• 研究背景与目标 [page::0][page::1]：

- AMM是一类去中心化交易场所，LP提供流动性但面临不可逆损失（IL）问题。
- 本文创新性将AMM设计建模为领导者（AMM场地）-跟随者（代表性LP）的随机控制博弈，目标是设计合约最大化交易订单流量。

• 交易模型与数学框架 [page::1][page::2][page::3][page::4]：

- 交易涉及两资产对（如ETH/USDC），AMM池采用恒积函数市场（CPM）机制。
- 外部市场价格服从布朗运动，LP流动性操作影响AMM池深度及价格。
- 订单到达率受池深度和价格偏差影响，采用线性强度模型描述。

• 领导者-跟随者博弈与合约设计 [page::4][page::5][page::6]：

- 跟随者（代表LP）通过交易外部市场调整在池中的仓位，面对交易成本和风险厌恶效应。
- 领导者（AMM场地）设计奖励合同激励LP提供流动性，提高池内交易量。
- 证明合约可用参数集表示，LP最优流动性提供速度为其参数的函数。

• HJB方程及最优策略解析 [page::6][page::7][page::8][page::9][page::10][page::12][page::13][page::14]：

- 明确写出风险中性及风险厌恶场地下领导者控制问题对应的Hamilton-Jacobi-Bellman方程。
- 提出近似闭式解方法，运用泰勒展开和洛朗级数简化池深度变换项。

• 市场数据实证与参数估计 [page::10][page::11][page::15]：

- 利用Uniswap V2与Binance之间的ETH-USDC对数据反复验证到达强度正值假设合理。
- 线性回归估测到达率参数，发现大部分数据点符合模型假设。

• 策略数值模拟与灵敏度试验 [page::16][page::17][page::18][page::19]：

- 仿真样本路径展示LP在不同参数配置下的流动性变动速度和累计流动性量。
- 发现外部市场交易成本上升会导致LP流动性提供策略趋近零。
- 交易成本、波动率及费用参数显著影响流动性提供动态。

• 量化因子/策略生成：LP的流动性提供最优策略 [page::4][page::5][page::12][page::18][page::19]

- LP的最优流动性提供速率表达式为
$$
\nu{t}^{*} = \frac{2 a{2} \mathfrak{r}(T-t) - 2 \gamma \eta \mathfrak{a} (St + Zt)}{4 \eta^{2} \mathfrak{a}^{2} \gamma + 2 \mathfrak{a}},
$$
其中$a2$反映订单强度对池深度的敏感度，$\mathfrak{r}$为场地费用，$\mathfrak{a}$为外部价格打价影响，$\gamma$为风险厌恶系数，$St$与$Zt$分别为外部和池内价格。
- 当$a2=0$时，流动性变动几乎为零，LP缺乏流动性提供动机。
- 增加订单强度与流动性正相关（噪声交易吸引），LP受合约激励主动增加池深度，提升交易活跃度。

• 收益分配与合同效果 [page::18][page::20]：

- 合约参数$P_0$确定LP与AMM场地收益分配比例，实现双方盈利共享。
- Monte Carlo模拟显示双方收益均为正，且收益分布有效控制风险。

• 结论 [page::18][page::20][page::30]：

- 设计的均衡合约为LP提供了合理激励，促使LP在噪声交易增加的情况下供给流动性，进而提高AMM交易量和平台收益。
- 数据分析支持流动性与订单流正向关系，但仍需进一步数据检验合约效果。
- 本研究为AMM合约设计与流动性激励提供了理论基础和量化策略框架。

精细解构与分析报告：《Equilibrium Reward for Liquidity Providers in Automated Market Makers》

---

1. 元数据与报告概览

• 标题：Equilibrium Reward for Liquidity Providers in Automated Market Makers

- 作者：Alif Aqsha, Philippe Bergault, Leandro Sánchez-Betancourt

• 机构：University of Oxford (Mathematical Institute, Oxford-Man Institute of Quantitative Finance), Université Paris Dauphine-PSL (Ceremade)

- 主题：自动化做市商（AMM）框架下，流动性提供者（LP）的激励设计与均衡奖励结构。

核心内容与贡献

本报告致力于揭示自动化做市商（AMM）设计中的最优合同（contract），此合同是由交易平台（Venue，作为领导者）提供给战略性流动性提供者（LP，作为跟随者），旨在最大化交易流量（order flow）通过该平台的处理量。研究通过构建领导者-跟随者的随机动态博弈模型（leader-follower stochastic game），对双边互动进行数学刻画，并成功推导出该博弈的近似闭式均衡解，获得流动性奖励结构的深刻洞察。

