下面我对你提供的金融研究报告 “Open vs. Sealed: Auction Format Choice for Maximal Extractable Value” 进行极其详尽的分章节解析、图表逐一解读、估值/模型拆解、风险与批判性评估,并在结论部分给出综合判断与可操作性要点。文中所有直接源于原文的结论或数据点在句末均以 [page::页码] 标注以便溯源(若一处信息来自多页,则按说明最多两页并列标注)。文档较长,我按报告结构分节展开,并在图表讨论处插入原图的相对路径引用以便检视原始可视化。以下内容客观、细致并尽量完整覆盖所有重要论点、假设和数值。
一、元数据与总体概览(引言与报告概览)
报告标题与作者及机构:报告题为 "Open vs. Sealed: Auction Format Choice for Maximal Extractable Value",作者列出 Aleksei Adadurov 等多位,署名 nuconstruct team(联系方式 team@nuconstruct.xyz ),发布日期为 2026-03-18。主要研究主题为以太坊 MEV(Maximum Extractable Value)拍卖中不同拍卖机制对区块构建者(builders)可提取收入的影响与比较。 1
核心论点与结论摘要:作者基于 2.2M 条 MEV 交易(总提取值约 $168.5M),提出三条经验规律(提取值呈对数正态分布且高度右偏、不同 MEV 类型竞争强度差异显著、在估值关联(affiliation)存在时传统的收入等价性失效),并构建含高斯公因子(Gaussian common factor)的关联模型,推导并数值比较五种拍卖(FPSB、SPSB、English、Dutch、All-pay)在不同投标人数 n 和关联参数 ρ 下的均衡与期望收入,结论包括:当 ρ>0 时 English 与 SPSB 严格优于 Dutch/FPSB(linkage gap 在实务参数下约 10–28%),并发现当 n 大且 ρ 很高时收益呈非单调(内部峰值后下降)等重要现象。 1
方法论概览:作者先用经验数据建立分布性与竞争指标,再用理论导出均衡(含 FPSB 的 ODE 解、SPSB 的支配性策略结论、用高斯 copula 引入关联),随后通过蒙特卡洛数值模拟(每格 1e6 次抽样,跨 n 与 ρ 的细网格)估算各机制期望收入并进行对比与稳健性检查。 1
二、逐节深度解读(随报告章节)
(我将按报告结构逐节分析:理论、数据、模型、数值结果、结论与实务建议等)
2.1 引言与动机(I. INTRODUCTION)
报告指出区块构建者每年在以太坊生态中通过拍卖 MEV 机会拍卖出数千万美元级别的剩余价值,因此拍卖设计对构建者收入极重要。作者提出标准拍卖理论中“估值分布被当作背景参数”但在 MEV 场景下该分布形状(尤其右尾)对机制选择影响巨大;若价值集中在极少数高值事务(top 1% 占 68%),则拍卖机制对这些高价值事件的处理决定整体收入。 1
报告强调不同 MEV 类型(例如 sandwich、naked arbitrage、liquidation)竞争强度不同,这意味着单一机制不一定对所有类型都最优,应考虑分段机制设计。 1
报告说明在有“估值关联”(affiliation)时,Milgrom–Weber 的 linkage principle 预示信息揭示更强的机制(English、SPSB)会提高卖方收入,从而打破独立私人估值下的收入等价性。作者据此构建带高斯公因子的模型并数值比较五类机制。 1
2.2 文献与理论背景(II. AUCTION THEORY)
报告回顾了主要拍卖机制的策略特性:English(公开上升拍卖,近似出价到第二高估值),Dutch(降价钟,策略等价于 FPSB 在 IPV 框架),FPSB(投标者需阴影出价)、SPSB(Vickrey,真值出价为弱支配策略)、All-pay(所有人均付出出价,适用于不可回收资源消耗场景)。这些理论陈述并用来解释各机制在 MEV 中潜在的适用性与缺点(例如 SPSB 容易被 shill bidding 操纵,English 易被串通但提供信息揭示)。 2 ,3
