Price Adjustment When Updating Requires Execution: Evidence from Automated Market Makers

In der Welt der modernen Finanzen sind Preise selten statisch; sie verändern sich ständig, um neue Informationen widerzuspiegeln, ganz ähnlich wie ein Thermometer, das mit dem Wetter steigt und fällt. In traditionellen Märkten können sich Preise sofort anpassen, selbst wenn in genau dieser Sekunde niemand aktiv kauft oder verkauft. In einem speziellen Typ digitaler Marktplätze, der als Automated Market Maker bekannt ist, gelten jedoch andere Regeln. Hier ändert sich der Preis nur dann, wenn tatsächlich ein Handel stattfindet. Wenn niemand einen Vermögenswert gegen einen anderen tauscht, bleibt der Preis exakt dort, wo er war, ungeachtet dessen, wie sehr sich die Außenwelt bewegt hat. Dies schafft ein einzigartiges Rätsel für Forscher: Wenn sie die durchschnittliche Preisbewegung über die Zeit betrachten, sehen sie eine Mischung aus zwei sehr unterschiedlichen Dingen. Sie sehen die Häufigkeit der Handelsvorgänge und die Größe der Preissprünge, die während dieser Handelsvorgänge stattfinden, allesamt miteinander vermischt. Es ist schwierig zu unterscheiden, ob ein Markt effizienter wird, weil die Preise schneller korrigieren, oder ob er lediglich mehr Zustände besucht, in denen Handelsvorgänge häufiger stattfinden.

Eine Forscherin namens Wen-Ting Wang widmete sich diesem Rätsel, indem sie zwei spezifische digitale Währungspools auf den Ethereum- und Base-Blockchains untersuchte. Diese Pools fungieren als Automated Market Maker, bei denen für jeden Handel eine Gebühr erhoben wird und der Preis der Vermögenswerte innerhalb des Pools streng durch das Verhältnis dessen bestimmt wird, was im Pool gehalten wird. Wang konzentrierte sich auf zwei Pools, die in ihrem Design nahezu identisch waren und beide eine Gebühr von fünf Basispunkten für den Handel zwischen Ethereum und einem Stablecoin namens USDC erhoben. Die Studie deckte einen Zeitraum von 57 Tagen im Sommer 2026 ab und analysierte über 2,5 Millionen Blöcke an Daten. Das Ziel war es, die gesamte Preisreaktion in drei deutliche Teile zu zerlegen: wie oft der Markt einen Zustand besuchte, in dem der Preis abweichend war, wie oft in diesen Zuständen tatsächlich ein Handel stattfand und wie stark sich der Preis korrigierte, wenn ein Handel stattfand. Da diese Pools den Preis nur ändern, wenn ein Handel ausgeführt wird, ist die Mathematik exakt; wenn kein Handel stattfindet, ist die Preisreaktion Null. Dies ermöglichte es der Forscherin, das „Wie oft“ vom „Wie viel“ zu trennen, ohne auf verborgene Variablen raten zu müssen.

Die Studie begann mit dem Blick auf die Rohzahlen, die eine scheinbar geradlinige Geschichte erzählten. Beim Vergleich zweier verschiedener Zeitfenster innerhalb des Untersuchungszeitraums schien die durchschnittliche Preisreaktion im späteren Fenster leicht anzusteigen. Im ersten Fenster lag die durchschnittliche Korrektur bei etwa 0,484 Basispunkten für den Ethereum-Pool und 0,107 für den Base-Pool. Im zweiten Fenster stiegen diese Zahlen auf 0,580 bzw. 0,143 an. Auf den ersten Blick könnte dies darauf hindeuten, dass der Markt reaktionsschneller wurde oder dass die Preise aggressiver zu ihrem wahren Wert zurückkehrten. Die Forscherin vermutete jedoch, dass dieser einfache Durchschnitt eine komplexere Realität verbarg. Um dies zu testen, wandte sie eine Methode an, die dem Vergleich zweier Gruppen von Menschen ähnelt, indem man ihnen das gleiche Gewicht gibt, unabhängig davon, wie viele Menschen in jeder Gruppe sind. Sie fragte: Wenn der Markt in beiden Fenstern die gleiche Mischung an Preisbedingungen besucht hätte, wäre die Korrektur dann dennoch gestiegen?

Die Antwort war eine klare Umkehrung. Als die Forscherin die Daten anpasste, um der Tatsache Rechnung zu tragen, dass der Markt in den beiden Fenstern unterschiedliche Bedingungen besucht hatte, kehrte sich die Geschichte um. Das spätere Fenster zeigte tatsächlich eine schwächere Preisreaktion als das frühere. Der Grund, warum der Rohdurchschnitt gestiegen war, lag darin, dass der Markt sein Verhalten geändert hatte und häufiger verschiedene Bedingungen besuchte. Speziell begann der Markt, extreme Preisdiskrepanzen viel häufiger zu besuchen. Im späteren Fenster entstammte ein großer Teil der Daten einer seltenen, offen endenden Kategorie sehr großer Preisunterschiede, die weita viel häufiger auftraten als zuvor. Diese Verschiebung in der „Zustandszusammensetzung“ des Marktes trieb den Rohdurchschnitt nach oben, obwohl die eigentliche Preisreaktion innerhalb jeder spezifischen Bedingung kleiner geworden war.

