💰 quantitative finance

From Means to Medians: Optimal Benchmark Design

Diese Arbeit rationalisiert die empirische Kluft zwischen mittelwertbasierten Benchmarks im traditionellen Finanzwesen und medianbasierten Benchmarks in der dezentralen Finanzwelt, indem sie aufzeigt, dass das optimale Design von den relativen Größenordnungen der fixen und variablen Manipulationskosten abhängt, welches von Mittelwerten zu Medianen oder gewichteten getrimmten Mittelwerten entsprechend reicht.

Ursprüngliche Autoren: Ángel Hernando-Veciana

Veröffentlicht 2026-06-09

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ángel Hernando-Veciana

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den „wahren“ Preis eines seltenen Gegenstands zu ermitteln, wie etwa einer Vintage-Armbanduhr. Sie fragen 100 verschiedene Personen, was sie für den Wert halten, und Sie müssen eine einzige Zahl finden, die die Meinung der Gruppe repräsentiert. Diese einzelne Zahl wird als Benchmark bezeichnet.

Es gibt jedoch ein Problem: Einige Leute lügen. Sie könnten versuchen, über den Preis zu lügen, um Geld zu verdienen. Wenn Sie ein Kreditnehmer sind, wollen Sie vielleicht lügen und sagen, dass die Uhr mehr wert ist, damit Sie mehr Geld gegen sie leihen können. Wenn Sie ein Kreditgeber sind, möchten Sie vielleicht lügen und sagen, dass sie weniger wert ist, damit Sie die Uhr von jemandem pfänden können.

Dieses Paper stellt eine einfache, aber entscheidende Frage: Was ist der beste Weg, diese einzelne Zahl zu berechnen, sodass Lügen so teuer und schwierig wie möglich ist?

Der Autor, Ángel Hernando-Veciana, entdeckt, dass die Antwort vollständig davon abhängt, wie hoch die Kosten des Lügens sind. Er identifiziert zwei Arten von „Kosten“ für das Lügen:

Die „Gasgebühr“-Kosten (Fixkosten): Dies sind die Kosten, um überhaupt mit der Lüge zu beginnen. In der Welt der digitalen Finanzen (DeFi) ist dies wie die Zahlung einer Transaktionsgebühr an eine Blockchain, nur um eine Lüge einzureichen, unabhängig davon, wie groß oder klein die Lüge ist. Es ist wie eine Teilnahmegebühr für ein Spiel.
Die „Aufwand“-Kosten (Variable Kosten): Dies sind die Kosten, die steigen, je größer die Lüge wird. Wenn Sie lügen wollen, die Uhr sei 1.000 $ statt 100 $ wert, erfordert das mehr Aufwand (und Geld), als wenn Sie lügen würden, sie sei 110 $ wert.

So erklärt das Paper die besten „Lügendetektor“-Formeln basierend auf diesen Kosten, unter Verwendung kreativer Analogien:

1. Der „Durchschnitt“ (Der Mittelwert)

Wann man ihn verwendet: Wenn die „Eintrittsgebühr“ Null ist, aber die „Aufwand“-Kosten schwieriger werden, je größer die Lüge wird.

Die Analogie: Stellen Sie sich ein Klassenzimmer vor, in dem der Lehrer nach der durchschnittlichen Körpergröße fragt. Wenn das Lügen über die eigene Größe keine Kosten verursacht, es aber immer mehr Energie kostet, größer zu werden (wie ein Gummiband, das immer fester gespannt wird), würde ein Lügner versuchen zu betrügen, indem er alle im Raum um ein winziges Stück größer macht.
Warum es funktioniert: Wenn Sie den Durchschnitt berechnen und alle um denselben winzigen Betrag nach oben verschoben werden, steigt der Durchschnitt exakt um diesen Betrag. Der Lügner kann nicht betrügen, indem er nur ein paar Leute ändert; er müsste alle ändern. Da die „Aufwand“-Kosten schnell steil ansteigen (konvex), wird es zu teuer, alle zu verschieben.
Reale Welt: Deshalb verwendet das traditionelle Finanzwesen (wie die Aktienmärkte) oft den Durchschnitt. Es geht davon aus, dass die Manipulation eines Preises viel Handelsvolumen erfordert, was sehr schnell teuer wird.

2. Der „Mittelpunkt“ (Der Median)

Wann man ihn verwendet: Wenn die „Aufwand“-Kosten Null sind, aber die „Eintrittsgebühr“ hoch ist.