主要发现包括：

• LP只有在高流动性能够吸引更多“噪声交易”时，才有动力增加资金池的流动性。

- 最优合同包含对外部价格、资金池参考价格及池中储备的依赖关系。

• 该框架为AMM设计提供了一种理论指导，兼顾最大化交易流和保证LP利润。

该工作突破了以往文献单纯关注LP利润或价格机制设计的局限，首次将AMM设计视作动态领导者-跟随者游戏系统性研究，具创新意义[page::0,1]。

---

2. 章节深度解读

2.1 引言与研究背景

AMM为一种基于预定义交易规则的新型交易场所，使LP与LT（流动性需求方）能在无中介的前提下进行资产交换。其兴起得益于Uniswap V2发布，文献如Chiu和Koeppl (2019), Angeris等探讨了AMM机制[page::0]。揭示了传统常数函数市场（Constant Function Market, CFM）中无费用时LP遭受不可逆转的损失（Impermanent Loss, IL），即LP持币收益往往低于直接持币。

现有研究提出引入外部价格或设计新AMM机制以应对IL与提高LP盈利，但鲜有研究关注促进交易量最大化的合同设计，且未采用领导者-跟随者博弈视角[page::0]。

2.2 模型设定（章节2）

概率框架与状态变量

• 交易周期定为$T$，状态空间$\Omega$包含资产价格、交易计数等随机过程。

- 采用布朗运动模拟价格变动（$Wt,Bt$）及泊松过程模型流动性需求的到达（$\hat{N}t^\pm$），相互独立。

• 资产组合为$X$和$Y$，例如USDC和ETH，AMM基于恒定积函数（$f(x,y)=xy$）设计，称为恒定乘积市场（CPM）。

- 外部价格$St$服从布朗运动，视为中心化交易所的价格。

• 资金池中$Xt, Yt$动态随交易和LP动作变化，其数学表现透过随机微分方程描述，且LP活动带来波动性$\eta$[page::1,2]。

交易流强度设计

• 流动性需求（LT买卖）的到达强度$\lambdat^\pm$由外部价格$St$、资金池即时价格$Zt$与池内流动性水平$Yt$共同决定，呈线性函数：

$$
\bar{\lambda}^\pm(Z,Y,S) = \max\{a0, a1 + a2 Y \pm a3(Z-S)\}
$$

• 参数$a1$为基础强度，$a2$反映流动性和交易量的关系，$a3$捕捉套利者和价格校正作用。

- 通过数据回归验证该强度模型合理性，确保$\lambda^\pm$不会低于技术下限$a0$[page::3]。

LP策略与资金动态

• LP控制其加入或退出池子的速度$\nut$，受限于$\nu\infty$的最大速率限制。

- LP为迁移资产到池中，须在外部市场以当前价格$St$及临时冲击成本${\mathfrak{a}}$补偿交易成本。

• LP的状态收益指标$Q{s,t}^\nu$涵盖池内资产估值变动及交易成本等现金流量，LP追求最大化指数型效用函数，反映风险厌恶[page::4]。

2.3 代表性LP的问题（跟随者）

• LP选取策略$\nu$以最大化给定合同下的预期效用，

$$
Vt(\mathfrak{R}) = \sup{\nu\in\mathcal{A}} \mathbb{E}t^\nu\big[-\exp(-\gamma(\mathfrak{R} + Q{t,T}^\nu))\big],
$$

其中$\mathfrak{R}$为来自场馆的合同奖励。

• 风险厌恶参数为$\gamma$，合同必须满足LP的最低效用接受水平（保留效用）$R$。

- 通过凸优化和随机控制理论，LP的最优提供流动性的策略为

$$
\nut^ = \max(-\nu\infty, \min(\nu\infty, \frac{At^B}{2\mathfrak{a}\eta})),
$$

其中$At$是合同确定的适应性进程[page::4,5]。

2.4 场馆问题（领导者）

• 场馆通过设计合同$\mathfrak{R}$，激励LP从而最大化交易流量$NT^- + NT^+$ 收取手续费利润，作用同时承受风险厌恶参数$\zeta$。

- 目标函数：

$$
\mathbb{E}^{\nu^(\mathfrak{R})}[-\exp(-\zeta(\mathfrak{r}(NT^- + NT^+) - \mathfrak{R}))]
$$

• 保证合同满足LP的保留效用约束，构建领导者-跟随者的Stackelberg均衡。

- 设定HJB方程，求解领导者的最优合同，合同的关键参数由状态变量$Z,Y,S$决定，施行对应的边界控制策略[page::5,6,7]。

---

3. 关键图表与数据解读

图1（第11页）

• 内容：展示2022年1月至4月间，币安（Binance）与Uniswap V2 ETH-USDC交易对的价格差分布，红色区间表示模型中要保证的强度参数不为负的边界区域。

