The Privacy Subsidy in Continuous-Time Kyle: Cumulative Welfare under Noise-Perturbed Order-Flow Observation

Riepilogo Tecnico: Il Sussidio per la Privacy nel Modello Kyle in Tempo Continuo

Enunciato del Problema
Questo articolo affronta le implicazioni di benessere dei meccanismi di preservazione della privacy nella finanza decentralizzata (DeFi), specificamente nel contesto dei Market Maker Automatizzati (AMM) e dell'aggregazione del flusso degli ordini. Mentre l'articolo complementare [12] ha stabilito un "sussidio per la privacy" in forma chiusa — un trasferimento dalla pool di liquidità di un protocollo ai trader — in un modello Kyle a periodo singolo, questo lavoro estende l'analisi a un contesto in tempo continuo. Il problema centrale è quantificare la perdita attesa cumulativa sostenuta da un market maker (MM) bayesiano impegnato che osserva il flusso aggregato degli ordini perturbato da un rumore di privacy gaussiano indipendente. A differenza dei market maker competitivi classici che impongono una condizione di profitto nullo, il modello assume una regola di prezzo "impegnata" (tipica degli AMM basati su smart contract) in cui il MM aggiorna i prezzi tramite la regola di Bayes su osservazioni rumorose, ma non si aggiorna dinamicamente per garantire un profitto nullo.

Metodologia
L'analisi impiega il framework Kyle–Back in tempo continuo [1], adattato per informazioni aggregate con preservazione della privacy.

• Primitivi del Modello: Il modello presenta un orizzonte temporale $[0, 1]$, un trader informato che osserva un valore di asset normale $v$, trader rumorosi che sottomettono un flusso $du_t = \sigma_u dW^u_t$, e un canale di privacy che aggiunge un rumore browniano indipendente $d\varepsilon_t = \sigma_\varepsilon dW^\varepsilon_t$. Il market maker osserva il flusso perturbato $d\tilde{y}_t = dy_t + d\varepsilon_t$.
• Regola di Prezzo: Il MM utilizza una regola di prezzo lineare impegnata $dp_t = \lambda_t d\tilde{y}_t$, dove $\lambda_t$ è il guadagno di Kalman fissato ex-ante derivato dall'identità di proiezione di Bayes. Crucialmente, il modello non impone il vincolo di equilibrio di profitto nullo trovato nei modelli Kyle competitivi; invece, accetta il profitto (o la perdita) atteso risultante non nullo come oggetto di studio.
• Derivazione dell'Equilibrio: Gli autori utilizzano un'ansatz lineare markoviana per la strategia dell'insider ($dx_t = \beta_t(v - p_t)dt$) e risolvono l'equazione di Hamilton-Jacobi-Bellman (HJB) associata. La soluzione si basa sulla condizione di razionalità standard Kyle–Back $\Sigma(1) = 0$ (piena rivelazione delle informazioni all'orizzonte) per fissare i parametri di equilibrio.
• Contabilità del Benessere: Il sussidio cumulativo per la privacy è derivato decomponendo il benessere atteso totale tra i tre partecipanti: il trader informato, i trader rumorosi e il market maker. Il profitto atteso del MM è calcolato come il residuo necessario per bilanciare il sistema.

Contributi e Risultati Chiave
L'articolo stabilisce tre risultati principali:

1. Teorema 1 (Equilibrio Lineare Markoviano): Sotto la regola di prezzo impegnata bayesiana-AMM con intensità del rumore di privacy $\sigma_\varepsilon$, l'unico equilibrio presenta un coefficiente di impatto sul prezzo costante $\lambda = \sigma_v / \sqrt{\sigma_u^2 + \sigma_\varepsilon^2}$ e una varianza a posteriori che declina linearmente $\Sigma(t) = \sigma_v^2(1-t)$. La presenza del rumore di privacy aumenta efficacemente la volatilità dei trader rumorosi da $\sigma_u$ a $\sqrt{\sigma_u^2 + \sigma_\varepsilon^2}$ nelle condizioni di equilibrio.