Die Analogie: Stellen Sie sich eine Schlange von Menschen vor. Der Median ist einfach die Person, die genau in der Mitte steht. Wenn das Lügen über die Körpergröße keine Kosten verursacht, man aber eine hohe „Eintrittsgebühr“ zahlen muss, nur um überhaupt in die Schlange zu kommen, um zu lügen, wird ein Lügner versuchen, effizient zu sein. Er wird nicht versuchen, alle zu bewegen. Stattdessen wird er versuchen, gerade genug Leute zu bestechen, um die mittlere Person an einen neuen Platz zu drücken.
Warum es funktioniert: Um den Median zu bewegen, müssen Sie nur die Hälfte der Leute bewegen. Wenn die „Eintrittsgebühr“ hoch ist, wird der Lügner versuchen, die minimale Anzahl an Menschen zu bewegen (etwas mehr als 50 %), um das Ergebnis zu kippen. Der Median ist am widerstandsfähigsten gegen dies, weil er die extremen Ausreißer (die sehr großen oder sehr kleinen Lügner) ignoriert und sich nur um die Mitte kümmert.
Reale Welt: Deshalb verwendet die dezentrale Finanzwelt (DeFi) oft den Median. In Krypto kann man „Flash Loans“ nutzen, um riesige Mengen Geld sofort zu leihen, wodurch die „Aufwand“-Kosten, einen Preis zu bewegen, fast Null sind. Man muss jedoch für jede einzelne Transaktion die Blockchain-„Eintrittsgebühr“ (Gas) bezahlen. Da es also billig ist, einen Preis zu bewegen, aber teuer, dies viele Male zu tun, ist der Median die beste Verteidigung.

3. Der „Geglättete Durchschnitt“ (Der Kompromiss)

Wann man ihn verwendet: Wenn man sowohl eine Eintrittsgebühr als auch Aufwandskosten hat.

Die Analogie: Stellen Sie sich einen Wettbewerb vor, bei dem man eine Eintrittsgebühr zahlen muss, um teilzunehmen, und dann für jeden Schritt bezahlt, den man geht. Wenn beide Kosten existieren, ist die beste Strategie nicht, auf alle zu schauen (Durchschnitt) oder nur auf die mittlere Person (Median). Stattdessen schneidet man die obersten 10 % und die untersten 10 % der Menge ab (die extremsten Lügner) und nimmt den Durchschnitt der restlichen Gruppe.
Warum es funktioniert: Dies wird als „Trimmed Mean“ (gestutzter Mittelwert) bezeichnet. Wenn die Eintrittsgebühr hoch ist, möchte der Lügner nicht zu viele Leute bestechen. Wenn er versucht, ein paar Leute zu bestechen, um den Durchschnitt zu bewegen, ignoriert der „Trimmed Mean“ diese extremen Lügner. Wenn er versucht, alle zu bestechen, werden die „Aufwand“-Kosten zu hoch. Der Trimmed Mean findet den optimalen Mittelweg.
Der Twist: Das Paper zeigt, dass man, wenn die Eintrittsgebühr sehr hoch ist, mehr stutzen sollte (sich dem Median annähern). Wenn die Eintrittsgebühr niedrig ist, sollte man weniger stutzen (sich dem Durchschnitt annähern).

Das große Ganze: Warum traditionelle Finanzen vs. Krypto unterschiedlich sind

Das Paper löst ein Rätsel: Warum nutzt die alte Finanzwelt Durchschnitte, während die neue Krypto-Welt Mediane nutzt?

Traditionelles Finanzwesen: Um hier einen Preis zu manipulieren, muss man viel mit Aktien handeln. Je mehr man kauft, desto teurer wird es (Hoher Aufwand-Kosten-Wert). Da die „Eintrittsgebühr“ niedrig ist, ist der Durchschnitt die beste Verteidigung.
Krypto (DeFi): Man kann sofort Geld leihen, um Preise zu bewegen, sodass die „Aufwand“-Kosten fast Null sind. Aber jedes Mal, wenn man eine Bewegung macht, muss man eine Blockchain-Transaktionsgebühr (hohe Eintrittsgebühr) zahlen. Da es billig ist, einen Preis zu bewegen, aber teuer, dies oft zu tun, ist der Median die beste Verteidigung.

Zusammenfassung

Das Paper argumentiert, dass es keine einzelne „perfekte“ Formel zur Berechnung von Preisen gibt. Die beste Formel hängt von der Kostenstruktur des Lügens ab:

Wenn Lügen im Großen schwierig ist, verwenden Sie den Durchschnitt.
Wenn Lügen im Großen billig, aber der Beginn teuer ist, verwenden Sie den Median.
Wenn beide Kosten existieren, verwenden Sie einen gestutzten Mittelwert (indem man die Extreme abschneidet).

Durch das Verständnis dieser Kosten können wir Finanzsysteme entwerfen, die viel schwerer zu betrügen sind.

