[论文解读] Uniswap Liquidity Provision: An Online Learning Approach

Yogev Bar-On, Yishay Mansour|arXiv (Cornell University)|Feb 1, 2023

Advanced Bandit Algorithms ResearchDecision Sciences被引用 3

一句话总结

本文将Uniswap v3流动性提供建模为一个具有非随机收益的在线学习问题，提出一种基于后悔最小化和专家建议的动态策略，当交易量足够高时，可保证流动性提供者获得正收益。关键贡献是在对手性价格变动下仍成立的收益理论下界，该结论通过2022年真实以太坊数据得到实证验证。

ABSTRACT

Decentralized Exchanges (DEXs) are new types of marketplaces leveraging Blockchain technology. They allow users to trade assets with Automatic Market Makers (AMM), using funds provided by liquidity providers, removing the need for order books. One such DEX, Uniswap v3, allows liquidity providers to allocate funds more efficiently by specifying an active price interval for their funds. This introduces the problem of finding an optimal strategy for choosing price intervals. We formalize this problem as an online learning problem with non-stochastic rewards. We use regret-minimization methods to show a liquidity provision strategy that guarantees a lower bound on the reward. This is true even for non-stochastic changes to asset pricing, and we express this bound in terms of the trading volume.

研究动机与目标

• 为解决在Uniswap v3中选择最优价格区间的挑战，其中错误的区间选择会导致因价格错配而造成重大损失。
• 将流动性提供问题形式化为具有非随机收益的在线学习框架，使策略即使在不假设未来价格动态的前提下也能表现良好。
• 开发一种动态、自适应的流动性提供策略，确保在交易量足够高时，无论价格变动模式如何，均能获得正收益。
• 使用2022年Uniswap v3的真实数据对理论模型进行验证，证明所提方法在实际中的可行性。

提出的方法

• 作者将流动性提供建模为带有专家建议的在线学习问题，其中每位专家对应一个固定的流动性分配价格区间（浓度控制器）。
• 提出一种基于指数加权算法（EWA）的动态策略，该策略自适应地结合多个静态策略的表现以最小化后悔。
• 收益函数基于流动性提供者价值的变化推导得出，包含交易手续费和无常损失，其理论下界以平均对数价格变化和交易量表示。
• 该模型不假设价格演化的随机性，因此对对手性或非随机的市场波动具有鲁棒性。
• 理论分析建立了总收益的下界，其依赖于交易量与对数价格变化幅度乘积的函数。
• 实证验证使用了通过Google BigQuery获取的Ethereum上Uniswap v3池（USDT/USDC与ETH/USDC）的小时级数据，对全年的静态与自适应策略进行了模拟。

实验结果

研究问题

• RQ1 能否设计一种流动性提供策略，即使在资产价格以非随机、对抗性方式变动时，也能保证获得正收益？
• RQ2 在对抗性价格变动下，Uniswap v3流动性提供中确保正收益所需的最低交易量是多少？
• RQ3 基于专家建议的自适应策略在不同流动性池和时间段内，与静态策略相比表现如何？
• RQ4 Uniswap v3池中的实际交易量在多大程度上满足理论正收益的条件？
• RQ5 所提出的在线学习框架能否通过实际区块链数据有效校准并验证？

主要发现

• 在2022年USDT/USDC池中，基于指数加权的自适应（EWA）策略实现了每单位流动性0.515 USDC的总收益，优于所有单一静态策略。
• 在ETH/USDC池中，EWA策略的收益为-0.486 USDC，表明在基准条件下表现为负，但当交易量人工提高10%后，收益转为正。
• 收益的理论下界与平均对数价格变化和交易量的乘积成正比，基准项$ \frac{P \ln d}{\gamma} $作为正向表现的阈值。
• 实证数据确认，2022年所有小时区间均满足$ d^{\left| \rho_t \right|} < 2 $，验证了理论模型的核心假设。
• EWA策略在USDT/USDC与ETH/USDC池中的表现均紧密跟踪了表现最佳的静态策略，显示出优异的后悔最小化能力。
• 该模型的理论框架被实证验证为对真实世界流动性提供动态的强近似，尤其在交易量较高时表现突出。