2. Teorema 2 (Sussidio Cumulativo per la Privacy): L'articolo deriva un'espressione in forma chiusa per il trasferimento atteso cumulativo dalla pool di liquidità ai trader (il sussidio per la privacy) sull'orizzonte $[0, 1]$:
   $$|\Pi_M| = \frac{\sigma_v \sigma_\varepsilon^2}{\sqrt{\sigma_u^2 + \sigma_\varepsilon^2}}$$
   Gli autori notano che questo valore è esattamente il doppio dell'analogo a periodo singolo derivato in [12]. Chiariscono che questo "raddoppio" è una caratteristica standard della transizione Kyle–Back da modelli a periodo singolo a modelli in tempo continuo (dove anche i profitti dei trader informati raddoppiano) e non è un artefatto specifico del meccanismo di privacy.

3. Proposizione 1 (Dualità Strutturale con LVR): L'articolo stabilisce una dualità strutturale tra la Perdita Rispetto al Ribilanciamento (LVR) identificata da Milionis et al. [10] negli AMM a prodotto costante e il sussidio per la privacy nei mercati Kyle.

   • LVR quantifica la perdita di benessere dovuta a un disallineamento tra la curva AMM impegnata e l'osservazione del prezzo esterno.
   • Sussidio per la Privacy quantifica la perdita di benessere dovuta a un disallineamento tra la regola di prezzo impegnata e l'osservazione del flusso degli ordini.
     Entrambi i tassi di benessere si fattorizzano nell'intensità al quadrato del driver di rumore rilevante (diffusione dei prezzi vs. rumore di privacy) e in una funzione dell'oggetto impegnato. Questa dualità fornisce un quadro unificato per la calibrazione delle commissioni di pareggio negli scambi con curve impegnate.

Significato e Affermazioni
L'articolo afferma di completare il programma di quantificazione delle commissioni di pareggio per gli scambi AMM impegnati che operano in ambienti di informazioni aggregate con preservazione della privacy. Il suo significato risiede in:

• Collegamento della Letteratura: Collega la letteratura sulla microstruttura del trading insider (Kyle/Back) con la letteratura DeFi sulle perdite di benessere degli AMM (LVR), dimostrando che il rumore di privacy crea un divario di benessere strutturalmente identico ai divari di osservazione dei prezzi.
• Operazionalizzazione dei Costi della Privacy: Fornisce una metrica precisa e in forma chiusa per il "costo della privacy" in termini di solvibilità della pool di liquidità. Gli autori sostengono che affinché un protocollo sia solvente, il ricavo cumulativo delle commissioni deve superare questo sussidio cumulativo per la privacy.
• Implicazioni di Progettazione:
  • Invarianza Temporale: Nel limite in tempo continuo, il sussidio cumulativo dipende solo dalla varianza media nel tempo del rumore di privacy, non dal suo profilo temporale. Ciò implica che i protocolli non possono ridurre il sussidio pianificando strategicamente l'iniezione di privacy (ad esempio, privacy più debole vicino all'orizzonte) senza cambiare il budget medio.
  • Calibrazione delle Commissioni: La formula derivata offre un metodo diretto per impostare commissioni proporzionali per coprire il sussidio per la privacy, analogamente a come l'LVR informa le strutture tariffarie nei CFMM.
  • Discreto vs Continuo: Gli autori avvertono che, sebbene il modello in tempo continuo fornisca una forma chiusa pulita, le implementazioni pratiche (AMM protetti, motori MPC) devono essere interpretate come distribuzioni su blocchi discreti dove il budget di privacy è finito, poiché un canale di privacy browniano continuo con intensità fissa è incompatibile con garanzie finite di privacy differenziale.

L'articolo conclude notando che questi risultati valgono per il rumore gaussiano e che le estensioni a rumori non gaussiani (ad esempio, Laplace per la privacy differenziale) o processi a salti rimangono aperti per lavori futuri.