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

Dans le monde de la finance moderne, les prix sont rarement statiques ; ils changent constamment pour refléter les nouvelles informations, tout comme un thermomètre qui monte et descend selon la métologie. Dans les marchés traditionnels, les prix peuvent s'ajuster instantanément, même si personne n'achète ou ne vend à cet instant précis. Cependant, dans un type spécifique de marché numérique connu sous le nom de teneur de marché automatisée (automated market maker), les règles sont différentes. Ici, un prix ne change que lorsqu'une transaction a réellement lieu. Si personne n'échange un actif contre un autre, le prix reste exactement là où il était, peu importe comment le monde extérieur a évolué. Cela crée un casse-tête unique pour les chercheurs : lorsqu'ils observent le mouvement de prix moyen au fil du temps, ils voient un mélange de deux choses très différentes. Ils voient la fréquence des transactions et la taille des bonds de prix qui se produisent lors de ces transactions, toutes deux fusionnées. Il est difficile de savoir si un marché devient plus efficace parce que les prix se corrigent plus rapidement, ou simplement parce que le marché visite plus souvent des conditions où les transactions ont lieu.

Une chercheuse nommée Wen-Ting Wang a abordé ce casse-tête en étudiant deux pools spécifiques de monnaies numériques sur les blockchains Ethereum et Base. Ces pools agissent comme des teneurs de marché automatisées, où des frais sont prélevés sur chaque transaction, et où le prix des actifs à l'intérieur est déterminé strictement par le ratio de ce qui est détenu dans le pool. Wang s'est concentrée sur deux pools presque identiques dans leur conception, les deux prélevant des frais de cinq points de base sur les échanges entre l'Ethereum et une monnaie stable appelée USDC. L'étude a couvert une période de 57 jours durant l'été 2026, analysant plus de 2,5 millions de blocs de données. L'objectif était de décomposer la correction totale du prix en trois parties distinctes : la fréquence à laquelle le marché visitait un état où le prix était erroné, la fréquence à laquelle une transaction se produisait réellement dans ces états, et l'ampleur de la correction de prix lorsqu'une transaction se produisait. Comme ces pools ne changent de prix que lorsqu'une transaction est exécutée, le calcul devient exact ; si aucune transaction ne se produit, la correction de prix est nulle. Cela a permis à la chercheuse de séparer le « combien de fois » du « à quel point » sans avoir besoin de deviner des variables cachées.

L'étude a commencé par examiner les chiffres bruts, qui racontaient une histoire apparemment simple. En comparant deux fenêtres temporelles différentes au cours de la période d'étude, la correction de prix moyenne semblait augmenter légèrement dans la seconde fenêtre. Dans la première fenêtre, la correction moyenne était d'environ 0,484 point de base pour le pool Ethereum et de 0,107 pour le pool Base. Dans la seconde fenêtre, ces chiffres grimpaient respectivement à 0,580 et 0,143. À première vue, cela pourrait suggérer que le marché devenait plus réactif ou que les prix revenaient plus agressivement à leur valeur réelle. Cependant, la chercheuse soupçonnait que cette moyenne simple cachait une réalité plus complexe. Pour tester cela, elle a utilisé une méthode similaire à la comparaison de deux groupes de personnes en leur donnant le même poids, quel que soit le nombre de personnes dans chaque groupe. Elle a demandé : si le marché avait visité la même combinaison de conditions de prix dans les deux fenêtres, la correction aurait-elle quand même augmenté ?

La réponse fut un renversement clair. Lorsque la chercheuse a ajusté les données pour tenir compte du fait que le marché avait visité des conditions différentes dans les deux fenêtres, l'histoire s'est inversée. La seconde fenêtre présentait en réalité une réponse de prix plus faible que la première. La raison pour laquelle la moyenne brute avait augmenté était que le marché avait changé de comportement, visitant un ensemble différent de conditions plus fréquemment. Plus précisément, le marché a commencé à visiter des écarts de prix extrêmes beaucoup plus souvent. Dans la seconde fenêtre, une grande partie des données provenait d'une catégorie rare et ouverte de très grands écarts de prix, qui survenaient beaucoup plus fréquemment qu'auparavant. Ce changement dans la « composition de l'état » du marché a poussé la moyenne brute à la hausse, même si la correction de prix réelle se produisant dans chaque condition spécifique avait diminué.

