論文の概要: ZeroSwap: Data-driven Optimal Market Making in DeFi

• arxiv url: http://arxiv.org/abs/2310.09413v3
• Date: Mon, 29 Apr 2024 15:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 00:44:51.386980
• Title: ZeroSwap: Data-driven Optimal Market Making in DeFi
• Title（参考訳）: ZeroSwap: DeFiにおけるデータ駆動型最適市場
• Authors: Viraj Nadkarni, Jiachen Hu, Ranvir Rana, Chi Jin, Sanjeev Kulkarni, Pramod Viswanath,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 23.671367118750872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Market Makers (AMMs) are major centers of matching liquidity supply and demand in Decentralized Finance. Their functioning relies primarily on the presence of liquidity providers (LPs) incentivized to invest their assets into a liquidity pool. However, the prices at which a pooled asset is traded is often more stale than the prices on centralized and more liquid exchanges. This leads to the LPs suffering losses to arbitrage. This problem is addressed by adapting market prices to trader behavior, captured via the classical market microstructure model of Glosten and Milgrom. In this paper, we propose the first optimal Bayesian and the first model-free data-driven algorithm to optimally track the external price of the asset. The notion of optimality that we use enforces a zero-profit condition on the prices of the market maker, hence the name ZeroSwap. This ensures that the market maker balances losses to informed traders with profits from noise traders. The key property of our approach is the ability to estimate the external market price without the need for price oracles or loss oracles. Our theoretical guarantees on the performance of both these algorithms, ensuring the stability and convergence of their price recommendations, are of independent interest in the theory of reinforcement learning. We empirically demonstrate the robustness of our algorithms to changing market conditions.
• Abstract（参考訳）: 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。 彼らの機能は主に、資産を流動性プールに投資するインセンティブを得た流動性提供者(LP)の存在に依存している。 しかし、プールされた資産が取引される価格は、中央集権的・流動的な取引所の価格よりも安定していることが多い。 これによりLPは仲裁に苦しむことになる。 この問題は、グロステンとミルグロムの古典的な市場マイクロ構造モデルを通じて捉えられたトレーダーの行動に市場価格を適応させることによって解決される。 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。 我々が使用する最適性の概念は、市場メーカの価格にゼロ利益条件を強制するので、ZeroSwapという名前になる。 これにより、市場メーカは、情報トレーダーに損失とノイズトレーダーからの利益のバランスをとることができる。 当社のアプローチのキーとなる特性は、価格異状や損失異状を必要とせず、外部市場価格を見積もることができることです。 これらのアルゴリズムの性能を理論的に保証し、それらの価格提案の安定性と収束を保証し、強化学習理論に独立した関心を持つ。 市場状況の変化に対するアルゴリズムの堅牢性を実証的に実証する。

関連論文リスト

• Reinforcement Learning for Corporate Bond Trading: A Sell Side Perspective [0.0]
  社債トレーダーは、テキスト優先の市場価格にスプレッドを追加して引用を提供する 不正な債券については、市場価格の観測が困難であり、トレーダーはしばしば利用可能なベンチマーク債の価格に頼っている。 本稿では,データ駆動方式による最適入札分散商法の推定にアプローチし,強化学習を用いて学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-18T18:02:35Z)
• Adaptive Liquidity Provision in Uniswap V3 with Deep Reinforcement Learning [19.916721360624997]
  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。
  論文  参考訳（メタデータ） (2023-09-18T20:10:28Z)
• 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)
• UAMM: Price-oracle based Automated Market Maker [42.32743590150279]
  本稿では,外部市場価格と流動性プールの非定常損失を考慮した価格計算手法UBET AMMを提案する。 当社のアプローチは、外部市場価格が効率的である場合に、仲裁の機会を排除できることを実証する。
  論文  参考訳（メタデータ） (2023-08-11T20:17:22Z)
• Deep Policy Gradient Methods in Commodity Markets [0.0]
  トレーダーは流動性を提供し、ボラティリティを下げることで市場の安定化に重要な役割を果たしている。 本論文は,商品取引における深層強化学習手法の有効性について考察する。
  論文  参考訳（メタデータ） (2023-06-14T11:50:23Z)
• Equilibrium of Data Markets with Externality [5.383900608313559]
  私たちは、売り手が固定価格を投稿し、買い手は売り手から自由に購入できる現実世界のデータ市場をモデル化します。 ここで重要な要素は、データ購入によって互いに負の外部性バイヤーが引き起こされることだ。 我々は、取引コストを通じて介入するプラットフォームが、強力な福祉保証を備えた純粋な均衡につながることを証明している。
  論文  参考訳（メタデータ） (2023-02-16T00:57:49Z)
• 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)
• Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
  金融の価格問題に様々な量子技術を適用することができることを示す。 従来の研究と異なる3つの方法について議論する。
  論文  参考訳（メタデータ） (2022-09-19T09:22:01Z)
• 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。