在Uniswap V3中对有毒流动性的区分：第二部分

本文是 @0xfbifemboy 关于 Uniswap 流动性池、集中流动性和费用动态的 进行中的系列文章 的新一篇。本系列的第二篇文章旨在聚焦于 ETH/USDC 交易数据中有毒流的特征分析以及潜在的价格歧视或流动分割机制的实现。

引言

在之前的文章中，我们开始更详细地描述 Uniswap V3 的 ETH/USDC 池的有毒和非有毒交易流。我们识别了几个有趣的模式；例如，我们观察到限于交易历史的“新”钱包可能会进行不明智的交易（对流动性池有利），而一个非常小的子集钱包（不到 1%），频繁且大规模的交易，来源于大部分的有毒流和流动池的大部分亏损。

虽然我们能够就有毒和非有毒交易流的特性产生一些有趣的观察，但我们的文章留下了一些关键问题未解。我们用来识别有毒流来源的方法有多鲁棒？关于哪些钱包进行有毒交易和非有毒交易的行为，我们能说些什么更深的内容？最后，或许最重要的是，我们如何将我们的见解结合为基于交易来源的价格歧视的实用方法？

在这篇文章中，我们试图将这些散乱的线索串联起来。我们探索有毒性的其他定义，发现它们在很大程度上与我们先前的工作一致，并创建了一份将钱包归纳为三个有毒级别的整合分类。我们更深入地分析了这些钱包的交易行为。最后，我们简要勾勒了一个提案，设计一个系统，该系统可以对有毒流进行额外收费，或等价地给予零售交易者折扣。

有毒性的替代表述

回想一下，我们最初通过观察聚合钱包统计数据来试图按钱包对交易流进行分段。特别是，我们观察了每个钱包的平均名义交易规模与其平均 PnL，对于至少 250 笔交易的钱包：

我们还计算了每 50 笔交易中的 PnL 自协方差。注意到上面的图中存在明显的聚类，我们可以做出以下初步定义：

• 高毒性： 拥有至少 250 笔交易，平均 PnL < 0 个基点，平均名义 > 10k 美元，交易 PnL 自协方差 > 0.9
• 中毒性： 拥有至少 250 笔交易，平均 PnL < 0 个基点，平均名义 > 10k 美元，交易 PnL 自协方差 ≤ 0.9
• 低毒性： 所有其他钱包

根据这一分类，大多数流动性池的亏损来自高毒性和中毒性组，表明我们对钱包的分组大体有效。

然而，当尝试分析相对未知的“真相”情境时，总是有必要询问以下问题：我们的结果对不同的度量或定义的鲁棒性如何？我们将尝试以另一种方式识别有毒钱包，看看结果的比较。

不再使用聚合统计数据，而是能否直接查看产生有毒交换的钱包？回顾我们的原始观察，我们发现流动性池的大多数亏损来自于拥有负 PnL 的大型交易：

我们特别限制在至少进行过五次 ETH/USDC 交易的钱包，其中 所有 交易的名义规模在第 80 百分位到第 95 百分位之间，且 所有 的交易的标记 PnL 为 -5 个基点或更少。这产生的仅仅是一组 1,776 个钱包，远低于 ETH/USDC 交换数据中记录的 450,000 多个不同钱包的极小一部分。

初步将这些钱包归类为“有毒钱包”，并绘制每个钱包的平均名义交易规模的分布，确实发现这些钱包的名义交易规模远高于通常水平：

这个结果并不令人意外，因为拥有多个大宗交易是被纳入这些钱包群体的前提条件之一！

那么，人们可能会问，交易 PnL 的趋势是否相同。下面我们绘制每个钱包的平均交易 PnL 的分布，为简单起见，我们限制在至少进行 20 次 ETH/USDC 交易的钱包（这消除了结果中的大量噪音）：

有趣的是，看来我们的有毒钱包组在交易 PnL 中表现出双峰分布。其中一个峰的平均 PnL 对流动性池是正的，类似于非有毒钱包的较大分布；然而，另一个峰深陷负向领域，平均为约 -5 个基点。分布中的第二个（最左侧）峰似乎反映了那些始终为 ETH/USDC 流动提供者产生有毒交易的钱包！