Pour comprendre cela, imaginez un médecin mesurant le temps de récupération moyen de ses patients. S'il compare deux semaines, et que, lors de la seconde semaine, l'hôpital admet beaucoup plus de patients souffrant de blessures très graves qui mettent naturellement plus de temps à guérir, le temps de récupération moyen pour la semaine augmentera. Cela ne signifie pas que les médecins sont moins bons pour soigner les patients ; cela signifie simplement que le mélange de patients a changé. Dans cette étude, les « médecins » sont les teneurs de marché automatisées, et les « patients » sont les écarts de prix. Le marché a commencé à voir plus de cas extrêmes, ce qui a faussé la moyenne globale, masquant le fait que le traitement lui-même — la correction de prix par transaction — était devenu moins efficace dans les conditions les plus courantes.

La chercheuse a également examiné la fréquence à laquelle les transactions se produisaient par rapport à l'ampleur du mouvement de prix lorsqu'elles avaient lieu. Elle a constaté que la fréquence des transactions et la taille de la correction de prix évoluaient dans des directions opposées. Dans la seconde fenêtre, le marché a visité des conditions où les transactions étaient plus susceptibles de se produire, mais lorsque ces transactions ont eu lieu, la correction de prix était plus petite qu'auparavant. Ces deux forces se sont presque parfaitement annulées. L'augmentation de la fréquence à laquelle le marché visitait certains états a été compensée par une diminution de la force avec laquelle le prix se corrigeait dans ces états. Cet équilibre délicat a fait en sorte que le chiffre principal, la correction moyenne brute, n'ait pratiquement pas bougé, alors que les mécanismes sous-jacents du marché ont subi des changements substantiels.

Cette conclusion remet en question la manière dont la qualité du marché est souvent mesurée. Une statistique simple indiquant que « les prix se corrigent davantage » peut être trompeuse si elle ne tient pas compte des conditions dans lesquelles ces corrections se produisent. L'étude a montré qu'un marché peut paraître s'améliorer simplement parce qu'il visite différents états, même si sa capacité réelle à corriger les prix s'affaiblit. La chercheuse a confirmé cela en testant une règle simple qui prédisait le comportement des prix en fonction de la taille de l'écart de prix. Cette règle, qui semblait fonctionner dans la première partie de l'étude, n'a pas tenu bon dans la seconde partie, prouvant davantage que la relation entre les écarts de prix et les corrections n'est pas stable. Les résultats étaient spécifiques aux deux pools étudiés et à la période observée, mais la méthode utilisée pour séparer ces effets offre une nouvelle façon d'analyser les marchés numériques.

L'étude a également examiné ce qui se passe lorsque les points de données les plus extrêmes sont supprimés. Lorsque la chercheuse a exclu la catégorie rare et ouverte des écarts de prix gigantesques, le schéma des forces opposées est resté visible, bien que moins prononcé. Cela a confirmé que l'effet n'était pas seulement un artifice statistique causé par quelques valeurs aberrantes, mais une caractéristique réelle du fonctionnement de ces marchés. Le changement dans le mélange des conditions de marché était le principal moteur du changement de la moyenne, et non un changement des règles fondamentales du marché. La recherche conclut que lorsque les mises à jour de prix dépendent entièrement de l'exécution, regarder la moyenne seule est insuffisant. Il faut examiner séparément la composition du marché, la fréquence des transactions et la taille de la correction pour comprendre ce qui se passe réellement.

En fin de compte, l'article révèle que le marché numérique est un système dynamique où l'histoire racontée par la moyenne peut être l'opposée de l'histoire racontée par les détails. Le marché n'est pas devenu plus efficace ; il a simplement changé de forme. Le travail de la chercheuse offre une manière claire et non mathématique de voir à travers le bruit des statistiques agrégées et de comprendre la véritable mécanique de l'ajustement des prix dans les systèmes automatisés. Il sert de rappel que dans les environnements financiers complexes, le tout est souvent la somme de parties qui se déplacent dans des directions différentes, et que seule l'analyse séparée de ces parties permet de voir la véritable image.