- 解读：只有0.37%的数据点超出边界，表明理论模型设定的假设在实际数据中极大概率成立，验证了强度模型的实用性与合理性[page::11]。

图2（第16页）

• 内容：基于模型模拟的Binance与Uniswap V2的价格差分布，红色区间同上。

- 解读：模拟价格差均未违反强度模型边界，加强了模型的稳健性和近似合理度[page::16]。

图3（第16页）

• 左图：资金池内ETH库存的预测路径及90%置信带。

- 右图：即时池内价格$Zt$与外部价格$St$对比及置信区间。

• 解读：池内外价格波动紧密对齐，显示套利活动有效，资金池余额波动受流动性需求影响有限[page::16]。

图4（第17页）

• 左图：LP调整资金流动速度$\nut^$的模拟轨迹与置信区间。

- 右图：LP累计提供的流动性。

• 解读：LP的流动性调整呈现高波动性并逐渐趋于平稳，累计流动性变化幅度有限，符合无噪音激励（$a2=0$）模型下LP的观测行为[page::17]。

图5（第17页）

• 内容：LP最优策略$\nut^$受外部变量波动率$\sigma$与外部市场冲击成本${\mathfrak a}$放大或缩小的路径对比。

- 解读：波动率提升使LP交易更活跃，冲击成本增加则LP流动性供给明显萎缩。一旦冲击成本过高（$10^{-13}$至$10^{-12}$），LP增/减流动性行为几乎消失[page::17]。

图7（第18页）

• 内容：展示LP最终获得合同奖励$\mathfrak{R}$分布和场馆盈亏分布的Monte Carlo模拟直方图。

- 解读：合同设计使LP和场馆均实现了正的期望收益，验证合同的互惠性和共赢性质[page::18]。

图8（第19页）

• 内容：设置噪声交易强度参数$a2=10^{-5}$后，LP流动性提供及资金池规模轨迹与交易费用。

- 解读：LP持续增加流动性（约8000 ETH），支付合理的外部市场交易费用（约500 USDT），资金池规模稳定增长，证明噪声交易激励下LP积极供给流动性[page::19]。

图9（第19页）

• 内容：LP最优策略随手续费$\mathfrak{r}$和交易费用${\mathfrak a}$放缩效应。

- 解读：费用提升增强LP激励，交易成本提升抑制流动性提供，与无噪音交易场景相符[page::19]。

图10（第20页）

• 内容：在噪声交易存在的条件下，LP奖励和场馆盈利的分布直方图。

- 解读：LP和场馆均有显著正收益，且交易强度对资金池深度存在正相关，说明噪声交易是激励LP积极行动的重要因素[page::20]。

---

4. 估值与解法框架

• 通过领导者-跟随者随机控制博弈架构，LP的效用最大化问题与场馆的交易流最大化通过相互反馈嵌套解决。

- LP的优化问题用指数型效用函数刻画风险偏好，场馆也被建模为指数效用最大者，代表其风险厌恶。

• 合同表示为$PT^{P0,A}$，由常数项$P0$和连接于状态过程的适应过程$A$构成，二者共同定义奖励结构。

- 通过动态规划原理和HJB方程建立，LP的最优供给策略$\nu^$与场馆的最优合同$A^$均隐式解出。

• 现场证明（Appendix A）细致说明了合同的唯一性表示与LP策略最优性，合同转化过程包括Doob-Meyer分解、变换稀疏随机积分表示。

- 为使高维HJB方程具备可解性，报告采用渐近展开、泰勒/Laurent级数及矩阵Riccati方程等数学工具近似计算。

• 参数灵敏度揭示流动性增加与噪声交易敏感度$a2$、外部交易成本${\mathfrak a}$及手续费${\mathfrak r}$的关系机制[page::5-14]。

