論文の概要: Adaptive Liquidity Provision in Uniswap V3 with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2309.10129v1
• Date: Mon, 18 Sep 2023 20:10:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 17:36:01.495932
• Title: Adaptive Liquidity Provision in Uniswap V3 with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるuniswap v3の適応流動性提供
• Authors: Haochen Zhang and Xi Chen and Lin F. Yang
• Abstract要約: 分散取引所(DEX)は、分散金融(DeFi)の基盤である 本稿では,価格範囲を適応的に調整する深層強化学習(DRL)ソリューションを提案する。 当社のアプローチは、リバランシングポートフォリオを通じて流動性ポジションをヘッジすることで、価格変動リスクを中和する。
• 参考スコア（独自算出の注目度）: 19.916721360624997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralized exchanges (DEXs) are a cornerstone of decentralized finance (DeFi), allowing users to trade cryptocurrencies without the need for third-party authorization. Investors are incentivized to deposit assets into liquidity pools, against which users can trade directly, while paying fees to liquidity providers (LPs). However, a number of unresolved issues related to capital efficiency and market risk hinder DeFi's further development. Uniswap V3, a leading and groundbreaking DEX project, addresses capital efficiency by enabling LPs to concentrate their liquidity within specific price ranges for deposited assets. Nevertheless, this approach exacerbates market risk, as LPs earn trading fees only when asset prices are within these predetermined brackets. To mitigate this issue, this paper introduces a deep reinforcement learning (DRL) solution designed to adaptively adjust these price ranges, maximizing profits and mitigating market risks. Our approach also neutralizes price-change risks by hedging the liquidity position through a rebalancing portfolio in a centralized futures exchange. The DRL policy aims to optimize trading fees earned by LPs against associated costs, such as gas fees and hedging expenses, which is referred to as loss-versus-rebalancing (LVR). Using simulations with a profit-and-loss (PnL) benchmark, our method demonstrates superior performance in ETH/USDC and ETH/USDT pools compared to existing baselines. We believe that this strategy not only offers investors a valuable asset management tool but also introduces a new incentive mechanism for DEX designers.
• Abstract（参考訳）: 分散取引所(DEX)は、分散型金融(DeFi)の基盤であり、ユーザーは第三者の認可なしに暗号通貨を取引できる。 投資家は、ユーザーが直接取引できる流動性プールに資産を預けるインセンティブを与え、流動性プロバイダ(lps)に手数料を支払う。 しかし、資本効率や市場リスクに関する未解決の問題はデフィのさらなる発展を妨げている。 先進的で画期的なDEXプロジェクトであるUnixwap V3は、LPが預金資産の特定の価格範囲内で流動性に集中できるようにすることで、資本効率に対処する。 それでもこのアプローチは、LPが所定のブラケット内に資産価格がある場合にのみ取引手数料を得るため、市場リスクを悪化させる。 本稿では、これらの価格範囲を適応的に調整し、利益を最大化し、市場リスクを軽減するための深層強化学習(DRL)ソリューションを提案する。 当社のアプローチは、中央集権先物取引所におけるリバランスポートフォリオを通じて流動性ポジションをヘッジすることで、価格変動リスクを中和する。 DRL政策は、LPが得られる取引手数料を、ガス料金やヘッジコストなどの関連するコストに対して最適化することを目的としている。 ETH/USDC および ETH/USDT プールにおいて,既存のベースラインと比較して優れた性能を示す。 我々は、この戦略が投資家に価値ある資産管理ツールを提供するだけでなく、DEXデザイナーに新たなインセンティブメカニズムを導入すると考えている。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Reinforcement Learning with Maskable Stock Representation for Portfolio Management in Customizable Stock Pools [34.97636568457075]
  ポートフォリオ・マネジメント(PM)は、長期的利益を追求するために、資本を異なる株式に最適な定期的な再配置を探求する基本的な金融取引課題である。 既存のReinforcement Learning (RL) 法では,ストックプールを少し変更してもRLエージェントを再訓練する必要があるため,高い計算コストと不安定な性能が得られる。 我々は,グローバルストックプールにおけるワンショットトレーニングを通じて,PMをCSPで扱うためのEarnMoreを提案する。
  論文  参考訳（メタデータ） (2023-11-17T09:16:59Z)
• ZeroSwap: Data-driven Optimal Market Making in DeFi [23.671367118750872]
  AMM(Automated Market Makers)は、分散金融における流動性供給と需要に合致する主要なセンターである。 本稿では,アセットの外部価格を最適に追跡する,最初の最適ベイズアルゴリズムとモデルフリーなデータ駆動アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T21:28:19Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
  分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。 そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。 これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。 我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
  論文  参考訳（メタデータ） (2023-02-01T17:21:40Z)
• Reinforcement learning for options on target volatility funds [0.0]
  我々は、目標ボラティリティ戦略(TVS)に基づくリスクの高い証券のヘッジによる資金調達コストの上昇に対処する。 我々はこの問題をブラック・アンド・ショールズ(BS)のシナリオで解析的に解いた。 次に、局所ボラティリティ(LV)モデルの下で最も保守的な価格につながる資金組成を決定するために強化学習(RL)技術を使用します。
  論文  参考訳（メタデータ） (2021-12-03T10:55:11Z)
• Strategic Liquidity Provision in Uniswap v3 [13.436603092715247]
  流動性提供者(LP)は、資産の価格の1つ以上の閉区間に流動性を割り当てる。 動的流動性供給問題を形式化し、ニューラルネットワークベースの最適化フレームワークを提供する一般的な戦略に焦点をあてる。
  論文  参考訳（メタデータ） (2021-06-22T19:48:02Z)
• Regulation conform DLT-operable payment adapter based on trustless - justified trust combined generalized state channels [77.34726150561087]
  物の経済(EoT)は、ピアツーピアの信頼性のないネットワークで動作するソフトウェアエージェントに基づいています。 基本的価値と技術的可能性が異なる現在のソリューションの概要を述べる。 我々は,暗号ベースの分散型の信頼できない要素の強みと,確立された,十分に規制された支払い手段を組み合わせることを提案する。
  論文  参考訳（メタデータ） (2020-07-03T10:45:55Z)
• A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
  再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。 欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。 本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。 その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T13:50:13Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。