Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

Il documento dimostra che la geometria Riemanniana del costo di arbitraggio nei pool AMM a pesi dinamici è governata dalla metrica Fisher-Rao, rivelando che l'interpolazione ottimale per minimizzare le perdite corrisponde a un geodetico SLERP nello spazio delle coordinate di Hellinger, il quale può essere calcolato efficientemente tramite una ricorsione AM-GM.

L'essenziale

Immagina di avere un giardino digitale dove coltivi diverse piante (le criptovalute). Ogni pianta ha un peso specifico nel tuo giardino: alcune sono alberi maestosi, altre sono piccoli cespugli. Il tuo obiettivo è mantenere un equilibrio preciso tra queste piante secondo una ricetta segreta (i "pesi" del pool).

Tuttavia, il mercato cambia ogni giorno. A volte un albero cresce troppo, a volte un cespuglio si secca. Devi riequilibrare il giardino: spostare terra e acqua da una pianta all'altra per tornare alla ricetta originale.

Il problema? Ogni volta che muovi la terra, i "giardinieri di passaggio" (gli arbitraggisti) se ne accorgono, rubano un po' di valore e lo vendono a prezzo più alto. Questo furto è il costo di riassestamento.

La domanda è: come muovi la terra per rubare il meno possibile?

Ecco cosa scopre questo documento, spiegato in modo semplice:

1. Il problema: Muovere troppo velocemente fa male

Se provi a spostare tutto il peso da una pianta all'altra in un solo istante (un "grande movimento"), crei un enorme squilibrio. I giardinieri di passaggio ne approfittano e il tuo giardino perde molto valore. È come se dovessi spostare un divano pesante: se fai un solo scatto brusco, ti fai male e il divano si graffia.

La soluzione è fare piccoli passi. Se dividi il movimento in 100 piccoli spostamenti invece di uno solo, il danno totale è molto minore. Ma... qual è la strada migliore per fare questi 100 passi?

2. La scoperta: La mappa del tesoro è una sfera

L'autore, Matthew Willetts, ha scoperto che il modo migliore per muoversi non è una linea retta (come si pensava prima) e nemmeno una curva geometrica complicata.

Ha scoperto che il nostro giardino digitale, se lo guardiamo con gli occhiali giusti, non è piatto come un foglio di carta, ma è la superficie di una sfera.

• Immagina di dover andare dal Polo Nord al Polo Sud. La strada più breve non è un "zig-zag" o una linea dritta su una mappa piatta, ma un arco perfetto sulla superficie della sfera (chiamato geodetica).

In questo caso, la "sfera" è fatta di radici quadrate dei pesi delle tue piante. È una trasformazione matematica che rende la strada più liscia.

3. La soluzione magica: SLERP (Il "Viaggio Sferico")

Il metodo migliore per muoversi su questa sfera si chiama SLERP (Spherical Linear Interpolation).
Pensa a SLERP come a un treno ad alta velocità che viaggia su un binario curvo perfetto sulla superficie della sfera. Questo treno mantiene una velocità costante e non si allontana mai dalla strada più breve.

Il risultato? Il "furto" dei giardinieri di passaggio viene distribuito in modo perfettamente uniforme ad ogni piccolo passo. Non ci sono picchi di perdita, solo una perdita costante e minima.

4. La sorpresa: La vecchia ricetta era quasi perfetta!

Prima di questo studio, c'era una ricetta popolare chiamata (AM+GM)/normalise.

• AM (Media Aritmetica): La media semplice (es. 5 e 15 fanno 10).
• GM (Media Geometrica): La media "radicale" (es. la radice quadrata del prodotto).

La vecchia ricetta diceva: "Prendi la media semplice e la media radicale, mescolale e normalizza il risultato".
Gli esperti si chiedevano: "Perché funziona così bene? È solo fortuna?"

La risposta del paper: Non è fortuna!
L'autore dimostra matematicamente che il punto esatto a metà strada del viaggio perfetto (SLERP) è identico al risultato della vecchia ricetta.
È come se qualcuno avesse scoperto che la ricetta della nonna per fare la pizza perfetta coincidesse esattamente con la formula chimica degli scienziati, anche se non lo sapevano. La vecchia ricetta stava, senza saperlo, camminando esattamente sulla strada più breve della sfera.

5. Il trucco per gli informatici: Niente calcolatrici complicate

C'è un problema: calcolare SLERP richiede funzioni matematiche complicate (come seni e coseni) che sono costose e lente da calcolare sui computer blockchain (dove ogni secondo conta).

