Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

El artículo demuestra que la pérdida de arbitraje en los mercados automatizados de liquidez con pesos dinámicos corresponde a la divergencia KL entre vectores de peso, estableciendo que la interpolación óptima que minimiza dicha pérdida es la interpolación esférica lineal (SLERP) en coordenadas de Hellinger, la cual puede calcularse recursivamente mediante el método heurístico de media aritmética-geométrica.

Lo esencial

¡Claro que sí! Imagina que este paper es como un manual de instrucciones para un chef de restaurante que tiene que cambiar el menú de un día a otro sin que los clientes (los inversores) se quejen de que la comida ha cambiado de sabor o precio de golpe.

Aquí tienes la explicación de "La Geometría de Riemann en el Reequilibrio Óptimo" traducida al lenguaje de la calle, con analogías divertidas:

---

🍽️ El Problema: El Chef que cambia el menú de golpe

Imagina un restaurante llamado AMM (Automated Market Maker). Este restaurante tiene un "menú" (una cesta de activos) con diferentes platos: Pizza, Sushi y Tacos.

• Hoy, el menú es: 50% Pizza, 30% Sushi, 20% Tacos.
• Mañana, el chef quiere cambiarlo a: 20% Pizza, 50% Sushi, 30% Tacos.

El problema: Si el chef cambia el menú de golpe (de un día a otro), los clientes listos (los arbitrajistas) se dan cuenta de que los precios están desactualizados. Se aprovechan de esto, compran barato y venden caro, y el restaurante pierde dinero. A esto se le llama "costo de arbitraje".

La solución obvia: En lugar de cambiar el menú de golpe, el chef lo cambia poco a poco durante varios días.

• Día 1: 45% Pizza...
• Día 2: 40% Pizza...
• ...hasta llegar al destino.

Pero, ¿cuál es la forma perfecta de hacer esos cambios intermedios? ¿Debes cambiar la pizza un 5% cada día? ¿O un 10% el primer día y menos después?

🗺️ El Mapa Mágico: El "Universo de las Probabilidades"

El autor, Matthew Willetts, nos dice que para encontrar la ruta perfecta, no debemos pensar en "porcentajes" normales. Debemos pensar en un mapa especial.

Imagina que todos los menús posibles (todas las combinaciones de Pizza, Sushi y Tacos que suman 100%) están dibujados en una esfera (como una pelota de fútbol), pero solo en la mitad donde todo es positivo.

• La analogía de la Tierra: Si quieres ir de Madrid a Tokio, no puedes ir en línea recta a través de la tierra (eso es imposible). Tienes que seguir un círculo máximo (un gran círculo) sobre la superficie de la esfera. Esa es la ruta más corta y eficiente.
• El descubrimiento: El autor demuestra que el "costo" de cambiar el menú es como medir la distancia en esta esfera. Si tomas el camino más corto en esta esfera, pierdes la menor cantidad de dinero posible.

🧮 La Fórmula Mágica: "SLERP" (El Camino de la Esfera)

Para caminar por esta esfera de la manera más eficiente, el autor usa una técnica llamada SLERP (Interpolación Lineal Esférica).

• En lenguaje simple: Es como si tuvieras un hilo tenso estirado entre tu menú de hoy y el de mañana sobre la superficie de la pelota. El hilo representa el camino perfecto.
• La coordenada secreta: Para que esto funcione, el autor nos dice que no debemos usar los porcentajes directos (ej. 50%), sino sus raíces cuadradas (ej. √0.50).
  • ¿Por qué? Porque en el mundo de las raíces cuadradas, la "geometría" se vuelve plana y fácil de calcular, como si la esfera fuera un papel.

🥖 El Truco del Pan (La Heurística AM+GM)

Aquí viene la parte más genial. Un trabajo anterior había descubierto un "truco" para calcular el punto medio del cambio de menú:

1. Calcula el Promedio Aritmético (la media normal: suma y divide).
2. Calcula el Promedio Geométrico (la media de las raíces).
3. Súmalos y normaliza.

El autor demuestra que este truco no es una casualidad. ¡Es exactamente el punto medio del camino perfecto (el hilo tenso) en la esfera!

• La analogía: Es como si alguien te dijera: "Para ir al centro de la ciudad, mezcla la ruta del autobús y la ruta del tren". Resulta que esa mezcla te lleva exactamente por la autopista más rápida.
• El beneficio: Como este "truco" (AM+GM) da el punto medio exacto, puedes usarlo para dividir el viaje en muchos trozos pequeños (rebanadas de pan) sin necesidad de usar calculadoras complejas ni funciones trigonométricas (senos y cosenos). Solo necesitas sumar, multiplicar y sacar raíces.

