数解析解法提供了高效数值实现路径;数值仿真覆盖了关键参数维度并提供对各类参与者福利的直观结论。 3 ,8,14]
异常/局限:
文中 HJB 展示部分含有排版/符号异常(页 6–9、19–21 等处可见乱码),影响公式可读性与严格性验证,需作者提供清洁的数学补充材料与源码以便同行复核。 7 ,8,19]
对手库存对价值函数一阶不可影响的近似,在市场不对称或单次交易量较大时可能失真(例如当一个玩家库存骤变导致对手报价剧烈变化时,该近似会低估耦合效应)。作者在 Remark 2.1 中宣称该近似在“良好状态下”较为准确,读者应关注“良好状态”的量化定义与实际覆盖范围。 8
模拟情形下总流动性固定的比较方法有两种自然校准(文中讨论了两种约定),不同约定会改变每次交易对价格影响的尺度,因此对比结论在不同校准下可能有所偏移(作者虽测试两种但未完整报告所有图表),建议在补充材料给出更多鲁棒性检验。 18 ,24]
七、结论性综合(最终总结与关键见解)
最重要的三点总结(带溯源):
在多池竞争下,最优动态费用保持“二阶段”结构(阻套利 vs 吸噪声),但决策的“切换边界”从仅由 oracle S 决定,变为 oracle 与竞争对手报价的加权平均;这一点在图 1 的三面板中直观呈现。 1 ,9,10]
在经济上相关的库存区域,费率对自身与对手库存近似线性,因此线性费率策略在数值上几乎无损地逼近最优解,这对链上实现节省 gas 成本具有直接指导意义(见 Figure 2 与数值表)。 11 ,11,14]
竞争的福利效应具有分配性:战略性流动性 taker(能路由到最优池)在更多竞争者时获益(执行价格更优、滑点总体可下降),但单个 LP(或少数 LP)的费用收入随竞争者增多而下降,可能导致参与门槛问题;噪声交易者的结局则依市场活跃度而异(低活动时更糟,高活动时更好)。这些结论由仿真结果及滑点/收入图表支持。 17 ,17,24,25]
对政策/实务的启示:若平台设计者与流动性提供者考虑推出动态费率机制,在多池竞争场景下应当:
允许费率对外部报价(CEX)与其他池报价同时敏感,以捕捉“加权阈值”效应; 3 ,9]
倾向于实现线性、低复杂度的费率实现(以减少链上成本)因为线性近似在多数情景下为高效逼近; 11 ,14]
注意竞争可能侵蚀单个 LP 收入,从而影响池的进入与退出决策,需考虑入口费、补贴或 LP 激励以维持参与。 18 ,24,25]
八、建议的后续验证与资料需求(供读者/复现者)
建议作者或后继研究提供:干净的 LaTeX 公式版本与用于仿真的代码/参数文件,以便复现 HJB 推导与矩阵构造(尤其是页 6–9、19–21 的乱码部分需纠正)。 7 ,8,19]
推荐扩展实验:在异质深度、不对称 k、真实链上订单簿样本校准 λ 与 k 参数、以及允许 LP 动态调节深度的情形下,检查结论稳健性。作者已在结论中指出这些方向作为未来工作。 18
結語:总体而言,本文在理论上成功构造并近似求解了 DEX 间动态费用竞争的纳什均衡,既保留了单池模型的直观二阶段结构,又揭示了竞争如何通过改变切换阈与线性依赖使得实务实现(线性费率)可行并且有明确的福利分配影响;但结论的适用性依赖于若干关键近似与标定,读者应关注这些近似在目标市场环境下的适用范围并参考作者后续提供的更精确推导与代码以完成复现与推广。 1 ,2,7,14,17]