Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

本論文は、動的ウェイト AMM の最適リバランスにおいて、ウェイト軌道に依存する裁定損失が KL 発散で記述され、その最小化には球面上の測地線である SLERP（ヘリングャー座標における一定速度の補間）が自然な解であることを示し、これにより三角関数なしで再帰的な AM-GM 二分法が有効であることを証明している。

要約

🍳 物語の舞台：味付けのバランスを崩さない料理

想像してください。あなたが**「万能の料理人」だとします。
あなたの鍋には、トマト、オリーブオイル、バジルという 3 つの材料が入っています。
ある日、市場の状況が変わり、「トマトの比率を減らして、オリーブオイルを増やさないといけない」**という注文が来ました。

❌ 従来の方法：いきなり全部入れ替える

「じゃあ、今すぐトマトを捨てて、オリーブオイルをドバドバ入れよう！」とします。
するとどうなるでしょう？

• 料理の味が急激に変わり、客（投資家）が驚いて逃げ出します。
• 急な変更は、**「損失（手数料や価格のズレ）」を生みます。これを論文では「アービトラージ損失（裁定取引による損失）」**と呼んでいます。
• 大きな変更を一度にやると、損失が**「2 乗」**の勢いで跳ね上がります（例：1 回で 100 点の損失なら、2 回に分ければ 1 回あたり 25 点ずつで済みます）。

✅ 論文の提案：滑らかな「味付けの道」

「じゃあ、少しずつ、何回かに分けて味付けを変えよう」と考えます。
でも、**「どの順番で、どれくらいずつ変えれば、一番損失が少なくなるのか？」**という問題が残ります。

これまでの研究では、「算術平均（足して割る）」や「幾何平均（掛け算のルート）」を混ぜた「（AM+GM）/正規化」という**「経験則（ハック）」が使われていました。
「これを使えば、損失の 95% は減らせるよ！」と言われていましたが、「なぜこれがうまくいくのか？その理由（地図）は誰も知らなかった」**のです。

---

🗺️ 論文の発見：新しい「地図」と「最短ルート」

この論文は、その謎を解き明かしました。

1. 損失は「距離」だった（情報幾何学）

論文によると、味付け（ウェイト）を変えようとするときの損失は、**「2 つの味付けの間の距離」で測ることができます。
しかも、この距離を測るための「定規」は、普通のものではなく、「フィッシャー・ラオ計量（Fisher-Rao metric）」**という特別な定規です。

• 普通の定規（直線）： 単純に足して割る（算術平均）。
• この論文の定規： 味の変化の「痛み」を正確に測る定規。

2. 最短ルートは「球面を歩く」こと

この特別な定規で測ると、味付けの変化は、**「平らな地面」ではなく「球面（お米の粒のような丸い面）」**の上を歩くことに似ていることがわかりました。

• SLERP（スレップ）： 球面上の 2 点を結ぶ**「最短の道（大円）」**です。
• この論文は、**「損失を最小にするには、この球面上の最短ルート（SLERP）を一定の速さで歩けばいい」**と証明しました。

3. 驚きの一致：昔の「ハック」は実は「正解」だった

ここで最大の驚きがあります。
昔から使われていた**「（AM+GM）/正規化」というハック（経験則）は、実は「球面上の最短ルートの真ん中」と「完全に一致」**していたのです！

• なぜ一致するのか？
  • 球面上の真ん中を計算すると、不思議な数学の公式（二項定理）が働き、「足した平均（AM）」と「掛けた平均（GM）」を足し合わせたものが出てくるのです。
  • つまり、**「昔の料理人が偶然見つけた美味しいレシピは、実は数学的に完璧な最短ルートだった」**ということです。

---

🚀 実用的なメリット：なぜこれがすごいのか？

① 計算が簡単になる（三角関数不要）

「球面上の最短ルート（SLERP）」を計算するには、通常、難しい三角関数（sin, cos, arccos）が必要です。ブロックチェーン（オンチェーン）では、この計算は非常に高価で遅いです。
しかし、この論文は**「中点だけを計算すれば、再帰的に（繰り返し）計算すれば、三角関数を使わずに完璧なルートが作れる」**ことを示しました。

• 昔： 難しい計算が必要。
• 今： 「足して割る」と「掛け算」だけで、最適なルートが作れる。

② 境界線での安全性

もし、ある材料の量が極端に少なくなっても（0% に近づいても）、この方法は安定して機能します。従来の「直線的な変化」だと、限界付近で損失が爆発しますが、この「球面のルート」なら滑らかに避けられます。

