[논문 리뷰] Strategic Liquidity Provision in Uniswap V3

Fan, Zhou, Marmolejo-Cossio, Francisco외 4명|arXiv (Cornell University)|2021. 06. 22.

Financial Markets and Investment Strategies인용 수 23

한 줄 요약

이 논문은 Uniswap v3에서 동적이고 맥락 인식 가능한 유동성 공급을 위한 신경망 기반 최적화 프레임워크를 제안한다. 이는 유동성 제공자(LPs)가 가격 간격에 걸쳐 집중된 유동성을 전략적으로 재할당하여 수수료 수익을 극대화할 수 있도록 한다. 가격 동적 및 재할당 비용을 모델링함으로써, 이 접근법은 변동성 또는 고수수료 환경에서 특히 두드러지게 성능 향상을 이룬다. 정적 또는 균일한 할당 전략에 비해 최대 3.5배 높은 수익을 달성한다.

ABSTRACT

Uniswap v3 is the largest decentralized exchange for digital currencies. A novelty of its design is that it allows a liquidity provider (LP) to allocate liquidity to one or more closed intervals of the price of an asset instead of the full range of possible prices. An LP earns fee rewards proportional to the amount of its liquidity allocation when prices move in this interval. This induces the problem of strategic liquidity provision: smaller intervals result in higher concentration of liquidity and correspondingly larger fees when the price remains in the interval, but with higher risk as prices may exit the interval leaving the LP with no fee rewards. Although reallocating liquidity to new intervals can mitigate this loss, it comes at a cost, as LPs must expend gas fees to do so. We formalize the dynamic liquidity provision problem and focus on a general class of strategies for which we provide a neural network-based optimization framework for maximizing LP earnings. We model a single LP that faces an exogenous sequence of price changes that arise from arbitrage and non-arbitrage trades in the decentralized exchange. We present experimental results informed by historical price data that demonstrate large improvements in LP earnings over existing allocation strategy baselines. Moreover we provide insight into qualitative differences in optimal LP behaviour in different economic environments.

연구 동기 및 목표

• 유동성 제공자가 집중된 수수료 수확과 가격 탈출 위험 사이의 트레이드오프를 겪는 Uniswap v3의 전략적 유동성 공급 문제를 해결하기 위함.
• 변화하는 시장 조건과 가격 움직임에 적응하는 동적이고 맥락 인식 가능한 유동성 할당 전략을 개발하기 위함.
• 유동성 재할당 시 발생하는 가스 수수료 및 슬리피지와 같은 실제 제약 조건을 최적화 프레임워크에 통합하기 위함.
• Uniswap v2의 균일한 할당 방식과 같은 기준 전략을 뛰어넘는 적응형, 데이터 기반의 유동성 위치 조정을 통해 성능을 향상시키기 위함.

제안 방법

• 가격 변화와 계약 동역학에 대한 불확실성 하에서 동적 유동성 공급을 확률적 최적화 문제로 공식화함.
• 현재 가격을 중심으로 한 정의된 간격을 벗어날 경우에만 유동성을 재할당하는 τ-리셋 전략의 가족을 도입함.
• 각 리셋 이후 역사적 가격 및 유동성 흐름 데이터를 포함한 맥락 인식 할당 결정을 학습하기 위해 신경망 기반 정책(ODRA)을 활용함.
• 다양한 위험 회피 수준과 재할당 비용 파rameter 하에서 신경 정책을 최적화하기 위해 확률적 경사 하강법을 사용함.
• 실제 거래 환경을 시뮬레이션하기 위해 이더리움 가격 역사 데이터와 합성 시장 유동성 흐름을 사용해 모델을 校정함.
• 맥락에 의존하지 않는(OIRA) 전략과 맥락 인식 가능한(ODRA) 전략을 구분하며, 후자는 시간적 맥락을 활용해 성능 향상을 달성함.

실험 결과

연구 질문

• RQ1 다양한 가격 변동성 하에서, 맥락 인식 유동성 할당 전략은 맥락에 의존하지 않거나 균일한 전략에 비해 유동성 제공자(LP)의 수수료 수익에서 어떤 차이를 보이는가?
• RQ2 시장 변동성과 비아리즘트리드 트레이딩 볼륨의 수준에 따라 유동성 재할당의 최적 리셋 주기(τ)는 어떻게 달라지는가?
• RQ3 위험 회피 수준이 Uniswap v3의 최적 스프레드와 유동성 집중도에 어떤 영향을 미치는가?
• RQ4 재할당 비용(가스 및 슬리피지)이 동적 유동성 공급의 최적 전략과 성능에 얼마나 큰 영향을 미치는가?
• RQ5 비아리즘트리드 트레이딩 볼륨과 가격 변동성의 변화가 신경망 기반 유동성 전략의 성능에 어떤 영향을 미치는가?

주요 결과

• 신경망 기반의 ODRA 전략은 다양한 시장 조건에서 기대 효용 측면에서 OIRA 및 기준 균일 전략에 비해 최대 3.5배 높은 성능을 기록한다.
• 맥락 인식 전략(ODRA)은 맥락에 의존하지 않는 전략(OIRA)보다 특히 비아리즘트리드 유동성의 시간적 변동성과 가격 변동성이 높을 경우에 뚜렷한 성능 우위를 보인다.
• 위험 회피 수준이 높아질수록 유동성 제공자는 더 넓은 간격에 유동성을 분산 배치함으로써 가격 탈출 위험에 노출되는 것을 줄이지만, 이는 기대 수수료 수확량이 낮아지는 대가를 치르게 된다.
• 재할당 비용(η)이 높아질수록 최적의 τ 값도 증가하여 빈번한 재할당이 처벌받고, 따라서 더 이상 최적의 전략이 아니라는 점을 시사한다.
• 비아리즘트리드 트레이딩 볼륨과 가격 변동성이 증가할수록 더 넓은 유동성 할당이 이루어지며, 이는 이러한 유동성 흐름으로부터 더 많은 수수료를 확보하기 위함이다.
• 최적 전략은 수수료 수확, 위험 노출, 재할당 비용을 동적으로 균형 잡으며, 특히 고수수료 또는 변동성 높은 환경에서 성능 향상이 두드러진다.