关于区块链特有的拍卖实践与文献:文中概述了 PBS/MEV-Boost 的开放升价拍卖、Arbitrum Timeboost 的 SPSB、Polygon Atlas 的 FPSB,以及 revert-protection 等机制对拍卖环境的影响,援引多篇近期研究说明区块链拍卖特殊的低时延、高频率与信息不完全特征。 4 ,5
2.3 数据描述与经验事实(III. DATA)
数据来源与规模:使用 libmev 数据集,样本期为 2024-09 到 2025-08,共 2.216.621 笔交易,总提取值约 $168.5M;每条记录包含 tx hash、区块号、MEV 类型、给 proposer 的 tip(即 bribe)与 searcher 的保留利润等;报告定义 extracted value = tip + profit,并引入 bribe percentage = tip / extracted value 作为竞争强度指标。 4 ,6
MEV 类型分布与关键统计(图表 + 表格):报告把交易分为 sandwich, naked_arb, backrun, liquidation,并在图 1 与表 I 给出各类的交易数、总额与平均 bribe% 等。作者报告 sandwich: $66.48M、890,967 笔,bribe% 95%; naked_arb: $52.57M、915,194 笔,bribe% 67%; backrun: $28.19M、405,701 笔,bribe%76%; liquidations 极少(4,759 笔)但单笔高价值,总 $21.23M,bribe% 68%。这些数值表明 sandwich 与 naked arbitrage 在交易数与总额上主导样本,而 sandwich 的 bribe% 极高、接近竞价耗尽全部剩余的情形。 5 ,6
插图(图1 原图)可参见:
5
价值分布(图 2):对数转换后的 extracted values 与拟合的正态核密度重合较好(MLE 得到 μ̂ = 1.102, σ̂ = 2.524),表明原始值近似对数正态且 σ 很大(log-scale std 2.524 意味 1σ 上移约乘以 e^{2.524} ≈ 12.5),说明极重尾性质。作者合并类型进行估计以便于模型化(承认这是简化且是可扩展的方向)。 6
插图(图2 原图)可参见:
6
收入高度集中(图 3 与 Gini):报告给出 Pareto 曲线与分位条形,top 1% 交易占 68% 的收入,top 10% 占 90%,Gini = 0.933,表明收入极端集中,意味着对高值事务的机制选择将主导整体收益。 6 ,7
插图(图3 原图)可参见:
7
表 I(按类型的摘要统计)进一步量化均值、标准差、median 等,说明 mean ≫ median(重尾),liquidations 显著不同(极高的单笔值)。作者据此指出不同类型在 (n,ρ) 空间定位不同(例如 sandwiches -> 大 n,可能高 ρ;liquidations -> 小 n)。 6 ,7
2.4 模型设定与均衡解析(IV. THEORETICAL FRAMEWORK)
基础设定:单一拍卖者(builder)对 n 个 searcher 进行一次性拍卖,val_i 为私人估值,初始在 IPV 下讨论(iid,cdf F),随后放松独立性引入关联。估值分布采用对数正态 v ~ Lognormal(μ, σ^2)(并采用数据估计的 μ̂, σ̂)。 7
FPSB 的理论:给出对称贝叶斯纳什均衡 bid function β(v) 的 ODE 以及显式解形式 β(v) = v - ( ∫0^v F^{n-1}(y) dy ) / F^{n-1}(v)(投标遮蔽量随 n 增大而减小),并指出期望收入为 E[β(v {(1)})] = E[v_{(2)}],从而与 SPSB 在 IPV 下收入等价。该推导基于标准的竞争概率与一阶条件(详见文中方程)。 7