Ma l'autore ha trovato un trucco geniale:
Poiché la ricetta vecchia (AM+GM) dà il punto esatto a metà strada, puoi usare un metodo chiamato bisezione ricorsiva.

• Invece di calcolare la strada intera, prendi l'inizio e la fine.
• Calcola il punto medio con la ricetta semplice.
• Ora hai due metà. Ripeti il processo su ciascuna metà.
• Ripeti ancora.

In questo modo, puoi costruire l'intera strada perfetta senza usare mai funzioni matematiche complicate, solo addizioni e moltiplicazioni. È come costruire una scala perfetta usando solo mattoni semplici.

In sintesi

1. Il costo di riassestare un pool di criptovalute è come un "furto" che dipende da quanto bruscamente muovi i pesi.
2. La strada migliore non è una linea retta, ma un arco perfetto su una sfera invisibile (SLERP).
3. La ricetta vecchia (media aritmetica + media geometrica) è sorprendentemente perfetta perché tocca esattamente il punto medio di questa strada ideale.
4. Il metodo pratico permette di calcolare questa strada perfetta usando solo matematica semplice, rendendola veloce ed economica da usare nelle blockchain.

Conclusione: Questo paper ci dice che per gestire al meglio i fondi digitali, non serve inventare formule nuove e complicate. Basta seguire la geometria della natura (la sfera) e usare un vecchio trucco matematico che, ora sappiamo, è la strada maestra per risparmiare denaro.

Sommario tecnico

Titolo: Geometria Riemanniana del Rebilanciamento Ottimale negli AMM a Pesi Dinamici

Autore: Matthew Willetts (QuantAMM.fi)
Data: Marzo 2026

1. Il Problema: Costi di Arbitraggio nel Rebilanciamento Dinamico

Nel contesto dei Temporal Function Market Makers (TFMM), i pool di liquidità automatizzati (AMM) con pesi dinamici (come i pool G3M - Geometric Mean Market Maker) devono aggiustare le proprie riserve di asset per allinearsi a nuovi target di peso.

• Meccanismo: Quando i pesi cambiano da $w_{start}$ a $w_{end}$, se l'aggiornamento avviene in un singolo passaggio, si crea un'opportunità di arbitraggio immediata. Gli arbitraggisti sfruttano questa discrepanza, causando una perdita di valore per il pool (costo di arbitraggio).
• Obiettivo: Ridurre il costo totale di arbitraggio suddividendo il cambiamento di peso in più passaggi intermedi ($f$ step).
• Sfida: Qual è la traiettoria ottimale dei pesi intermedi che minimizza la perdita totale? Lavori precedenti [1] avevano proposto un'euristica basata sulla media aritmetica e geometrica ($(AM+GM)/normalise$), ma la ragione geometrica della sua efficacia non era stata spiegata, né era noto se fosse l'ottimo globale.

2. Metodologia: Geometria dell'Informazione e Metrica di Fisher-Rao

L'autore applica la geometria dell'informazione per modellare lo spazio dei pesi del pool.

• Identificazione della Perdita: Viene dimostrato che la perdita logaritmica per ogni passaggio di ribilanciamento è esattamente la divergenza di Kullback-Leibler (KL) tra il vettore dei pesi nuovi e quello vecchio:
  $$-\log r = D_{KL}(w_{end} \parallel w_{start})$$
  dove $r$ è il rapporto di ritenzione del valore del pool.
• Metrica Naturale: Poiché la divergenza KL è asimmetrica, non è una metrica. Tuttavia, la sua espansione del secondo ordine attorno alla diagonale definisce la metrica di Fisher-Rao sul semplicex dei pesi.
• Embedding di Hellinger: Viene introdotta una trasformazione di coordinate $\eta_i = \sqrt{w_i}$. Questa mappa il semplicex dei pesi $\Delta^{N-1}$ isometricamente (a meno di un fattore di scala) sull'ortante positivo della sfera unitaria $S^{N-1}_+$.
  • In queste coordinate, la metrica di Fisher-Rao diventa una versione scalata della metrica euclidea standard sulla sfera.
  • Di conseguenza, le geodetiche (i percorsi più brevi) sul semplicex corrispondono a cerchi massimi sulla sfera.

3. Contributi Chiave e Risultati Teorici

A. Ottimalità della SLERP (Spherical Linear Interpolation)

Il paper dimostra che, sotto l'approssimazione del primo ordine della perdita (quadratica), la traiettoria che minimizza il costo totale è la SLERP (interpolazione lineare sferica) nelle coordinate di Hellinger.

• La SLERP corrisponde a percorrere un cerchio massimo sulla sfera a velocità costante.
• Questo garantisce che la perdita per ogni singolo passaggio sia uniforme, minimizzando la somma dei quadrati delle perdite (grazie alla convessità della funzione quadratica).

