Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

Cet article démontre que la géométrie riemannienne de la métrique de Fisher-Rao sur le simplexe des poids permet de minimiser les pertes d'arbitrage dans les marchés automatisés dynamiques (TFMM) en utilisant une interpolation géodésique SLERP, qui généralise et justifie théoriquement l'heuristique AM-GM existante.

L'essentiel

🌊 Le Guide de la Mer : Comment naviguer sans perdre de trésor

Imaginez que vous gérez un bateau (un Pool AMM sur la blockchain) qui transporte différents types de trésors (des cryptomonnaies). Votre objectif est de changer la répartition de ces trésors à bord pour suivre une nouvelle stratégie (par exemple, avoir plus d'or et moins d'argent).

Le problème ? Si vous changez la répartition d'un coup sec, vous créez une tempête. Des pirates (les arbitreurs) vont profiter de ce déséquilibre pour voler une partie de votre cargaison. Plus le changement est brutal, plus le vol est important.

Ce papier de recherche, écrit par Matthew Willetts, répond à une question cruciale : Comment changer la répartition de nos trésors en douceur pour minimiser le vol ?

1. Le problème : La "Taxe de Changement"

Dans le monde des marchés financiers décentralisés, changer les poids de vos actifs coûte cher.

• L'ancienne méthode : On pensait que la meilleure façon était de faire une moyenne simple entre l'ancien et le nouvel état (comme mélanger deux couleurs de peinture).
• La découverte : L'auteur montre que ce n'est pas la meilleure route. Il y a une "géométrie cachée" derrière ces calculs.

2. La Révélation : Une Carte au Trésor Invisible

L'auteur utilise des mathématiques avancées (la géométrie riemannienne) pour nous dire quelque chose de très simple :

Changer les poids de vos actifs, c'est comme marcher sur une sphère, pas sur une ligne droite.

Imaginez que votre répartition de trésors est un point sur une boule de basket.

• Si vous essayez de tracer une ligne droite entre deux points sur la surface de la boule (comme le font les méthodes simples), vous creusez un tunnel à travers la boule. C'est mathématiquement possible, mais en réalité, vous devez rester sur la surface.
• Le chemin le plus court et le plus sûr sur une boule est un grand cercle (comme l'équateur ou les méridiens). En géométrie, on appelle cela une géodésique.

3. La Solution Magique : Le "SLERP" (Le Chemin de la Sphère)

Le papier propose une méthode appelée SLERP (Spherical Linear Interpolation).

• L'analogie : Imaginez que vous devez tourner un globe terrestre d'un pays à un autre. Si vous tracez une ligne droite sur une carte plate (projection), vous vous trompez de route. Si vous tendez un élastique sur le globe lui-même, vous trouvez le chemin le plus court.
• Le résultat : En suivant ce chemin courbe sur la "sphère des poids", vous payez le moins de "taxe de vol" possible à chaque étape.

4. La Bonne Nouvelle : Une Astuce de Cuisine (Le Héroïsme de la Moyenne)

Vous allez peut-être vous demander : "Mais calculer des chemins sur une sphère, c'est compliqué, il faut des super-ordinateurs !".

L'auteur fait une découverte incroyable :

Le point exact au milieu de ce chemin parfait correspond à une recette de cuisine très simple : la moyenne entre la moyenne arithmétique et la moyenne géométrique.

• Moyenne Arithmétique (AM) : C'est la moyenne classique (ex: (10+20)/2 = 15).
• Moyenne Géométrique (GM) : C'est la moyenne des racines carrées (ex: √(10x20) ≈ 14,1).
• La Recette : Prenez la moyenne de ces deux résultats, puis ajustez un peu.

Pourquoi c'est génial ?
Les développeurs de la blockchain n'ont pas besoin de calculer des angles complexes ou des fonctions trigonométriques (sinus, cosinus) qui coûtent cher en énergie. Ils peuvent simplement utiliser cette formule de cuisine simple, et elle donne exactement le même résultat que le chemin mathématique parfait au milieu du trajet.

5. L'Analogie Finale : Le Cycliste et la Pente

Imaginez que vous devez descendre une colline (réduire vos pertes) en faisant 100 petits pas au lieu d'un grand saut.