SPSB:真值出价为弱支配策略,卖方收入为 E[v_{(2)}]。且在私人估值框架下,English 与 SPSB 等价(均为 v_{(2)} 支付)。 8
All-pay:给出 all-pay 均衡的导出关系(bid 函数与 IPV 下的一致性),并再次验证在 IPV 下所有常见格式收入等价。作者指出 all-pay 在关联情形下的解析困难,因此后续仅在 IPV 下作为基准计算。 8 ,9
引入估值关联(高斯公因子模型):作者将 latent signal 设为 z_i = sqrt(ρ) Z + sqrt(1-ρ) ε_i,Z~N(0,1),ε_i iid N(0,1),估值 v_i = exp( μ + σ z_i ),这样边缘仍为 Lognormal(μ,σ^2) 但通过 ρ 调节关联强度(ρ=0 恢复独立,ρ→1 近似共值)。9 ,10
在关联情形下的机制差异(linkage principle):作者引用 Milgrom–Weber 的 linkage principle 说明在估值关联时,揭示信息的机制(English、SPSB)能带来更高收入,因为支付与赢家价值更紧密联结;而 FPSB/Dutch 因为缺乏信息揭示而收入较低。作者还说明:在私人估值假设下,SPSB 与 English 的真值出价仍然是弱支配策略,因此二者在本模型下仍同收入(但其收入水平随关联改变而改变,因为 order-statistics 的联合分布随 ρ 变化)。FPSB/Dutch 在关联下的均衡需要数值求解(因条件分布变动导致 ODE 的 hazard rate 被调整),作者采用蒙特卡洛积分在网格上数值解出 β_aff(v)。All-pay 的关联均衡未给出解析,故仅用 IPV 作为参考基准。 10 ,11
2.5 数值实验与关键结果(V. NUMERICAL ANALYSIS)
模拟设定:作者在 n ∈ {2,3,4,5,6,7,8,10,12,15,20} 与 ρ ∈ {0.0,0.1,...,0.9} 的网格上运行,每格 10^6 次拍卖抽样,用蒙特卡洛估计各机制的期望收入;English/SPSB 直接取 second-highest value;FPSB/Dutch 用 ODE 求出的 β_aff 应用到赢家;All-pay 用 IPV 模拟作为基线(不随 ρ 变化)。 11 ,12
验证(revenue equivalence):在 ρ=0 时,模拟结果在 0.2% 以内验证了收入等价性(数值误差属 MC 噪声),为实现正确性提供检验。表 II 展现若干 n 值下的数值结果。 11
关键数值结论(摘要):在关联(ρ>0)下出现稳定的机制排序:English = SPSB > Dutch = FPSB > All-pay(后者为 IPV 基准);在中等 ρ(例如 ρ=0.5)且 n=5 时,English/SPSB 比 Dutch/FPSB 高出约 17%,All-pay 则比 FPSB 低 41%;Linkage gap 在实际参数区间(n∈[5,10], ρ∈[0.3,0.7])通常处于 10–18% 区间。将这些百分比应用到样本 bribe 总额(文中以 $101.3M 某子样本计算)可估算出封闭格式相比上升拍卖造成的机会成本在 $10–18M 量级。作者同时发现非单调性:在 n 大且 ρ 高时,随着 ρ 再增至接近 1,收益可能反而下降,因为当 ρ→1 时私有差异消失,order-statistics 的扩展性被抹平。 11 ,12 ,13 ,14 ,15 ,16
插图(部分关键图):
图 4(不同 n 下的 E[Revenue] vs ρ):
13
图 5(E[Revenue] vs n 不同 ρ):
14
图 6(linkage gap heatmap):
15
图 7(相对于 IPV 的收益提升):
16
附表:作者在附录给出完整的收益网格(Table A1–A3),并指出某些格子在极端参数下呈现峰值位置随 n 变化(峰值随 n 增加向左移动,即最佳 ρ 随竞争程度下降)。 20
三、图表逐一深度解读(关键图表与表格)
我将对报告中每个重要表格/图形逐一说明其展示内容、可观察到的趋势、文本中作者如何用图支持论点、以及图中可能的局限或需注意的计算细节。