📉 ¿Por qué importa todo esto?

1. Ahorro de dinero: Si sigues el camino "recto" (cambios lineales), pierdes más dinero porque la curva de la esfera es más larga de lo que parece. Si sigues el camino "esférico" (SLERP), pierdes mucho menos.
2. Cerca del borde: Si uno de tus platos tiene muy poca presencia (ej. solo 1% de Tacos), el camino se vuelve peligroso y estrecho. El método de SLERP es mucho más seguro y eficiente aquí que los métodos antiguos.
3. Sin matemáticas difíciles: Gracias a este descubrimiento, los programadores pueden crear algoritmos que calculan la ruta perfecta usando solo matemáticas básicas (suma y multiplicación), lo cual es más rápido y barato para las computadoras de las criptomonedas.

🎯 En resumen

El papel nos dice que:

1. Cambiar el "peso" de los activos en un fondo automatizado es como caminar por una esfera, no por una línea recta.
2. El camino más corto (y barato) es seguir la curva de la esfera (SLERP).
3. Un "truco" matemático antiguo (promediar la media aritmética y la geométrica) es, de hecho, el punto medio exacto de ese camino perfecto.
4. Usar este conocimiento permite ahorrar dinero a los inversores y hacer que los sistemas sean más eficientes, incluso cuando los cambios son grandes o los activos tienen pesos muy pequeños.

En una frase: "No camines en línea recta por el mapa plano; sigue la curva de la esfera para llegar más barato, y usa el truco del pan para calcular el camino sin necesidad de un superordenador." 🌍🥖✨

Resumen técnico

1. Introducción y Problema

Los Creadores de Mercado Automatizados (AMM) con pesos dinámicos, específicamente bajo el marco de Temporal Function Market Making (TFMM), ajustan sus tenencias de activos modificando los pesos de un pool de tipo "Geometric Mean Market Maker" (G3M) de bloque en bloque.

• El Problema: Cuando los pesos de un pool cambian directamente de un estado inicial ($w_{start}$) a uno final ($w_{end}$) sin pasos intermedios, se crea una oportunidad de arbitraje inmediata. Los arbitrajistas explotan esta discrepancia, lo que resulta en una pérdida de valor para los proveedores de liquidez (conocida como Loss Versus Rebalancing o LVR).
• La Solución Parcial: Dividir el cambio de pesos en múltiples pasos intermedios reduce el costo total del arbitraje, ya que el costo es cuadrático respecto al tamaño del cambio de peso. Sin embargo, la trayectoria óptima de interpolación de pesos que minimiza esta pérdida no era completamente entendida ni justificada geométricamente en trabajos anteriores.
• Trabajo Previo: Una heurística previa, conocida como $(AM+GM)/normalise$ (promedio de la media aritmética y geométrica normalizada), demostró ser aproximadamente óptima, pero carecía de una explicación teórica profunda sobre por qué funcionaba tan bien.

2. Metodología y Marco Teórico

El autor aborda el problema utilizando Geometría de la Información y Geometría Riemanniana.

A. La Pérdida como Divergencia KL

El teorema central (Teorema 1) establece que la pérdida logarítmica por un paso de reequilibrio es exactamente la Divergencia de Kullback-Leibler (KL) entre el vector de pesos nuevo y el viejo:
$$-\log r = D_{KL}(w_{end} \parallel w_{start}) = \sum w_{end}^i \log \frac{w_{end}^i}{w_{start}^i}$$
Donde $r$ es la tasa de retención del valor del pool.

B. La Métrica de Fisher-Rao

Al expandir la divergencia KL para cambios pequeños, se obtiene una forma cuadrática que define la métrica de Fisher-Rao en el simplex de probabilidades:
$$ds^2 = \sum \frac{(dw_i)^2}{w_i}$$
Esta métrica convierte el simplex de pesos en una variedad Riemanniana isométrica (salvo un factor de escala) al primer cuadrante de una esfera unitaria ($S^{N-1}_+$) mediante el embedding de Hellinger:
$$\eta_i = \sqrt{w_i}$$
Bajo esta transformación, la métrica se simplifica a una métrica esférica estándar (múltiplo de la métrica redonda).