• La méthode linéaire : Vous marchez en ligne droite. Vous trébuchez souvent sur les irrégularités du terrain.
• La méthode SLERP : Vous suivez la courbe naturelle de la colline. C'est plus fluide.
• L'astuce : L'auteur nous dit que même si vous ne connaissez pas la forme exacte de la colline, si vous faites un pas à mi-chemin en utilisant notre "recette de cuisine" (Moyenne AM+GM), vous êtes exactement sur le bon chemin.

En résumé, que retient-on de ce papier ?

1. Le coût du changement dans les pools de crypto n'est pas linéaire ; il suit une géométrie de sphère.
2. Le chemin optimal pour rééquilibrer ses actifs est une courbe spécifique (une géodésique) sur cette sphère.
3. La méthode (AM+GM)/normalise, déjà utilisée par certains, n'est pas un hasard. C'est en fait la solution mathématique parfaite pour le point central de ce chemin, expliquant pourquoi elle fonctionne si bien.
4. Pour les développeurs : On peut calculer ce chemin parfait sans mathématiques complexes, juste avec des additions et des multiplications simples, ce qui le rend parfait pour être utilisé sur la blockchain (on-chain).

C'est une belle démonstration de comment des mathématiques très abstraites (la géométrie des probabilités) peuvent nous donner une recette simple et efficace pour économiser de l'argent dans le monde réel.

Résumé technique

Voici un résumé technique détaillé du papier de recherche « Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers » par Matthew Willetts.

1. Contexte et Problématique

Contexte :
Les Automated Market Makers (AMM) à poids dynamiques, tels que ceux utilisés dans le cadre du Temporal Function Market Making (TFMM), ajustent périodiquement les poids de leurs actifs pour suivre une stratégie de gestion (ex: indice pondéré par la capitalisation boursière). Lorsqu'un pool change ses poids de $w_{start}$ à $w_{end}$, cela crée une opportunité d'arbitrage tant que les réserves ne correspondent pas aux nouveaux poids cibles.

Le Problème :
L'ajustement direct des poids en une seule étape (d'un bloc à l'autre) entraîne un coût d'arbitrage élevé pour le pool (perte de valeur due à la déviation des réserves). Pour minimiser ce coût, il est préférable d'interpoler le changement de poids sur plusieurs étapes intermédiaires.
La question centrale est : Quelle trajectoire d'interpolation des poids minimise le coût total d'arbitrage ?

Des travaux antérieurs [1] avaient proposé une heuristique approximative, le « $(AM+GM)/normalise$ » (moyenne arithmétique et géométrique normalisée), qui offrait de bons résultats mais dont la justification géométrique restait inexpliquée. Ce papier vise à fournir cette explication fondamentale et à identifier la trajectoire optimale exacte.

2. Méthodologie et Cadre Théorique

L'auteur aborde le problème sous l'angle de la géométrie de l'information et de la géométrie riemannienne.

• Lien entre Arbitrage et Divergence KL :
  Le papier démontre (Théorème 1) que la perte logarithmique subie par le pool lors d'une mise à jour de poids est exactement égale à la divergence de Kullback-Leibler (KL) entre le vecteur de poids final et le vecteur initial :
  $$-\log(r) = D_{KL}(w_{end} \parallel w_{start})$$
  où $r$ est le ratio de rétention de la valeur du pool.

• Métrique de Fisher-Rao :
  L'expansion du second ordre de la divergence KL définit naturellement la métrique de Fisher-Rao sur le simplexe des poids. Cette métrique transforme le simplexe des probabilités en une portion de la sphère unité positive.

• Embedding de Hellinger :
  En utilisant le changement de coordonnées $\eta_i = \sqrt{w_i}$ (embedding de Hellinger), la métrique de Fisher-Rao devient une métrique euclidienne standard (à un facteur près) sur la sphère unité $S^{N-1}_+$.
  Dans cet espace, les géodésiques (chemins les plus courts) sont des grands cercles.

• Optimisation :
  Minimiser le coût d'arbitrage revient à trouver le chemin géodésique sur cette sphère parcouru à vitesse constante. Ce chemin correspond à l'interpolation linéaire sphérique (SLERP - Spherical Linear Interpolation) appliquée aux coordonnées $\eta_i$.

3. Contributions Clés

Le papier apporte plusieurs contributions théoriques et pratiques majeures :

1. Identification de la Métrique Naturelle :
   Démonstration que le coût d'arbitrage est une divergence KL, rendant la métrique de Fisher-Rao la structure riemannienne naturelle pour l'optimisation des poids dans les AMM dynamiques.