3.1 图 1(按 MEV 类型的三视图:总收入、交易数、平均 bribe%)
描述:左图为各类型总提取值(USDC),中图为交易计数,右图为平均 bribe 百分比(竞争强度)。 5
关键数值与趋势:sandwich 和 naked_arb 在交易数和总额上占主导,分别约 $66.5M(891K 笔)与 $52.6M(915K 笔);sandwich 的平均 bribe% 为 95%,远高于其他类型(naked_arb 67%,backrun 76%,liquidation 68%),显示 sandwich 市场竞争极为激烈。作者据此断定 sandwich 对应大 n、高竞争;liquidation 对应小 n、较低竞争但单笔价值高。 5 ,6
文本联系:作者用该图说明不同 MEV 类型在 (n,ρ) 空间内的定位差异并据此建议分段机制设计。 6
图像:
5
局限性/注释:图为汇总统计,未显示不同时间段或区块内的竞价分布;平均 bribe% 作为竞争强度代理是合理但仅为近似(存在测量误差和隐含的异质性)。
3.2 图 2(MEV 值分布;左图 log-transformed histogram + fitted normal,右图 log-scale CDF)
描述:左图检验对数值近似正态,右图展示从 1e-5 到 1e7 的累积分布范围。 6
关键结论:MLE 得到 μ̂ = 1.102, σ̂ = 2.524;σ 很大表示极重尾;一标准差在 latent 信号上对应价值乘以 ~12.5 的幅度(e^{2.524} ≈ 12.5)。作者据此采用对数正态作为基准分布。 6
图像:
6
局限性:作者承认池化所有类型以便单一分布简化分析是人为简化,且左侧低值处有轻微的 excess kurtosis;若分类型拟合参数,模拟结果会更精细但复杂度上升。 6
3.3 图 3(收入集中度:Pareto 曲线与分位条)
描述与结论:top 1% 占 68% 收入,top 10% 占 90%,Gini=0.933,说明整体收入由少数极端事务驱动,机制在上尾的表现决定整体差异。 6 ,7
图像:
7
影响:这一事实意味着在设计机制时应优先考虑如何对待高值拍卖(可能适用差别化机制),而非对较多低值交易统一优化。 7
3.4 表 I(Summary statistics,page 19 表 A3 等附录)
表中给出按类型的 Count、Total(百万级 USDC)、Mean、Median、Std Dev、Bribe% 等,揭示 mean ≫ median(重尾)、liquidations 单笔极大、sandwich bribe% 极高等特征。 7 ,20
表格支持文中对 (n,ρ) 的类别定位与后续模拟校准建议(按类型估计 n 与 ρ)。 7
3.5 图 4(期望收入 vs ρ,在多个 n 下的曲线)
描述:每个子图显示固定 n 下 English/SPSB(蓝,等价)、FPSB/Dutch(红,等价)与 All-pay/IPV(绿恒定)随 ρ 的期望收入变化。 13
主要观察:
对于小到中等 n(n≤8),收入随 ρ 单调增大,且 English/SPSB 明显高于 FPSB/Dutch;例如 n=2 时从 ~$5.4(ρ=0)升到 ~$40.6(ρ=0.9)。 13
对于较大 n(n≥10),收入随 ρ 先增后减,出现峰值(非单调性),原因在于当 ρ→1 时 idiosyncratic variance 消失导致 order-statistic spread 收缩,从而抑制了原本独立抽样带来的右尾放大效应。 13
图像:
13
解释与联系文本:作者用该图说明两个机制组的差距如何随 ρ 与 n 交互变化,并解释收入非单调性的经济逻辑(关联压缩了个体差异,最终可能降低 v_{(2)} 的期望)。 13
3.6 图 5(期望收入 vs n,在不同 ρ 下的曲线)
描述:展示在多个固定 ρ 值下,随着 n 增加,各机制的收入如何变化。 14
主要观察与含义:
在 ρ≈0(IPV)时,各线重合(验证收入等价),且随 n 单调增加。 14
