集中流动性不是一条曲线:把 V3 的深度图写成随机偏微分方程之后

首页 / 海外深读 / 读集中流动性剖面论文
海外深读 / 流动性建模

集中流动性不是一条曲线:把 V3 的深度图写成随机偏微分方程之后

把仓位想成一根价格线,你只会关心区间边界;把它想成一张会移动的分布图,你才会关心别人什么时候把流动性搬走。

arXiv集中流动性LVR
海外深读 / 流动性建模
这篇论文没有给「怎么赚钱」的答案,它做的是更基础的一件事:给「池子有多厚」这件事写一个能随时间演化的方程。理解它,你才知道自己的仓位在和什么样的对手共享同一张深度图。
原文
Dynamics of the Liquidity Profile in Concentrated Liquidity Provision: An SPIDE Approach
作者
据 arXiv 页面,提交者为 Shen-Ning Tung
平台
arXiv:2610.30539 [q-fin.MF],2026 年 10 月 21 日提交;55 页、1 图、7 表
研究对象
Uniswap V3 等集中流动性 AMM 的流动性剖面(liquidity profile)
本文处理
摘要短引 3 处,附译文与注释;文中的效率倍数与推演均为我们的计算,已逐处标注
3 个池子论文用于校准的 Uniswap 池样本
2 / 3通过平稳性设定的池子数
55 页正文长度,含 7 张表

01先问一个具体问题:你的仓位在别人眼里长什么样

假设你在 V3 里开一个 0.9 到 1.1 的区间。价格从 1.0 往上走,你的两种资产开始按公式互换;走到 1.1,你手里只剩一种币,仓位事实上「下班」了。这个过程中,池子在这个区间的厚度不是常数,它随价格移动而改变形状。

更麻烦的是,你并不是唯一在做这件事的人。几千个 LP 各自选区间、各自撤出、各自重开,全池的深度图是所有人仓位的叠加。任何一个新仓位的进入,都会改变价格附近几百个 tick 上的流动性分布;任何一次价格穿越,都会让一批仓位从「双边」变成「单边」,从图上消失。

所以真正的问题不是「我的区间对不对」,而是:这张由所有人拼出来的深度图,随时间怎么演化?它会不会自己往价格附近聚集,还是会在波动放大时被抽空?论文要回答的就是这个问题,而它选择的工具不是曲线,是场。

02核心论点:深度图是一个会自己收缩的场

We model the dynamics of the liquidity profile in Uniswap V3 and other concentrated-liquidity automated market makers with a stochastic partial integro-differential equation (SPIDE).原文
译文:我们把 Uniswap V3 及其他集中流动性自动做市商中流动性剖面的动态,建模为一个随机偏积分微分方程(SPIDE)。
注释:这句话是全文的方法声明。偏微分方程意味着自变量里同时有时间与价格(或 tick)两个维度;积分项意味着某一点的变化会受远处仓位的影响;随机项意味着价格本身是随机过程。三者叠在一起,才配得上「深度图会呼吸」这个直觉。

传统恒定乘积池的深度由一条公式锁死:储备量决定一切,价格一动,深度只是沿着同一条曲线滑动。集中流动性把这个约束拆了——每个 LP 自己决定在哪个价格段提供多少流动性,于是「深度」变成了一个由仓位分布决定的函数,而不是一个由储备量决定的常数。

论文的第二个关键判断是:这张图不是被动的。仓位会重排。价格往上走了,原来在上方的仓位变成了单边资产,新的仓位会在新的价格附近开出来;价格剧烈波动时,一部分 LP 会选择撤出观望,另一部分会加宽区间。这些行为在数学上就是「非局部的重新分配」——某一点流动性的减少,可能来自很远处的仓位被撤掉。

The profile, the aggregate of all provider positions across tick space, evolves under a degenerate Sturm–Liouville operator, which encodes mean-reverting concentration around the market price, coupled with a Hilbert–Schmidt integral operator, which captures nonlocal redistribution driven by provider repositioning.原文
译文:这个剖面是全部提供者仓位在 tick 空间上的总和;它在一个退化的 Sturm–Liouville 算子下演化,该算子刻画了围绕市价的均值回复式集中,并与一个 Hilbert–Schmidt 积分算子耦合,后者刻画由提供者重新定位驱动的非局部再分配。
注释:这段话是全篇最技术、也最值得拆的一句。Sturm–Liouville 算子在物理里描述扩散与回复,这里被用来表达「流动性倾向于聚到市价附近」;积分算子则表达「远处仓位的动作会影响近处」。两个算子一近一远,正好对应 LP 的两种行为:追价与撤退。