C. Geodésicas y SLERP

En una esfera, las trayectorias más cortas (geodésicas) son círculos máximos. Por lo tanto, la interpolación que minimiza la pérdida cuadrática (aproximación de primer orden de la pérdida KL) es la Interpolación Lineal Esférica (SLERP) en las coordenadas de Hellinger ($\eta$), recorrida a velocidad constante.

3. Contribuciones Clave

El paper ofrece varias contribuciones teóricas y prácticas:

1. Justificación Geométrica de la Heurística $(AM+GM)/normalise$:

   • El Teorema 2 demuestra que el punto medio de la trayectoria SLERP es exactamente igual al punto medio calculado por la heurística $(AM+GM)/normalise$ para cualquier número de tokens y magnitud de cambio.
   • Esto se debe a una identidad binomial: al cuadrar la suma de las raíces cuadradas (coordenadas de Hellinger) para volver al espacio de pesos, se genera naturalmente la suma de la media aritmética (AM) y la media geométrica (GM).
   • Conclusión: La heurística previa no era una coincidencia; es el punto medio exacto de la geodésica óptima.

2. Algoritmo de Bisección Recursiva (Sin Trigonométricas):

   • Dado que el punto medio de SLERP coincide con la heurística, se puede calcular toda la trayectoria de SLERP para un número de pasos $f = 2^d$ mediante bisección recursiva.
   • Esto permite implementar la interpolación óptima en cadenas de bloques (on-chain) utilizando solo operaciones aritméticas básicas (suma, multiplicación, raíz cuadrada), evitando funciones trigonométricas costosas como arccos o sin.

3. Límites de Sub-optimalidad (Teorema 3):

   • Se demuestra que la sub-optimalidad de usar SLERP (que minimiza la aproximación cuadrática) frente al costo KL exacto está acotada por $O(\Omega^4 / f^3)$, donde $\Omega$ es la distancia angular total y $f$ es el número de pasos.
   • La sub-optimalidad relativa es del orden de $O(\Omega^2 / f^2)$, lo que garantiza que para un número razonable de pasos, la diferencia es despreciable.

4. Generalización a N Tokens:

   • A diferencia de métodos anteriores basados en la función Lambert W (que optimizan componentes individualmente y luego normalizan), SLERP opera intrínsecamente en la esfera, preservando automáticamente la restricción de que los pesos sumen 1.

4. Resultados Experimentales

Los autores validaron sus teorías mediante simulaciones numéricas con un pool de 3 tokens:

• Uniformidad de la Pérdida: SLERP logra una uniformidad casi perfecta en la pérdida por paso (desviación estándar/media $\approx 0.0002$), mientras que la interpolación lineal y la heurística $(AM+GM)$ muestran variaciones significativas.
• Comparación con Óptimo Numérico: Al comparar SLERP con una optimización numérica "bruta" (usando L-BFGS-B) sobre el costo KL exacto:
  • Para $f=1000$, SLERP es indistinguible del óptimo numérico.
  • Para $f=50$, la mejora del óptimo numérico sobre SLERP es de apenas $\sim 1.2 \times 10^{-5}$, confirmando el límite teórico.
• Comportamiento en el Borde: En configuraciones donde los pesos se acercan al límite mínimo (ej. 1%), la métrica de Fisher-Rao diverge. En estos casos extremos de un solo paso ($f=2$), el método de Lambert W supera ligeramente a SLERP (hasta un 10%), pero en interpolaciones de múltiples pasos, SLERP mantiene su superioridad y uniformidad.

5. Significado e Implicaciones

• Unificación Conceptual: El paper unifica diferentes métodos de interpolación (lineal, geométrica, Lambert W) bajo una sola estructura geométrica: son diferentes geodésicas o aproximaciones de geodésicas en el simplex de información.
• Implementación Práctica: Proporciona la base teórica para que la heurística $(AM+GM)/normalise$ sea la recomendación práctica para implementaciones on-chain, ya que es computacionalmente eficiente y matemáticamente exacta en los puntos medios de las trayectorias óptimas.
• Nuevas Direcciones: Sugiere que cualquier AMM parametrizado por un vector en un simplex tendrá un costo de arbitraje expresable como una divergencia en geometría de la información, lo que permite diseñar estrategias de reequilibrio óptimas para otros mecanismos de liquidez (como la liquidez concentrada) identificando sus métricas Riemannianas subyacentes.

En resumen, el artículo demuestra que el reequilibrio óptimo en AMMs dinámicos es un problema de encontrar geodésicas en una esfera bajo la métrica de Fisher-Rao, y que una simple fórmula algebraica (AM+GM) captura la esencia de esta geometría compleja.