让我们考虑这一左侧的有毒交易者，平均 PnL 为负。简单回顾，这个子集由 817 个钱包构成，具有以下特征：

• 所有交易的平均 PnL 为负
• 至少五次 PnL 低于 -5 个基点且名义规模在第 80 百分位到第 95 百分位之间的交易

如果我们专门查看 这些钱包 发起的交易，会发现什么有趣的事情吗？我们再次按名义交易规模来进行分段：

的确，随着名义交易规模的增加，交易 PnL 确实下降，此处下降的幅度相当规律，且从名义交易规模的较低百分位开始下降，早于观察到的所有交易的总体情况。此外，较低名义规模的 PnL 似乎非常噪声化，导致我们怀疑这些钱包的大部分交易集中在更高的名义规模上：

如预期，这些钱包进行的大多数交易在非常高的名义交易规模下进行！

总体而言，由这组 817 个交易者的所有交易所实现的流动性池名义 PnL 达到了令人震惊的 -1.65 亿美元。回想一下，使用短期 Binance 标记的流动性池 总体 收益仅为 -4300 万美元，这意味着来自所有其他交易者的整体 PnL 为 正的 1.22 亿美元！ 我们再次看到有效区分有毒流和非有毒流的重要性：如果所有来自这 817 个交易者的交易都多收取了五个基点，那么流动性池的整体 PnL 不太可能深深地“进入黑色”！

整合我们的定义

现在，在我们最初将钱包分类为高、中或低毒性的基础上，我们现在有基于以下定义的同样合理的钱包划分：

• 有毒钱包： 平均 PnL 为负且至少存在 5 笔符合条件的钱包，其中所有交易的名义规模均在第 80 百分位到第 95 百分位之间，且所有交易的 PnL 均为 -5 个基点或更少
• 非有毒钱包： 所有其他钱包

这两组定义相对相似，但并不完全相同。它们有哪些不同？事实证明：

• 第一个定义中的 高毒性 钱包在第二个定义中均被归类为 有毒钱包
• 第一个定义中的 中毒性 钱包几乎全部（>97%）被分类为第二个定义中的 有毒钱包
• 第一个定义中的 低毒性 钱包几乎全部（>99%）被归类为第二个定义中的 非有毒钱包

我们在这两个分类之间几乎有完美一致性，但有两个注意事项：

• 第一个定义中基于分组交易盈利能力计算的 高毒性 组似乎确实挑选了一个重要且特殊的有毒钱包子集
• 在第二个定义中有 1,408 个钱包被归类为 有毒，而在第一个定义中被归类为 低毒性；虽然在整体中占小比例，这些钱包似乎确实真正产生了有毒流，它们在第一个分类中被遗漏，主要是因为它们的交易总数少于 250 次

因此，我们将钱包生成一个 整合的排名，分为三个有毒组：

• 高毒性： 在第一个定义中被归类为 高毒性
• 中毒性： 在第一个定义中被归类为 中毒性 或在第二个定义中被归类为 有毒钱包
• 低毒性： 所有其他

虽然这似乎有点拘谨，但通过两种不同的视角解决不明确的问题，我们仍然得出了大致相同的结论。进一步增强了我们的信心，表明我们的结果在不同选择的显式参数或阈值之间将是强韧的。我们自然也认识到，这是一个根本上不完美的分类。当然，会有真正的套利者钱包被我们遗漏，以及真正的零售流实例可能被我们错误地标记为高或中毒性！然而，我们相信对这些数据的合理分析将大体与我们的结果相符，即使不具完美精度。

有毒流的特征

现在我们已经整合了钱包的有毒性等级为高、中或低，关于这些钱包的交换行为我们还能说些什么？

一个自然的问题是交易流的 频率。直观上，我们期望自动化交易策略带有系统性阿尔法，能以规律间隔进行交易（每当发现交易机会或价格错位时）。另一方面，零售交易者可能更随机、频率较低地进行交易：也许有一笔交易在他们觉得合适时，另一笔交易在周末……等等。

因此，我们检查了每个钱包的 连续交易之间的中位时间 的分布（我们在这里使用中位数，以避免由于交易临时暂停而偏向估计，并限制在记录超过 20 笔交易的钱包）：

根据我们的预期，高毒性钱包交易 极其 频繁（通常交易间隔为 2 分钟左右）。有趣的是，中毒性钱包的交易间隔分布“更分散”，平均交易时间稍长，仍然通常以相对较快的速度下单。这可能表明高毒性钱包参与的是比较“一致”的套利交易，也许是原子链上套利，而相较之下，中毒性钱包可能集中于统计套利，涉及更广泛的时间尺度的阿尔法。这种模型与我们先前观察高毒性钱包的交易规模通常在中毒性组钱包规模的 1-2 个数量级之上是一致的。