B. Identità Esatta dell'Euristica Precedente

Uno dei risultati più significativi è la dimostrazione che l'euristica $(AM+GM)/normalise$ proposta in lavori precedenti coincide esattamente con il punto medio della geodetica SLERP, indipendentemente dal numero di token o dall'entità del cambiamento di peso.

• Dimostrazione: Nel punto medio ($t=0.5$), la formula SLERP $\left(\frac{\sqrt{w_{start}} + \sqrt{w_{end}}}{2}\right)^2$ si espande in $2(AM + GM)$, che normalizzata diventa esattamente la formula euristica.
• Implicazione: L'euristica non è solo un'approssimazione, ma giace esattamente sulla geodetica ottimale nel punto centrale.

C. Algoritmo di Bisezione Ricorsiva (Trig-Free)

Poiché il punto medio SLERP è calcolabile tramite l'euristica $(AM+GM)/normalise$, l'autore propone un algoritmo per generare l'intera traiettoria SLERP senza utilizzare funzioni trigonometriche (seno, coseno, arccos), che sono costose computazionalmente (specialmente on-chain).

• Metodo: Per un numero di passi $f = 2^d$, si può costruire la traiettoria completa mediante bisezione ricorsiva dei punti medi.
• Vantaggio: Permette di calcolare traiettorie ottimali esatte usando solo addizioni, moltiplicazioni, radici quadrate e normalizzazione.

D. Limiti di Sub-ottimalità

Il paper quantifica quanto la SLERP (che minimizza l'approssimazione quadratica) si discosti dall'ottimo globale della divergenza KL esatta.

• Teorema 3: La sub-ottimalità relativa è dell'ordine di $O(\Omega^2 / f^2)$, dove $\Omega$ è la distanza angolare totale e $f$ è il numero di passi.
• Per un numero ragionevole di passi (es. $f=1000$), la differenza tra SLERP e l'ottimo numerico esatto è trascurabile ($\sim 10^{-5}$).

4. Validazione Sperimentale

Gli esperimenti numerici su un pool a 3 token confermano le teorie:

• Uniformità della Perdita: La SLERP produce una perdita per passaggio quasi perfettamente uniforme (deviazione standard/media $\approx 0.0002$), mentre l'interpolazione lineare o geometrica mostrano variazioni significative.
• Confronto con l'Ottimo Brute-Force: Utilizzando ottimizzazione numerica (L-BFGS-B), la traiettoria SLERP risulta indistinguibile dall'ottimo globale per un numero elevato di passi.
• Comportamento al Confine: Anche vicino ai limiti del semplicex (pesi molto bassi, es. 1%), la SLERP mantiene prestazioni superiori rispetto all'interpolazione lineare, sebbene l'euristica Lambert W (ottimale per singoli passi grandi) possa essere leggermente migliore in scenari di singolo passo estremo vicino al confine.

5. Significato e Implicazioni

1. Spiegazione Geometrica: Il paper fornisce la prima spiegazione geometrica rigorosa del perché l'euristica $(AM+GM)/normalise$ funziona: è la proiezione della geodetica di Fisher-Rao (SLERP) nello spazio dei pesi.
2. Implementazione Pratica: Dimostra che non è necessario calcolare funzioni trigonometriche complesse per ottenere traiettorie ottimali. L'algoritmo di bisezione ricorsiva rende l'implementazione on-chain efficiente e precisa.
3. Generalizzazione: La struttura geometrica (metrica di Fisher-Rao e divergenza KL) è intrinseca a qualsiasi AMM parametrizzato su un semplicex di probabilità. Questo suggerisce che le strategie di ribilanciamento basate sulla geometria dell'informazione sono applicabili a una vasta classe di protocolli DeFi, non solo ai TFMM.
4. Riduzione dei Costi: L'uso di traiettorie geodetiche riduce significativamente la perdita di valore (LVR - Loss Versus Rebalancing) rispetto a metodi lineari o geometrici semplici, specialmente in scenari con molti passi o pesi vicini ai limiti.

Conclusione

Il paper stabilisce che il costo di arbitraggio nel ribilanciamento dinamico è governato dalla geometria Riemanniana del semplicex dei pesi. La soluzione ottimale è una geodetica a velocità costante (SLERP) nelle coordinate di Hellinger. L'euristica esistente $(AM+GM)/normalise$ è identificata come il punto medio esatto di questa geodetica, permettendo un'implementazione efficiente e priva di funzioni trascendenti che raggiunge quasi l'ottimo globale.