③ ほぼ完璧な効率

「何回に分けるか（ステップ数）」が増えれば増えるほど、この方法は「理論上の最良解」に限りなく近づきます。
論文の実験では、1000 回に分けて調整した場合、従来の方法に比べて損失が**「ほぼゼロ」**に近づき、他の方法とは桁違いに優れていたことが確認されました。

---

📝 まとめ：一言で言うと？

この論文は、**「自動取引所の資産バランス調整」という問題を、「球面上の最短距離」**という美しい幾何学の問題に変換しました。

• 発見： 損失を最小にする道は、球を転がすように滑らかに進むこと（SLERP）。
• 驚き： 昔から使われていた「足して割る＋掛けた平均」というハックは、実はこの最短道の真ん中と完全に一致していた。
• 実用： 難しい数学を使わずに、この「完璧な道」を計算できるレシピが見つかった。

**「料理人が、偶然見つけた美味しい味付けが、実は『宇宙の法則』に則った完璧なルートだった」**と気づき、それを誰でも使える簡単なレシピにした、というのがこの論文の核心です。

技術概要

この論文「Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers（動的ウェイト型 AMM における最適リバランスのリーマン幾何学）」は、Temporal Function Market Making (TFMM) などの動的ウェイト型自動市場 Maker (AMM) において、プール内の資産ウェイトを調整する際のアービトラージ損失を最小化する最適な補間経路を、情報幾何学（Information Geometry）の観点から解明したものです。

以下に、論文の技術的な要約を問題定義、手法、主要な貢献、結果、意義の順で詳述します。

---

1. 問題定義 (Problem)

動的ウェイト型 AMM（例：Balancer の G3M や TFMM）では、プール内の資産のウェイト（比率）が時間とともに変化します。ウェイトが $w_{start}$ から $w_{end}$ へ変更される際、市場価格が一定であると仮定しても、プール内の残高（Reserves）が新しいウェイトに即座に一致しないため、アービトラージの機会が発生します。

• 課題: アービトラージャーが利益を上げる過程で、プールは価値を失います（これを「アービトラージ損失」または「LVR: Loss Versus Rebalancing」と呼ぶ）。
• 現状の課題: ウェイト変更を 1 段階で直接行うと損失が非常に大きくなります。これを複数の中間ステップに分割して滑らかに補間することで損失を減らすことができますが、**「どの中間ウェイト経路をたどれば、総アービトラージ損失が最小になるか」**という最適化問題が未解決でした。
• 先行研究: 以前の研究 [1] では、小ステップの極限において、算術平均（AM）と幾何平均（GM）の和を正規化した $(AM+GM)/normalise$ というヒューリスティックが約 95% の最適性を達成することが示されましたが、その幾何学的な理由や、なぜこれが有効なのかは説明されていませんでした。

2. 手法と理論的枠組み (Methodology)

著者は、ウェイト空間（確率単体）上の幾何学構造を分析し、以下の理論的枠組みを構築しました。

2.1 アービトラージ損失と KL ダイバージェンス

まず、ウェイト変更によるプールの価値維持率（Retention Ratio）$r$ を導出しました。

• 定理 1: ウェイト更新による対数損失 $-\log r$ は、新旧のウェイトベクトル間のカルバック・ライブラー（KL）ダイバージェンス $D_{KL}(w_{end} \parallel w_{start})$ に等しいことを証明しました。
  $$-\log r = \sum_{i} w_{end, i} \log \frac{w_{end, i}}{w_{start, i}} = D_{KL}(w_{end} \parallel w_{start})$$
  これにより、損失最小化問題は KL ダイバージェンスの最小化問題として定式化されます。

2.2 フィッシャー・ラオ計量とヘルンガー埋め込み

KL ダイバージェンスの 2 次展開（局所的な二次形式）は、**フィッシャー・ラオ計量（Fisher-Rao metric）**を定義します。

• 幾何学的解釈: ウェイト単体（Simplex）上の自然なリーマン計量はフィッシャー・ラオ計量であり、これは単体上の点の分布を確率分布として扱う情報幾何学の標準的な構造です。
• 座標変換: ウェイト $w_i$ を $\eta_i = \sqrt{w_i}$ （ヘルンガー座標）に変換すると、フィッシャー・ラオ計量は単位球面 $S^{N-1}$ の正の象限上の標準的な計量（球面距離）の定数倍に変換されます。
  $$ds^2 = \sum \frac{(dw_i)^2}{w_i} \quad \xrightarrow{\eta_i=\sqrt{w_i}} \quad 4 \sum (d\eta_i)^2$$
  この変換により、ウェイト単体上の最短経路（測地線）は、ヘルンガー座標空間における**大円（Great Circle）**に対応します。