2. Optimalité du SLERP :
   Preuve que l'interpolation minimisant la perte quadratique (approximation de premier ordre du coût KL) est le SLERP dans les coordonnées de Hellinger. Cela implique un parcours à vitesse constante sur la sphère.

3. Équivalence Exacte avec l'Heuristique Antérieure :
   Démonstration (Théorème 2) que le point médian de la trajectoire SLERP est exactement égal au point médian de l'heuristique $(AM+GM)/normalise$ proposée précédemment.

   • Explication géométrique : L'identité provient de la formule binomiale $(\sqrt{a} + \sqrt{b})^2 = a + b + 2\sqrt{ab}$, qui relie la moyenne arithmétique (AM) et la moyenne géométrique (GM) à l'addition des coordonnées racines carrées.
   • Cela explique pourquoi l'heuristique empirique fonctionnait si bien : elle se trouve exactement sur la géodésique optimale au point médian.

4. Algorithme de Bissection Récursive (Sans Trigonométrie) :
   Grâce à l'équivalence ci-dessus, l'auteur propose un algorithme (Corollaire 3) pour calculer la trajectoire SLERP complète pour un nombre d'étapes $f = 2^d$ (puissance de 2) sans utiliser de fonctions trigonométriques coûteuses ($\arccos$, $\sin$).

   • Méthode : Insérer récursivement le point médian $(AM+GM)/normalise$ entre chaque paire de poids adjacents.
   • Avantage : Réduction drastique de la complexité computationnelle pour les implémentations on-chain (blockchain), ne nécessitant que des additions, multiplications et racines carrées.

5. Bornes de Sous-Optimalité :
   Le papier établit une borne théorique (Théorème 3) sur l'écart entre le coût du SLERP et le coût optimal global exact (KL). L'erreur relative est de l'ordre de $O(\Omega^2/f^2)$, où $\Omega$ est la distance angulaire totale et $f$ le nombre d'étapes. Pour un nombre d'étapes raisonnable, le SLERP est quasi-optimal.

4. Résultats Expérimentaux

Les simulations numériques (cas $N=3$) confirment les prédictions théoriques :

• Uniformité de la Perte : Le SLERP produit une perte d'arbitrage par étape extrêmement uniforme (écart-type/moyenne $\approx 0.0002$), contrairement à l'interpolation linéaire ou géométrique qui montrent des variations importantes.
• Comparaison avec l'Optimum : Une optimisation numérique brute-force (L-BFGS-B) converge vers la solution SLERP sans amélioration significative, validant que le SLERP est très proche de l'optimum global.
• Comportement aux Frontières : Près des limites du simplexe (poids faibles, ex: 1%), la métrique de Fisher-Rao diverge. Bien que le SLERP reste supérieur aux autres méthodes, l'avantage de l'heuristique Lambert W (optimisation exacte du ratio de rétention) peut devenir plus marqué pour des changements de poids très grands et peu nombreux. Cependant, pour des rééquilibrages multi-étapes, le SLERP reste robuste.
• Convergence : À mesure que le nombre d'étapes $f$ augmente, la différence entre le SLERP, l'heuristique $(AM+GM)/normalise$ et l'optimum exact devient négligeable.

5. Signification et Implications

• Fondement Théorique : Ce travail fournit le premier cadre géométrique unifié expliquant pourquoi certaines heuristiques d'interpolation fonctionnent dans les AMM. Il relie la finance décentralisée (DeFi) à la géométrie de l'information classique.
• Implémentation Pratique : La découverte que l'heuristique simple $(AM+GM)/normalise$ calcule exactement les points médians de la géodésique optimale permet de déployer des stratégies de rééquilibrage optimales sur la blockchain sans coût de calcul prohibitif (pas de fonctions trigonométriques).
• Généralisation : Bien que focalisé sur les pools G3M (Geometric Mean Market Makers), le principe s'applique à tout AMM dont la fonction de trading est paramétrée par un vecteur sur un simplexe de probabilités. La métrique de Fisher-Rao est la structure naturelle pour minimiser les coûts de rééquilibrage dans ces systèmes.

Conclusion :
Le papier démontre que le rééquilibrage optimal dans les AMM dynamiques est une géodésique sur une sphère (via l'embedding de Hellinger). Il valide mathématiquement une heuristique existante, propose un algorithme efficace pour la mettre en œuvre, et prouve que cette approche est quasi-optimale, offrant ainsi une solution robuste et économiquement efficace pour la gestion des pools de liquidité dynamiques.