論文の概要: Concentrated Liquidity Provision: a Reinforcement Learning Perspective

• arxiv url: http://arxiv.org/abs/2608.19389v1
• Date: Wed, 19 Aug 2026 19:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.388173
• Title: Concentrated Liquidity Provision: a Reinforcement Learning Perspective
• Title（参考訳）: 集中流動性規定:強化学習の視点から
• Abstract要約: 自動市場メーカー(AMMs)は、分散型金融(DeFi)の基盤である インパルス制御問題として動的流動性プロビジョニングを定式化し、強化学習(RL)を用いて解決する。 我々は、政策が豊かな状態依存行動を示し、誤った価格、再バランスコスト、不確実性、在庫暴露、不均一なリスク嗜好に応じて流動性を割り当てていることを示す。
• 参考スコア（独自算出の注目度）: 6.803908016694179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated market makers (AMMs) are a cornerstone of decentralised finance (DeFi). Constant product markets with concentrated liquidity, such as UniswapV3, are now a well-established design. In these markets, liquidity providers (LPs) face a sequential decision problem: they must decide when to rebalance their positions and which price ranges to allocate capital to as market conditions evolve. We formulate dynamic liquidity provision as a stochastic impulse control problem and use reinforcement learning (RL) to solve it, focusing on providing interpretable solutions. We show that learned policies exhibit rich state-dependent behaviour, allocating liquidity according to mispricing, rebalancing costs, uncertainty, inventory exposure, and heterogeneous risk preferences. These behaviours help compress the left tail of the Profit and Loss (PnL) distribution and avoid catastrophic outcomes under high uncertainty. Finally, we benchmark the RL agents against baseline and sophisticated agents from the AMM microstructure literature and analyse their performance.
• Abstract（参考訳）: 自動市場メーカー(AMMs)は、分散型金融(DeFi)の基盤となっている。 UniswapV3のような流動性に富んだ一定の製品市場は、現在よく確立されている設計である。 これらの市場では、流動性提供者(LP)は、いつポジションを再均衡するか、どの価格帯が市場条件の進展に応じて資本を割り当てるかを決定する必要があるという、順次の意思決定問題に直面している。 確率的インパルス制御問題として動的流動性供給を定式化し,それを解決するために強化学習(RL)を用い,解釈可能なソリューションの提供に焦点をあてる。 学習した政策は、豊かな状態依存行動を示し、誤った価格、再バランスコスト、不確実性、在庫暴露、不均一なリスク嗜好に応じて流動性を割り当てていることを示す。 これらの挙動は、利益と損失(PnL)分布の左尾を圧縮し、高い不確実性の下で破滅的な結果を避けるのに役立つ。 最後に,RL エージェントを AMM マイクロ構造文献からベースラインおよび高度エージェントに対してベンチマークし,その性能を解析する。

関連論文リスト

• From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
  本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。 我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T03:22:05Z)
• LiquiLM: Bridging the Semantic Gap in Liquidity Flaw Audit via DCN and LLMs [7.012454472956686]
  我々は,Large Language Models(LLM)と動的コアテンションネットワーク(DCN)を統合したLiquiLMフレームワークを提案する。 流動性クリティカルな契約と欠陥記述の間の動的相互作用を確立することで、このフレームワークは基盤となるコード実装と高レベルの流動性意図の間のセマンティックギャップを効果的に橋渡しする。 LiquiLMは238のハイリスク契約を特定し、CVE認証を受けた10の脆弱性の発見を支援する。
  論文  参考訳（メタデータ） (2026-04-04T20:49:09Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Improving DeFi Accessibility through Efficient Liquidity Provisioning with Deep Reinforcement Learning [0.3376269351435395]
  本稿では,DeFiプロトコルにおける流動性提供を最適化するために,深層強化学習(DRL)を適用した。 より効率的な流動性管理を促進することで、この取り組みはDeFi市場をよりアクセスしやすくし、幅広い参加者を包括的にすることを目的としている。
  論文  参考訳（メタデータ） (2025-01-13T17:27:11Z)
• 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)
• 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)
• 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)
• Learning Strategies in Decentralized Matching Markets under Uncertain Preferences [91.3755431537592]
  エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。 我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。 エージェントの期待した利益を最大化する最適な戦略を導出する。
  論文  参考訳（メタデータ） (2020-10-29T03:08:22Z)

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。