Technisches Resümee: Von Mittelwerten zu Medianen: Optimales Benchmark-Design

1. Problemstellung

Die Arbeit befasst sich mit dem kritischen Design von Preis-Benchmarks in Finanzmärkten, wobei der Schwerpunkt auf deren Resistenz gegenüber Manipulation liegt. Benchmarks, die vorherrschende Marktpreise zusammenfassen, bilden die Grundlage für Derivate, Kredite und Portfoliobewertungen. Der Nominalwert dieser Kontrakte schafft Anreize für Akteure, Preise zu ihrem Vorteil zu verzerren. Während Manipulationen im traditionellen Finanzwesen bisher zu Verlusten in Höhe von hunderten Millionen Dollar geführt haben, hat der Aufstieg der dezentralisierten Finanzmärkte (DeFi) diese Bedenken aufgrund automatisierter Ausführung, großer Vertragswerte und begrenzter rechtlicher Durchsetzbarkeit verstärkt.

Ein rätselhaftes empirisches Muster motiviert die Untersuchung: Benchmarks im traditionellen Finanzwesen (z. B. LIBOR, EURIBOR, der 4pm Fix) verwenden typischerweise den Mittelwert (Mean), während Benchmarks in DeFi (z. B. MakerDAO, Tellor Oracles) vorwiegend den Median verwenden. Die Arbeit zielt darauf ab, die optimale Benchmark-Formel zu bestimmen, welche die Kosten der Manipulation maximiert, um diese Diskrepanz zu erklären und eine Designregel für robuste Benchmarks bereitzustellen.

2. Methodik und Modell

Der Autor verwendet ein spieltheoretisches Framework, das als optimales Kontraktproblem mit Multi-Task-Moral Hazard modelliert ist. Der Manipulator agiert als Agent, der entscheidet, wie er eine Preisverteilung verzerrt, um eine spezifische Verzerrung ( $\Delta$ ) im Benchmark zu induzieren, unterliegt dabei jedoch einer Kostenfunktion.

Zentrale Modellkomponenten:

Preisverteilung: Die unmanipulierten Preise werden aus einer Verteilung $F$ gezogen, die als symmetrisch und streng unimodal um einen Punkt $P$ angenommen wird. In einigen Ergebnissen wird angenommen, dass die Verteilung keine Dispersion aufweist (degeneriert bei $P$ ).
Manipulationsstrategie: Der Manipulator verschiebt die Preise von einer ursprünglichen Verteilung $F$ zu einer manipulierten Verteilung $G$ . Die Strategie ist definiert durch bedingte Verteilungsfunktionen $G_c(\cdot|p)$ .
Kostenstruktur: Die Kosten der Manipulation setzen sich aus zwei Komponenten zusammen:
1. Variable Kosten ( $c(\cdot)$ ): Eine Funktion des Ausmaßes der Preisverzerrung ( $q$ ). Das Paper betrachtet sowohl konvexe als als auch konkave Formen. Bemerkenswerterweise leitet Anhang B ab, dass die variablen Kosten für Constant-Product Market Maker (CPMMs) konkav sind.
2. Fixkosten ( $k$ ): Ein Kostenfaktor pro manipuliertem Preis, unabhängig von der Größe der Verzerrung. Dies ist besonders relevant in Blockchain-Umgebungen, in denen die Sicherung der Transaktionsreihenfolge (z. B. via MEV-Auktionen oder Gas-Gebühren) Kosten pro Transaktion verursacht.
Benchmark-Definition: Ein Benchmark ist ein Lokationsfunktional. Das Paper konzentriert sich auf symmetrische Benchmarks (die dem Symmetriepunkt symmetrischer Verteilungen entsprechen), einschließlich Mittelwert, Median und $\tau$ -getrimmten Mittelwert.
Optimalitätskriterium: Ein Benchmark ist optimal, wenn er die minimalen Kosten maximiert, die ein Manipulator aufwenden muss, um eine gegebene Verzerrung $\Delta$ zu induzieren. Die Analyse stützt sich auf Proposition 1, die besagt, dass, falls eine symmetrische, kostenminimierende Manipulationsstrategie für einen Benchmark existiert, dieser Benchmark optimal ist.

3. Zentrale Beiträge und Ergebnisse

A. Die Grenzfälle (Homogener Markt)

Das Paper stellt eine Korrespondenz zwischen der Kostenstruktur und dem optimalen Benchmark her:

Vernachlässigbare Fixkosten ( $k=0$ ) mit konvexen variablen Kosten: Der Mittelwert (Mean) ist optimal. Wenn die variablen Kosten konvex sind, ist die kostengünstigste Manipulationsstrategie, die Verzerrung gleichmäßig über alle Preise zu verteilen. Der Mittelwert ist gegenüber solchen gleichmäßigen Verschiebungen maximal robust, während der Median sehr empfindlich auf sie reagiert.
Vernachlässigbare variable Kosten ( $c(\cdot)=0$ ): Der Median ist optimal. Wenn nur Fixkosten relevant sind, minimiert der Manipulator die Kosten, indem er die kleinstmögliche Masse an Preisen manipuliert, die erforderlich ist, um den Median zu verschieben. Der Median erfordert die Manipulation von genau der halben Masse, während der Mittelwert die Manipulation aller Preise erfordern würde. Somit maximiert der Median die Manipulationskosten in diesem Regime.

