Dynamic Liquidity Provision in Decentralized Markets: Strategy Optimization and Performance Evaluation in Concentrated Liquidity AMMs
创建于 更新于
摘要
本文提出了一种基于交易（swap）数据的参数化历史流动性重构方法，能够在缺乏快照的情况下以约2%平均误差重建池内流动性并用于回测 [page::0][page::29]。基于该重构框架，论文系统研究了τ-reset动态流动性重配族，并通过机器学习（MLP/CatBoost/LSTM集成）学习在不同市场状态下的最优配置，OOT测试显示在若干池和参数区间内比均匀配置高出13%—23%收益（费用）[page::0][page::22][page::29]。研究还揭示了不可忽视的风险驱动因素：无常损失是主要下行风险，且引入不对称保护区（τ+ηdown）能显著改善资本保全效果 [page::29][page::27]。