---

5. 风险因素评估

报告指出的风险包括：

• 交易强度模型的不确定性：实际$\lambdat^\pm$可能受未建模因素影响，理论与数据差异形成模型偏差风险。

- 外部市场交易冲击成本${\mathfrak a}$的波动：高交易成本会萎缩LP的流动性供给，影响市场活跃度。

• 风险偏好参数估计不准：LP和场馆的风险态度$\gamma,\zeta$参数估计错误，可能导致合同设计失效。

- 动量与方向性风险：噪声交易假设的非方向性若被打破，将增加LP的价格风险，合同激励需重新调整。

• 模型假设局限：恒定积决策规则、线性强度函数以及布朗运动假设可能偏离真实交易世界的复杂性。

- 流动性限制条件：LP流动速度上限$\nu\infty$对策略深远影响，忽略该限制或者实际约束出现突变会带来风险。

• 市场竞争：在多AMM平台竞争下，合同设计需考虑LP多重选择行为及潜在的套利损失。

报告通过数据校验和数值模拟对部分风险验证，但未自动涵盖所有潜在异常情况及极端事件影响[page::10,16,18]。

---

6. 审慎视角与细节分析

• 报告采用领导者-跟随者架构，将场馆置于绝对领导角色，可能略化了多LP互相竞争和动态合约谈判的复杂性。

- 强度函数模型为正向线性假设，回归证据显示该假设尽管主流，但无法排除非线性与时间变化的市场结构风险。

• 模型中部分变量如流动性波动率$\eta$取极小值，具较强理论性质，实际流动性波动可能更复杂。

- 合同设计以LP风险厌恶为核心，未覆盖风险中性或投机型LP特殊行为。

• 数学推导中部分过程较为抽象，实际操作层面如市场微观结构干预、法规监管影响等未直接体现。

- 交易费用模型为二次型（$\mathfrak{a}\nut^2$）简单假设，未计入订单簿深度、滑点等复杂实际效果。

• 合约部分涉及大规模矩阵Riccati方程解及近似手段，数值稳定性及模型误差敏感性在报告中未详述，实操风险需警惕。

- 结果依赖于统计拟合和数据样本，存在跨市场、跨时间段适用性限制。

• 尽管均衡解有明确表达，整体博弈解的求解仍依赖数值方法，存在计算成本和算法收敛风险[page::7-14,22-30]。

---

7. 结论性综合

本报告基于深入的数学建模和实际数据验证，建立了一个涵盖自动化做市商（AMM）中，平台（场馆）为领导者、流动性提供者（LP）为跟随者的二层随机控制博弈框架，并针对双方的目标功能设计了均衡合同激励结构。通过理论推导结合数值模拟，主要结论如下：

• LP是否积极供给流动性，关键在于池内流动性对交易强度的吸引效应（参数$a_2$），即只有流动性增加能带来更多非方向性（噪声）交易，LP才有激励增加资金。

- 交易平台可通过设计包含对外部价格、资金池价格$Z$和储备量的奖励合同，有效平衡LP风险收益，促进交易深度，增加订单流量。

• 外部市场交易成本${\mathfrak a}$和手续费${\mathfrak r}$显著影响LP行为和合同设计，前者高则流动性萎缩，后者高利于扩大流动性供给。

- 模型参数通过实证数据校准，验证了市场实际价格对齐、交易流强度模型假设的合理性，合同收益在模拟中表现为双方盈利，具有经济意义和应用潜力。

• 对LP动机、合同结构及池中资产动态的细致刻画，为AMM协议和去中心化交易所设计提供数学基础和经济激励规范。

本报告丰富了AMM领域的理论工具箱，拓展了合同理论与博弈论在DeFi交易机制中的应用视野。虽然存在模型假设及参数估计的局限，但其贡献为未来AMM协议设计、流动性激励方案开发乃至智能合约自动执行提供了坚实的理论支持与实证启示。

---

主要图表摘要（Markdown格式）

• 图1 市场与模型价格差直方图（验证参数假设）

• 图2 模拟价格差分布（模型验证）

• 图3 库存与价格路径示例（外市与池中）

• 图4 LP流动性调整速度与累积流动性

• 图5 LP最优策略受参数变化影响

• 图6 LP流动性变化累积对冲冲击成本参数敏感度

• 图7 奖励$\mathfrak{R}$和平台收益分布

• 图8 LP流动性提供路径（有噪声交易）

• 图9 噪声交易环境下，策略对手续费和冲击成本变化敏感度

• 图10 噪声交易存在时的奖励与平台收益分布

---

参考文献溯源

• 论文大量引用相关AMM设计、价格形成、套利研究，包括Adams et al.关于Uniswap的多篇工作、Angeris & Chitra的CFM理论、Cartea et al.关于DeFi套利和交易机制的多篇贡献。

- 风险控制与合同理论方面依托Pham(2009)及Abou-Kandil等(2012)对随机控制、矩阵Riccati方程的研究。

• 实证部分采用了Uniswap V2与Binance交易对的真实数据，反复运用和验证模型机制[page::0-20].

---

（全文溯源页码以[page::x]为标识。）

以上，完成对提供报告的深入系统分析。

报告