随着 ρ 增大,English/SPSB 曲线上移且与 FPSB/Dutch 分离;当 ρ 极大(0.9)且 n 较大时,可见 IPV 基准反超(收益反转),再次支持前述非单调发现。 14
图像:
14
3.7 图 6(linkage gap heatmap)
描述:heatmap 展示 (n,ρ) 网格上 (English/SPSB − FPSB/Dutch)/FPSB/Dutch 的百分比差(linkage gap),色块从 ≈0(红/橙)到 ≈32%(深绿)。 15
关键规律(作者总结的四条):
gap 非负:对所有 ρ>0,gap 为正(ρ=0 时数值接近 0,属于随机噪声范围),与 linkage principle 一致。 15
ρ 的驼峰形:对固定 n,gap 随 ρ 先上升至中高 ρ(小 n 峰值在 0.7–0.8;大 n 峰值在 0.5–0.6)然后在极高 ρ 降低。 16
对 n 单调减少:对固定 ρ>0,gap 随 n 增大而下降(例如 ρ=0.5 时 n=2 为 27.7%,n=20 为 9.8%)。 15 ,16
在现实参数区间 n∈[5,10], ρ∈[0.3,0.7],gap 稳定在 10–18% 区间,这具有实务含义:拍卖主(builders)在粗略估计 n 和 ρ 的情况下仍能确定格式选择的重要性。 15
图像:
15
经济量值化:作者将 gap 应用于 observed bribe totals(示例数字 $101.3M 与 n=5, ρ=0.5),估算封闭式相较上升式拍卖的机会成本约 $17.4M;并给出更保守情形估计(n=10, ρ=0.3 => ≈$10M)。作者警告这些为上界估计,因假设对称性与无实施成本等。 16
3.8 图 7(相对于 IPV 的收益提升)
描述:左面板为 English/SPSB 相较 all-pay(IPV) 的百分比提升,右面板为 FPSB/Dutch 相较 IPV 的提升。 16
观察:提升随 ρ 增大且随 n 减小而显著放大;在 n=2, ρ=0.5 时 English/SPSB 的收益甚至增长 ~184%(约三倍);而当 n 很大且 ρ→1 时,收益反转且可能低于 IPV。 16
图像:
16
四、估值与模型方法学解析(模型假设、数值实现与关键输入)
估值分布取 Lognormal(μ,σ^2),参数由样本 MLE 得出 μ̂=1.102, σ̂=2.524;该选择由 log-values 近似正态支持(左尾有轻微偏离),这种重尾意味着 order-statistics 对 n 非常敏感(更多独立抽样能把 v_{(2)} 推到更右侧)。 6
关联模型采取 Gaussian common factor(z_i = sqrt(ρ) Z + sqrt(1-ρ) ε_i),并以 v_i = exp(μ+σ z_i) 保持边缘不变,这是一种方便的 copula 型构造,可在保留对数正态边缘的同时引入可调的线性相关 ρ。优点是实现与数值蒙特卡洛运算方便,缺点是强制对 latent z 的正态性假设与线性相关结构,若实际关联具非线性或尾部依赖(tail dependence)则此模型可能低估对极端事件的共同出现概率。 9 ,10
FPSB 在关联下的均衡由一阶 ODE(涉及沿对角线的最高竞争对手 hazard rate)确定,其数值求解需对给定 bidder value 条件下的 rival distribution 条件概率(以 Z 的后验进行积分)做 Monte Carlo 积分;作者在网格上用 MC 抽样求解、插值(cubic spline)得到 β_aff(v)。该步骤为数值重点,且作者在文中对 ρ=0 的反演与 1e6 抽样量做了鲁棒性验证(与理论等价结果对齐)。 11 ,12
All-pay 在关联情形下未给出封闭解,因此仅以 IPV 下模拟为基准;这是一项明确的限制,意味着当关联存在且考察所有付出成本情形时,作者的比较中 all-pay 仅作为固定参照而非与 ρ 相关的真实最优策略比较对象。 11 ,12