除了仅查看交易频率，我们还可以查看每个钱包与交易 方向 切换的频率。人们可能天真地认为频繁交易策略会非常频繁地切换交易方向；例如，他们可能以较低价格买入 ETH，然后在下一波以更高价格卖出；或者，即使在 Uniswap 上仅执行“单侧”交易，我们也会预期许多类型的统计阿尔法给我们带来基本随机的 ETH 买入与卖出的分布。相比之下，零售交易者可能由于 FOMO 等原因在交易中表现出强盛的动量，导致他们在切换交易方向之间的时间较长。

我们直接检查了每个钱包的平均 “运行长度”的分布，在这里我们查看每个钱包的交易历史中连续相同方向交易的“运行”（以交易数量为单位）的长度：

（请注意，为了控制极端异常值的存在，我们再次限制在具有超过 20 笔交易的钱包中。）

显然，高毒性钱包转变交易方向的频率远高于中毒和低毒性钱包！有趣的是，中毒性钱包切换交易方向的频率远低于高毒性钱包；这与中毒性钱包集中于统计套利，在较长时间跨度上进行操作并可能涉及多笔同一方向交易以响应相同信号的情况是一致的。

这自然引出了一个进一步的问题：高毒性或中毒性钱包的阿尔法到底在多长时间尺度上保持？对于一个随意决定买入或卖出一定数量 ETH 的零售交易者而言，是否现在执行交易，10 秒之后，10 分钟之后，甚至是 10 小时或 10 天之后，都没有太大关系；当然随机价格波动引入了一些不希望的变化，但总体来看，他们并不期待自己在“时间”方面特别擅长 ETH/USDC 的价格，并且对于现在与接下来一个小时的交换执行应该比较无所谓。

另一方面，高频交易者寻求利用统计关联、预测运动和市场之间的错位，应该对时间尺度的选择表现出更高的敏感性。例如，如果币安的价格主导 ETH 价格发现，那么在大型成交发生后，Uniswap 池的价格将在数分钟内“错误定价”（甚至可能更少）。他们绝对 不 应该对现在进行的是交易与下一小时进行的交易无所谓。

我们可以通过观察每个钱包的平均 PnL 在不同标记时间范围内变化的方式来分析这个问题：

（在上面的图中，我们正计算每个钱包交易的 PnL 的 名义加权平均值。这里的动机是，每个钱包的 PnL 计算应考虑每个交易相对的“投注规模”，而不是假设不同交易的名义规模彼此完全独立。）

如预期，低毒性钱包在 PnL 上有着较高的表现（对流动性池有利），这些钱包的 PnL 与标记时间范围基本独立。直观上，这似乎说得通：如果你是一个没有优势的交易者，那么无论我们在你交易后 1 分钟或 10 分钟后检查，你未来的期望 PnL 仍然应该是零（尽管随着标记时间变长，方差更高）。有趣的是，我们确实看到高毒性和中毒性钱包——尤其是高毒性钱包——似乎在小于 1 分钟的时间尺度上遭受了明显的阿尔法衰退，PnL 随后基本保持稳定。这确实表明，流动性交易者在 ETH/USDC 池中使用的盈利信号在第一分钟内衰退到零阿尔法（约 4-5 笔块交易）。

我们还可以通过基于 边际 Uniswap ETH/USDC 池价格 而不是币安数据来计算钱包的 PnL，进一步细化对这些钱包交易行为的理解：

在这里需要注意的是，高毒性组现在似乎在 10-15 分钟后表现出超过 5 个基点的阿尔法衰退，而不是在数据的第一分钟大部分衰退。为了看到这一观察的重要性，想象你是一个套利者，注意到 ETH 在币安上交易价格高出 20 个基点，这主导价格发现，相较于在 Uniswap 上交易价格高出 15 个基点。因此，你的套利目标就是通过 0.05% 的费用池进行交换。但是，你只能购买足够的 ETH，使其价格上升至边际水平的 15 个基点；更接近于币安的价格时，考虑到 5 个基点的交易费用，你就会为 ETH 付过高的价格。

最终，由于币安和 Uniswap 的 ETH 价格信息是密切协整的过程，你可以期待 Uniswap 的价格与币安价格收敛；不过这可能会发生在说 10 分钟的时间尺度内，而不仅仅是小于 1 分钟的时间尺度。由于套利后 Uniswap 的价格与币安的价格之间的差距为 5 个基点，因此你可以预期在未来的 10+ 分钟内，Uniswap 池的价格在与套利交易相同的方向上移动超过 5 个基点，使得如果我们在那个时间间隔计算标记 PnL，这笔套利交易的 PnL 显示出为套利者增加了 5 个额外的基点。这正是我们在上面图表中观察到的经验模式！