2.3 最適補間経路の導出

• 定理 2 (SLERP の最適性): 二次近似された損失（フィッシャー・ラオ計量に基づく）を最小化する補間経路は、ヘルンガー座標空間における一定速度で移動する**球面線形補間（SLERP: Spherical Linear Interpolation）**の測地線です。
• ヒューリスティックとの一致: 先行研究の $(AM+GM)/normalise$ ヒューリスティックの中点（$t=0.5$）が、SLERP 経路の中点と厳密に一致することを証明しました（定理 2）。これは二項定理 $(\sqrt{a}+\sqrt{b})^2 = a+b+2\sqrt{ab}$ による代数的恒等式から導かれます。

3. 主要な貢献 (Key Contributions)

1. 損失の幾何学的定式化: AMM のリバランス損失が KL ダイバージェンスであり、その自然な幾何学構造がフィッシャー・ラオ計量であることを明確にしました。
2. SLERP の最適性の証明: 損失最小化経路がヘルンガー座標における SLERP であることを示し、これにより $(AM+GM)/normalise$ ヒューリスティックが「なぜ」機能するのか（測地線の中点であるため）を理論的に説明しました。
3. トリゴノメトリフリーのアルゴリズム: 三角関数（arccos, sin など）を必要とせず、再帰的な中点分割（バイセクション）によって、$2^d$ ステップの SLERP 経路を正確に計算するアルゴリズム（Corollary 3）を提案しました。
   • 各ステップで $(AM+GM)/normalise$ を適用するだけで、測地線上の正確な点を生成できます。
4. サブオプティマル性の評価: 正確な KL 損失に対する SLERP の最適性の欠如（サブオプティマル性）を評価し、ステップ数 $f$ に対して $O(\Omega^2/f^2)$ のオーダーで収束することを示しました（定理 3）。

4. 実験結果 (Results)

数値実験（N=3 のトークン、1000 ステップ）を通じて以下の結果を確認しました。

• 損失の均一性: SLERP 経路は、各ステップごとのアービトラージ損失がほぼ一定（標準偏差/平均比 $\approx 0.0002$）になります。これに対し、線形補間や幾何平均補間は損失の変動が激しく、SLERP に比べてはるかに非効率です。
• ヒューリスティックとの比較: $(AM+GM)/normalise$ 経路は SLERP と視覚的に区別がつかないほど近く、中点では完全に一致します。全体的な損失も SLERP に極めて近いです。
• 境界付近の挙動: ウェイトが 0 に近い境界付近（例：最小ウェイト 1%）では、フィッシャー・ラオ計量が発散するため二次近似の精度は低下しますが、SLERP は依然として線形補間や幾何平均補間よりも優れており、境界に近いほどその優位性が増大します。
• 数値最適化との比較: L-BFGS-B による全ステップの厳密な最適化と比較しても、SLERP の損失は極めて近く、ステップ数が増えるほど差は縮小します（相対誤差 $10^{-5}$ オーダー）。

5. 意義と結論 (Significance)

• 理論的統一: 線形補間（$\alpha=-1$）、幾何平均補間（$\alpha=+1$）、SLERP（$\alpha=0$）といった異なる補間手法が、情報幾何学における異なる接続（Connection）の測地線に対応していることを示し、これらを統一的なリーマン幾何学の枠組みで理解可能にしました。
• 実用的なインプリメンテーション:
  • オンチェーン最適化: 三角関数を計算できないオンチェーン環境（スマートコントラクト）でも、$(AM+GM)/normalise$ ヒューリスティックを用いた再帰的バイセクションにより、SLERP 測地線上の正確な点を計算可能です。
  • コスト効率: 完全な数値最適化を行う必要がなく、このヒューリスティックが実用上の最適解として極めて有効であることを示しました。
• 将来の展望: この幾何学的アプローチは、G3M/TFMM に限定されず、確率単体上のパラメータを持つ任意の AMM 設計に応用可能です。特定の AMM 設計に応じた計量（Metric）を特定し、その測地線に沿ったリバランス戦略を構築する道を開きました。

結論:
この論文は、動的 AMM のリバランスコストが KL ダイバージェンスであり、その最小化経路がヘルンガー座標における球面測地線（SLERP）であることを証明しました。これにより、以前から使われていた $(AM+GM)/normalise$ ヒューリスティックの正当性が理論的に裏付けられ、三角関数を使わずに実装可能な最適リバランス戦略が確立されました。