03论证拆解:三个零件各管一段

把论文的建模拆成零件,其实只有三样东西:一个描述「往中间聚」的微分项,一个描述「远处搬近处」的积分项,以及一个把无穷维的剖面压缩成几个可解释数字的降维步骤。

第三步是最实用的。作者把整个剖面投影到一组基函数上,只保留低阶模态,并指出这几个模态分别对应剖面的水平(整体有多厚)、斜率(偏向买侧还是卖侧)、曲率(集中在多窄的带子里)。换句话说,你不需要知道每个 tick 上有多少流动性,只要知道这三个数,就能大致还原价格附近的深度形状。

建模组件数学对象对应的市场行为
集中项退化 Sturm–Liouville 算子LP 把流动性放在市价附近,价格移动后重新聚拢
重排项Hilbert–Schmidt 积分算子远处仓位撤出或迁移,改变近处深度
降维低阶模态投影用水平、斜率、曲率三个数概括整张深度图
随机源对数价格过程(OU 型或几何布朗型)价格本身的均值回复或随机游走
输出储备、池价值、LVR 的解析式把深度形状换算成 LP 的损益

这张表值得抄下来。它说明论文的贡献不是某一个新指标,而是把「深度图形状」和「LP 损益」之间接上了一根可计算的管道:给定剖面的低阶模态与价格过程,池子储备、池价值、以及 loss-versus-rebalancing 都能写出表达式。

这里要提醒一句:LVR 是相对「持有不卖」的机会成本,不是实际亏损。论文把它写成解析式,是为了让不同区间宽度的仓位可以比较,而不是为了宣布做市一定亏钱。手续费收入没有进入这个表达式,这一点在读结论时不能忘。

04我们的复算:区间收窄一半,资金效率涨多少

论文的实证部分只有三个池子,但它的框架可以立刻用来算一件很实际的事:同样想提供 1 万美元等值的深度,区间收窄会放大多少资金效率?这个问题有闭式解,不依赖论文的数据。

设区间为 [pa, pb],在几何中点 p = sqrt(pa·pb) 处: 资金效率 = 1 / (1 – (pa/pb)^(1/4)) 推导:V3 仓位在 p 处的价值 V = L·sqrt(p)·(2 – sqrt(p/pb)) – L·sqrt(pa); 同样流动性 L 在恒定乘积池中的价值 V2 = 2L·sqrt(p); 两者相除并在 p = sqrt(pa·pb) 处化简,即得上式。这是我们的推导,用于给论文的「集中」二字一个可代入的尺度。pa、pb 是同一计价单位下的价格边界;区间越窄,pa/pb 越接近 1,分母越小,倍数越大。
区间(相对市价)pa/pb资金效率倍数
±5%(0.95–1.05)0.905约 40.5 倍
±10%(0.90–1.10)0.818约 20.4 倍
−20% / +25%(0.80–1.25)0.640约 9.5 倍
−50% / +50%(0.50–1.50)0.333约 4.2 倍
全区间01 倍(等同恒定乘积)

这张表能解释一个常见误解。很多人以为「区间越窄越赚钱」,其实窄区间放大的是资金效率,不是收益率。40 倍效率的另一面是:价格只要走出 ±5%,你的仓位就全部转成单边资产,手续费收入归零,而这段时间里你承担的价格风险一分没少。

把它和论文的剖面语言对上:当一个池子里大量仓位集中在很窄的带子里,深度图的曲率就很高。价格一旦离开这条带子,图上的厚度会迅速塌陷——不是因为有人撤资,而是因为这些仓位在数学上已经「出区间」了。这种塌陷是内生的,不需要任何外部冲击。