B. Der allgemeine Fall (Fix- und variable Kosten)

Wenn beide Komponenten präsent sind, ist der optimale Benchmark ein getrimmter Mittelwert (Trimmed Mean).

Konvexe variable Kosten: Wenn die Fixkosten groß im Verhältnis zur Zielverzerrung sind ( $\delta_{min} > 2\Delta$ ), wäre die optimale Manipulation des Mittelwerts darauf abzielen, weniger als die Hälfte der Preise zu konzentrieren, was die Symmetrie bricht. Ein $\tau$ -getrimmter Mittelwert wirkt dem entgegen, indem er extreme Preise verwirft, wodurch der Manipulator gezwungen wird, zwischen Konzentration und höheren Durchschnittskosten abzuwägen. Der optimale Trimming-Parameter $\tau^*$ steigt mit steigenden Fixkosten.
Konkave variable Kosten: Dieser Fall ist für DeFi-CPMMs empirisch relevant. Selbst ohne Fixkosten impliziert Konkavität, dass die optimale Manipulation die Masse an den Extremen konzentriert. Der optimale Benchmark bleibt ein getrimmter Mittelwert, wobei der Grad des Trimmings mit den Fixkosten steigt.
Vergleichende Statik: Der optimale Grad des Trimmings nimmt mit der Marktliquidität ab. In tieferen Pools (in denen die Grenzkosten der Manipulation höher sind) nähert sich der Benchmark dem Mittelwert an; in flacheren Pools nähert er sich dem Median an.

C. Heterogene Märkte

Das Paper erweitert die Analyse auf Märkte, in denen Preise aus Subpopulationen mit unterschiedlichen Manipulationskosten stammen (z. B. variierende Liquidität oder Gas-Gebühren über die Zeit).

Rein variable Kosten: Der optimale Benchmark ist ein gewichteter Mittelwert (Weighted Mean), wobei die Gewichte proportional zu den Grenzkosten der Manipulation ( $c'_i(\Delta)$ ) sind. Preise, die an der Grenze kostengünstiger zu manipulieren sind, werden geringer gewichtet.
Rein feste Kosten: Der optimale Benchmark ist ein gewichteter Median (im Sinne von Edgeworth), wobei die Gewichte proportional zu den Fixkosten der Manipulation ( $k_i$ ) sind.
Proportionale Kosten: Wenn Fix- und variable Kosten über Subpopulationen hinweg proportional sind, ist der optimale Benchmark ein gewichteter getrimmter Mittelwert, wobei die Gewichte und Trimming-Parameter die kombinierte Kostenstruktur widerspiegeln.

4. Bedeutung und Ansprüche

Das Paper behaupten, eine theoretische Rationalisierung für die beobachtete Divergenz zwischen dem Design von Benchmarks im traditionellen Finanzwesen und in DeFi zu liefern:

Traditionelles Finanzwesen: Charakterisiert durch anhaltenden Handel und konvexe variable Kosten (bei vernachlässigbaren Fixkosten pro Preisbeobachtung), was zur Optimalität des Mittelwerts führt.
Dezentralisierte Finanzmärkte (DeFi): Charakterisiert durch die Verfügbarkeit von Werkzeugen wie Flash Loans (was variable Kosten vernachlässigbar macht), aber hohen Fixkosten für die Transaktionsreihenfolge (MEV/Gas), was zur Optimalität des Medians führt.

Der Autor betont, dass die Ergebnisse unter spezifischen Annahmen (symmetrische Verteilungen, spezifische Kostenstrukturen) abgeleitet wurden und dass die Erweiterung auf asymmetrische Verteilungen oder allgemeine heterogene Kostenstrukturen eine Herausforderung bleibt. Das Paper positioniert sein Kriterium der Manipulationsresistenz als komplementär zu, statt konkurrierend mit den Kriterien der statistischen Effizienz (L-Schätzer) zu sein. Durch die Identifizierung von Mittelwerten, Medianen und getrimmten Mittelwerten als manipulationsoptimal legt das Paper nahe, dass diese Standard-Schätzer sowohl entlang der Effizienz- als auch der Robustheitsdimension diszipliniert werden können.

Die Arbeit schlägt keine neuen experimentellen Protokolle oder spezifischen Implementierungsdetails für Smart Contracts vor, die über die theoretischen Aggregationsregeln hinausgehen. Sie konzentriert sich auf den fundamentalen Trade-off zwischen Kostenstrukturen und Aggregationsformeln, um den manipulationsresistentesten Benchmark zu bestimmen.