同样，如果零边际的零售交易者的交易创造了一个追跑机会，那么该交易的标记 PnL 将在接下来的 1 分钟内下降，因为追跑机会不可避免地会被套利者填补。这也是我们在上面图表中的一致模式 — 低毒性钱包的交易在交易后第一笔块的时间内，PnL 往流动性池的有利方向增长，之后则完全保持稳定。

总的来说，我们已经对不同有毒性水平钱包的行为做出了一些有趣的观察。然而，这些发现是否能在实践中得到应用，或者说它们基本上是学术兴趣？

实施区分机制

让我们退一步，认真思考我们面临的问题。我们如何能有效实施价格歧视的方案？尽管到目前为止我们讨论了有毒和非有毒流的许多特性，但在实际智能合约中实现这些特性将是具有挑战性的且耗气的。地址的白名单或黑名单检查非常简单而且容易规避；显式条件可以被逆向工程并被操控；最后，在 EVM 上执行计算是非常昂贵的，因此过于复杂的费用歧视方案可能导致交易者的Gas费用远高于可承受范围。

我们正在积极探索各种实施费用歧视机制的方法。一种引人注目的方法是转换问题的框架：不是问“我们如何能在 EVM 的计算要求下实现这一点？”，而是可以问“我们如何将计算负担转移到其他地方，以便我们能够充分利用我们对有毒流的特性描述？”协议本身不必在智能合约级别执行价格歧视；相反，可以利用现代区块链内固有的丰富网络结构，建立允许以更分散方式发生价格歧视的激励系统。

让我们将这个具体化：假设该协议有一个特定的 中继商 的白名单，这些中继商产生优惠（折扣）费率。因为中继商从允许转发交易中获利，他们希望保持在协议白名单中，以便被更多交易者选择。如果协议治理定期监控白名单中中继商的 PnL，以确保这些中继商始终输入的是非有毒交换流，则为中继商打造了一套自然激励的系统，促使他们实施任意复杂的钱包轮廓方案。（希望这些文章中的研究能够为此服务！）

相反，人们还可能问：“钱包如何能传递非有毒性的信号，我们如何能够检测和优待有足够非有毒特征的钱包？”一个自然的例子直接来自于上一个部分关于阿尔法衰减的分析！回忆一下，似乎高毒性和中毒性钱包的阿尔法在小于 1 分钟的时间尺度上衰退。因此，如果一个钱包愿意在 延后的时间尺度 上执行其交换，例如在提交交易后延迟 5 或 10 分钟执行，则这实际上是一个 非常 有力的非有毒性信号，该钱包的交易应得到折扣激励！人们或许可以想象之前描述的激励中继商设置以灵活实现这样的流动分割方法。

其他利用区块链网络结构的方法也可以被设计出来；例如，人们可以想象块构建者在这样一个系统中承担某种角色。然而，无论具体实施方式为何，似乎将歧视性元素的部分去中心化转移到多参与者系统中，是表征和分割即将到来的 ETH/USDC 交换流的一种潜在的强有力的方法。

结论

在这篇文章中，我们在 Uniswap ETH/USDC 池对有毒和非有毒流的研究中取得了相当大的进展。特别是，我们显示出我们先前识别有毒钱包的方法在不同的钱包毒性定义下是相当鲁棒的。在这样做之后，我们生成了一份“整合”分类，将钱包标记为高、中或低毒性。我们能够更深入地观察这些钱包的交换行为，发现：

• 高毒性钱包的交易频率更高，切换交易方向的频率高于中毒或低毒性钱包
• 高毒性和中毒性钱包的交易阿尔法在大约 1 分钟的时间尺度上衰退，虽然 Uniswap 的价格完全收敛到币安当前价格则需要约 10 分钟

我们还提出了一种基于中继商的方案，旨在对交易流进行分割，并给出了一个简单的例子，说明钱包如何能够向中继商或基础协议传递非有毒信号。总之，我们为协议如何在原则上实现有效的价格歧视机制，以使非有毒流获得可观的费用折扣提供了一个“端到端”的示例。

然而，我们仍然留下了许多未解决的问题。例如，现在我们已有了一个较好的对钱包进行交换毒性分类的方法，我们可能开始询问：如果我们回顾历史数据，比如过去 5 分钟 ETH 价格的波动率，每组钱包的 PnL 预测性如何？我们希望在未来的后续文章中探索这样的提问，以及更多内容。

-0xfbifemboy

• 原文链接： crocswap.medium.com/disc...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～