05反例与边界:第三个池子不买账

On the third pool, out-of-sample diagnostics are consistent with nonstationarity, which motivates price-aware and time-varying extensions.原文
译文:在第三个池子上,样本外诊断与非平稳性一致,这促使我们做价格感知与时变的扩展。
注释:这句话是全文最诚实的部分。作者没有把三个池子都说成成功案例,而是明确报告:有一个池子的数据拒绝了「平稳」这个前提。对做市商来说,这比任何拟合优度都重要——它意味着同一套参数不能跨池、跨时期照搬。

为什么第三个池子会不平稳?论文没有给出确定答案,只把它归因于价格感知与时变的需要。我们基于机制做一个推测(不是原文结论):如果某个池子的价格在该样本期内发生了趋势性位移,比如从一个大区间单向走到另一个区间,那么「围绕市价均值回复」的假设自然不成立,因为市价本身没有回复。

第二个边界是样本量。三个池子、55 页正文、1 张图、7 张表——这个配置说明论文的重心在建模与解析解,而不是大规模实证。它证明了「这套方程能写出来、能解、能校准」,但没有证明「它在几十个池子上都成立」。

第三个边界是预测指标本身。摘要说校准降低了 active-band 预测误差,相对的是一个鞅基准(martingale benchmark)。打赢「明天等于今天」这个基准,是必要而不充分的条件:它说明模型抓到了某些结构,不说明这些结构能覆盖手续费、gas 与再平衡成本之后还有剩余。

06对中文读者的用法

这篇论文不会直接告诉你去哪个池子做 LP,但它给了五个可以马上用的判断工具。

  • 看一个池子的深度图,不要只看总流动性,看曲率:流动性是否集中在很窄的带子里。曲率高,价格离开带子时塌陷就快。
  • 评估自己的区间,用 1/(1-(pa/pb)^(1/4)) 算一遍效率倍数,再问自己:这个倍数对应的出区间概率,我能不能承受。
  • 把「别人会不会撤」当成变量。深度图是所有人仓位的叠加,不是你的仓位加一个常数。
  • 看到「模型预测误差降低」这类结论,先找基准是什么。打赢鞅基准只说明有结构,不说明有利润。
  • 跨池复制参数前先做平稳性检查。论文自己的第三个池子就没通过,这是最直接的提醒。

07一句话结论

这篇论文真正的贡献,是把「池子有多厚」从一个静态快照,变成一个有演化规律的场:它会往价格附近聚,也会在价格离开时塌。理解这两件事,比记住任何一个倍数都有用。

本文只处理论文明确写出的建模假设与结论,不评价作者对未来的判断。表中倍数、公式推导与关于第三个池子的推测均已标注来源属性,读者可自行复算核对。
资料来源与核对方式
· arXiv:2610.30539v1,Dynamics of the Liquidity Profile in Concentrated Liquidity Provision: An SPIDE Approach,https://arxiv.org/abs/2610.30539(2026-10-21 提交)
访问日期:2026-10-26。文中英文短引均摘自所列公开原文,译文与注释为本站所加;凡标注「我们的估算」「我们的推演」「我们的复算」处均为按公开信息的算术推演,不是原作者结论。原文版权归原作者/发行方所有,本页为摘译与独立分析,不构成投资建议。

常见问题

SPIDE 是什么,和普通的偏微分方程有什么区别?

SPIDE 是 stochastic partial integro-differential equation 的缩写,即随机偏积分微分方程。与普通偏微分方程相比,它多了两项:积分项让某一点的变化依赖远处的状态,随机项让价格本身成为随机过程。论文用它来描述流动性剖面随价格与时间的联合演化。

资金效率倍数 40 倍,是不是意味着收益也高 40 倍?

不是。倍数衡量的是「同样的深度需要多少资金」,不是收益率。区间越窄,单位资金的费率收入越集中,但价格离开区间的概率也越高,出区间后仓位变成单边资产、手续费收入归零。倍数与风险是同一枚硬币的两面。

为什么第三个池子的结果要单独拿出来说?

因为它是唯一一个在样本外拒绝平稳性假设的池子。作者如实报告,并据此提出需要价格感知与时变的扩展。对使用者来说,这提醒我们:同一套参数不能无条件跨池、跨时期复制。

本文为对公开论文的摘译与独立分析,原文版权归作者所有;文中不构成投资建议。 最后更新:2026-10-26。

安装 App