蒙特卡洛实作细节:每格 1e6 次抽样、网格覆盖 n 与 ρ 的离散集(如前所述),作者给出在 ρ=0 下与理论值的一致性检验(误差 ≈0.1–0.2%),说明数值实现可信。 11
五、风险因素与方法局限性(作者识别与我补充评估)
作者识别的风险/注意点(文内已有):
pooling across MEV types:为简化采用单一对数正态分布但承认不同类型可能有不同 μ,σ,应进一步做类型分化模拟。 6
All-pay 在关联情形下未解析,作为 IPV 基准的使用是近似。 11
估计 n 与 ρ 的实践难度:作者建议用 bribe% 等统计量反推 effective n 与 ρ,但承认对称性假设与拍卖实现成本(延迟、欺诈风险)会影响结论。 17
我补充的批判性观点(客观、基于文中内容):
Gaussian common factor 的局限:该构造通过线性相关(ρ)调节,但若竞争者之间存在尾部依赖(例如极端大机会同时被多个实力相近的搜索者捕捉),高斯 copula 可能低估 tail dependence,从而低估在极端事件上 English 等机制的额外收益。该点在报告中未被详尽检验(例如用 t-copula 做对比)。(该批评基于作者选择模型的简化说明) 9
对称性假设与异质性:报告大多基于对称 bidder 假设推导均衡并模拟,但实务中 searcher 能力、延迟与专有 orderflow 导致异质性,异质性可能改变 effective n(有效竞争数)并影响 shading 行为与 linkage gap。作者在实践建议中提及通过匹配平均 bribe% 估算 n,但未在主文展示异质性敏感性结果。 17
实现成本与操纵风险:文中对 SPSB 的 shill bidding 风险、English 的串通风险有讨论,并在实践指南中权衡了实现复杂度与信任问题(提示采用链上可验证合约以缓解 SPSB 风险),但实际部署还需评估网络延迟、消息传播和 relays 的角色,这些工程性成本可能抵消理论收益,文中仅作定性说明。 2 ,18
All-pay 的现实适用性:作者建议避免 all-pay(并给出数值上 FPSB 显著优于 all-pay 在关联情形下),但若某些 MEV 场景确实存在不可回收的成本(比如 gas/spam 成本、重放风险),all-pay 模型仍可能更接近现实,故对其完全排除需谨慎。作者已部分讨论此点但未提供关联情形下 all-pay 的数值对比。 3 ,11
收益货币化估计的不确定性:将百分比 gap 直接应用到历史 bribe 总额得出 $10–18M 的“foregone revenue”估计具有直观意义,但这是假定若实现机制更改,市场不改变参与者数或策略的静态比较;现实可能有反馈效应(例如更多参与者进入、策略学习或协议层反制),因此这些美元估计应视为第一阶静态上界。作者已在文本中对这些假设作出限定说明。 15 ,16
六、结论性综合(关键发现、实务启示与最终判断)
关键发现回顾(压缩版):
数据层面:MEV extracted values 呈对数正态且极重尾(μ̂=1.102, σ̂=2.524),top1% 占 68% 收入,Gini=0.933;不同 MEV 类型竞争强度差异大(sandwich bribe%≈95%)。 6 ,7 ,5
理论/数值层面:在 IPV 下各常见拍卖收入等价;在存在估值关联(ρ>0)时,linkage principle 生效:English/SPSB > Dutch/FPSB > All-pay(IPV baseline),linkage gap 在现实参数区间通常为 10–18%(对小 n 和中高 ρ 可达 ~30%),数值模拟覆盖广网格并经 ρ=0 情形验证。 11 ,12 ,15
非单调性发现:当 n 很大且 ρ 接近 1 时,预期收入会先升后降(峰值位于内点),原因在于当 ρ→1 时个体之间 idiosyncratic 差异消失,order-statistic spread 被抹平,从而抑制了多样化竞争带来的右尾放大效应。 13 ,14
