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。

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
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
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。
| 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 | 0 | 1 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
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。
· 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。