Um dies zu verstehen, stellen Sie sich vor, ein Arzt misst die durchschnittliche Genesungszeit von Patienten. Wenn der Arzt zwei Wochen vergleicht und in der zweiten Woche deutlich mehr Patienten mit sehr schweren Verletzungen aufnimmt, die naturgemäß länger zur Heilung brauchen, wird die durchschnittliche Genesungszeit für die Woche steigen. Das bedeutet nicht, dass die Ärzte schlechter darin sind, Patienten zu behandeln; es bedeutet lediglich, dass sich die Mischung der Patienten geändert hat. In dieser Studie sind die „Ärzte“ die Automated Market Maker und die „Patienten“ sind die Preisdiskrepanzen. Der Markt begann, mehr der extremen Fälle zu sehen, was den Gesamtdurchschnitt verzerrte, selbst wenn die eigentliche Behandlung – die Preisreaktion pro Handel – in den Bedingungen, die am häufigsten vorkamen, weniger effektiv geworden war.

Die Forscherin untersuchte auch, wie oft Handelsvorgänge stattfanden im Vergleich dazu, wie stark sich der Preis bei diesen stattfanden. Sie fand heraus, dass die Häufigkeit der Handelsvorgänge und die Größe der Preisreaktion in entgegengesetzte Richtungen liefen. Im späteren Fenster besuchte der Markt Bedingungen, in denen Handelsvorgänge wahrscheinlicher waren, aber wenn diese Handelsvorgänge stattfanden, war die Preisreaktion kleiner als zuvor. Diese beiden Kräfte hoben sich fast perfekt auf. Der Anstieg der Häufigkeit, mit der der Markt bestimmte Zustände besuchte, wurde durch eine Abnahme der Stärke der Preisreaktion in diesen Zuständen ausgeglichen. Dieses feine Gleichgewicht bedeutete, dass die Schlagzeile – die rohe durchschnittliche Korrektur – sich kaum bewegte, während sich die zugrunde liegenden Mechanismen des Marktes erheblich verschoben.

Dieser Befund stellt die Art und Weise infrage, wie Marktqualität oft gemessen wird. Eine einfache Statistik, die besagt, dass „Preise stärker korrigieren“, kann irreführend sein, wenn sie nicht die Bedingungen berücksichtigt, unter denen diese Korrekturen stattfinden. Die Studie zeigte, dass ein Markt effizienter erscheinen kann, einfach weil er andere Zustände besucht, selbst wenn seine tatsächliche Fähigkeit zur Preisreaktion geschwächt ist. Die Forscherin bestätigte dies, indem sie eine einfache Regel testete, die das Preisverhalten basierend auf der Größe der Preisdifferenz vorhersagte. Diese Regel, die im ersten Teil der Studie gut zu funktionieren schien, konnte im zweiten Teil nicht standhalten, was weiter bewies, dass die Beziehung zwischen Preisunterschieden und Korrekturen nicht stabil ist. Die Ergebnisse waren spezifisch für die beiden untersuchten Pools und den beobachteten Zeitraum, aber die Methode, mit der diese Effekte getrennt wurden, bietet eine neue Art, digitale Märkte zu betrachten.

Die Studie untersuchte auch, was passiert, wenn die extremsten Datenpunkte entfernt werden. Als die Forscherin die seltene, offen endende Kategorie riesiger Preisunterschiede ausschloss, blieb das Muster der entgegengesetzten Kräfte sichtbar, wenn auch weniger ausgeprägt. Dies bestätigte, dass der Effekt nicht nur ein statistischer Trick war, der durch einige Ausreißer verursacht wurde, sondern ein reales Merkmal der Funktionsweise dieser Märkte. Die Verschiebung in der Mischung der Marktbedingungen war der primäre Treiber der Veränderung des Durchschnitts, nicht eine Änderung der grundlegenden Regeln des Marktes. Die Forschung kommt zu dem Schluss, dass, wenn Preisaktualisierungen vollständig von der Ausführung abhängen, die Betrachtung des Durchschnitts allein unzureichend ist. Man muss die Zusammensetzung des Marktes, die Häufigkeit der Handelsvorgänge und die Größe der Korrektur separat betrachten, um zu verstehen, was wirklich geschieht.

Am Ende zeigt die Arbeit, dass der digitale Markt ein dynamisches System ist, in dem die Geschichte, die der Durchschnitt erzählt, das Gegenteil der Geschichte sein kann, die die Details erzählen. Der Markt wurde nicht effizienter; er hat lediglich seine Gestalt verändert. Die Arbeit der Forscherin bietet einen klaren, nicht-mathematischen Weg, um durch das Rauschen der aggregierten Statistiken zu blicken und die realen Mechanismen der Preisanpassung in automatisierten Systemen zu verstehen. Sie dient als Erinnerung daran, dass in komplexen Finanzumgebungen das Ganze oft die Summe von Teilen ist, die sich in unterschiedliche Richtungen bewegen, und dass man nur durch die Trennung dieser Teile das wahre Bild erkennen kann.