实务量化:将 linkage gap 应用于样本 bribe totals 得到历史期间可能的 foregone revenue 约 $10–18M(静态估计),并给出机制选择的实务建议(若 ρ>0.2 且信任高优先 English/SPSB;若 ρ≈0 或延迟/串通风险大则选 FPSB/Dutch;避免 all-pay)。 15 ,18
可操作建议(作者提出的“Practitioner’s recipe”要点,已在文本给出并做强调):
构建并分 MEV 类型收集数据(至少包括 v、bribe、MEV type),估计对数正态参数与 bribe% ;用 bribe% 和模型匹配估算 effective n,并估算 intra-opportunity 的 ρ(例如通过类内相关/ICC)。 17
若估计显示 ρ>0.2 且能实现可信的防操纵措施,采用 SPSB(若 latency 成本高则优先 SPSB 而非 English;若 SPSB 有操纵风险则用链上可证明的合约或选 English 并权衡串通风险)。 18
对不同 MEV 类型实施分段机制:针对 liquidations/naked arb(小 n, 中等 ρ)优先 English/SPSB;针对 sandwich(大 n, 高 ρ)考虑封闭或降价机制以应对非单调与串通风险。 18
我对结论的总体评价(客观中立):
报告基于大规模经验数据、合适的理论工具(auction theory 与 Milgrom–Weber linkage principle)和严谨的数值实现(大规模 MC、网格覆盖并做基准验证),主结论在理论上有坚实支撑,数值上也表现稳定,具有明显实务意义(尤其当收入高度被少数高值交易主导时)。 1 ,11 ,13
报告的主要局限在于模型简化(单一对数正态 pooled 分布、Gaussian copula 的正态假设、对称 bidder 假设、all-pay 在关联情形下未解析),这些局限在文中已被承认并在实务建议中给出注意事项。进一步工作可考虑:分类型对数正态拟合或更灵活的尾部 copula(如 t-copula)、对 bidder 异质性的直接建模、以及在实际链上实现成本/操纵风险下的动态博弈模拟(含 repeated play 与 learning)。 6 ,9 ,11 ,17
七、具体复核与可复现性注记(供技术读者)
作者提供了详细的参数、网格和蒙特卡洛规模(n 网格与 ρ 网格、N=1e6),并在附录列出收入网格(Table A1–A3),这些信息有助于复现数值结果;但若要完全复现,应获取原始 libmev 数据集与用于绘图/模拟的代码(文本未附代码链接)。 11 ,20
若读者欲进一步检验稳健性,建议:
对比不同 copula(t-copula)与非正态 latent z 的影响;
使用类型化(by MEV type)参数 (μ_type, σ_type) 并分别模拟以评估分段机制的潜在收益;
对 bidder 异质性(能力、延迟)做 Monte Carlo 假设检验,观察 effective n 的变动对 linkage gap 的影响。 6 ,17
結語(精要)
本报告在理论与实证结合上较为完整:用大规模真实数据确立分布与竞争特性、以合适的关联模型引入实际市场中的共性信息、并经由大规模蒙特卡洛详细比较拍卖机制的期望收入与其对实际收入的货币化影响,结论指出在存在估值关联时开放式或真值出价机制(English / SPSB)在多数现实参数下对卖方(builders)更优(linkage gap 常在 10–18%),但在极端高关联且参赛人数非常多的情形下会出现反转。作者并就实务实施、风险与测量方法给出具体建议。 1 ,15 ,18
如果你希望,我可以继续做下列工作(可选,说明你想要哪项):
将报告中的关键数值与图表导出为一个便于演示的 PPT 提纲(含每张幻灯的要点与溯源标注)。
基于报告的数据与模型,替你跑“类型分化”情形(对每个 MEV 类型单独估计 μ,σ 并重新计算收益网格)。
提供一页“审计清单”,列出若要把 SPSB 或 English 在实际 relays/MEV-Boost 中部署,需要解决的工程/合规/经济问题(如防止 shill、链上可证明合约模板、延迟与验签问题)。
你要我先做哪项?