Growth rate of liquidity provider's wealth in G3Ms

✨

이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

Each language version is independently generated for its own context, not a direct translation.

1. 배경: 자동 환전소와 장사꾼들

가상의 두 나라 화폐 (코인 A 와 코인 B) 가 있다고 상상해 보세요.

자동 환전소 (G3M): 이 환전소는 "A 와 B 의 비율을 항상 일정하게 유지하자"는 규칙을 따릅니다. (예: A 1 개당 B 2 개). 이 규칙 덕분에 사람들은 언제든 환전을 할 수 있습니다.
유동성 공급자 (LP): 이 환전소를 운영하기 위해 A 와 B 현금을 맡겨둔 사람들입니다. 그들은 환전 수수료로 수익을 얻습니다.
장사꾼 (아르바이트): 주변 시세 (외부 시장) 가 환전소 가격과 다를 때, 싼 곳에서 사서 비싼 곳에서 파는 장사꾼들입니다.

2. 핵심 문제: "손실"인가 "수익"인가?

이 논문은 두 가지 상반된 힘이 어떻게 작용하는지 분석합니다.

장사꾼의 공격 (손실): 외부 시세가 오르면 환전소는 A 를 싼값에 팔고, 시세가 내리면 비싼값에 팝니다. 이 과정에서 LP 는 "불공정한 가격"으로 자산을 팔게 되어 **잠재적 손실 (Impermanent Loss)**을 봅니다. 마치 장사꾼이 LP 의 재고를 훔쳐가는 것과 같습니다.
수수료의 방어 (수익): 하지만 장사꾼이 거래할 때마다 수수료를 내야 합니다. 이 수수료가 LP 에게 들어옵니다.

질문: "장사꾼들이 재고를 훔쳐가는 손실이, 수수료로 벌어들이는 돈을 상쇄하고도 남을까?"

3. 연구의 발견: "수수료"가 열쇠입니다

이 논문은 수학적 모델 (확률론) 을 통해 다음과 같은 놀라운 사실을 발견했습니다.

단기적으로는 아픕니다: 장사꾼들이 가격을 바로잡을 때마다 LP 는 일시적인 손실을 봅니다.
하지만 장기적으로는 이깁니다: 적절한 수수료율을 설정하면, 장사꾼들이 만들어내는 '가격의 흔들림 (변동성)'을 수수료로 흡수하여, 단순히 현금을 들고 있는 것보다 더 큰 수익을 낼 수 있습니다.

🌟 창의적인 비유: "요리사의 소금 통"

이 상황을 **요리사 (LP)**와 **손님 (장사꾼)**의 관계로 비유해 볼까요?

상황: 요리사는 소금 (자산) 을 큰 통에 넣고 있습니다. 손님들이 와서 소금을 조금씩 가져가거나, 반대로 소금을 조금씩 가져옵니다.
문제: 손님이 소금을 가져갈 때, 요리사는 통의 양이 줄어들어 불안해합니다 (손실).
해결: 하지만 손님이 소금을 가져갈 때마다 **작은 팁 (수수료)**을 남깁니다.
결과: 만약 팁의 크기가 적당하다면, 손님이 소금을 가져가서 통이 비는 것보다 팁을 받아서 통이 더 풍성해지는 것이 장기적으로 더 유리합니다.

이 논문은 **"어떤 크기의 팁 (수수료) 을 받으면 요리사가 가장 부자가 될까?"**를 계산했습니다.

4. 주요 결론 (쉽게 풀어서)

수수료는 '방패'이자 '창'입니다:
수수료는 장사꾼이 가격을 조작하는 것을 막아주는 '방패' 역할을 하면서도, 동시에 LP 에게 돈을 벌어다주는 '창'이 됩니다.
최적의 수수료는 '중간'입니다:
수수료를 너무 낮게 받으면 장사꾼이 너무 많이 와서 LP 가 망합니다. 너무 높게 받으면 장사꾼이 아예 오지 않아서 수익이 없습니다. 가장 좋은 수수료는 '중간'에 있습니다. 이 논문은 그 '황금 비율'을 수학적으로 찾아냈습니다.
수동 투자보다 낫다:
단순히 코인을 사서 묵혀두는 것 (Buy and Hold) 이나, 비율을 맞춰서 재투자하는 것 (Constant Rebalanced Portfolio) 보다, 적절한 수수료를 받는 자동 환전소 (G3M) 에 자산을 맡기는 것이 장기적으로 더 큰 수익을 낼 수 있음을 증명했습니다.
변동성이 곧 수익입니다:
시장이 너무 조용하면 (변동성이 적으면) 장사꾼이 오지 않아 수수료가 안 생깁니다. 시장이 너무 시끄럽고 흔들리면 (변동성이 크면) 장사꾼이 많이 와서 수수료가 많이 생깁니다. 즉, 시장이 흔들릴수록 LP 는 더 잘 벌 수 있는 구조라는 뜻입니다.

5. 요약

이 논문은 **"DeFi 의 자동 환전소는 단순한 거래소가 아니라, 시장 변동성을 이용해 돈을 버는 '지능형 투자 도구'가 될 수 있다"**는 것을 수학적으로 증명했습니다.

핵심 메시지: "수수료만 잘 설정하면, 장사꾼들이 만들어내는 혼란 (손실) 을 오히려 내 주머니 (수익) 로 돌릴 수 있다."
실제 적용: 이 연구는 Uniswap, Balancer 같은 실제 코인 거래소들이 어떤 수수료율을 설정해야 유동성 공급자 (LP) 들이 가장 잘 벌 수 있는지를 설계하는 데 중요한 기준이 됩니다.

결론적으로, 이 논문은 **"DeFi 에 투자하는 것은 위험해 보이지만, 원리를 이해하고 수수료를 잘 설계하면 전통적인 투자보다 더 똑똑한 수익을 낼 수 있다"**는 희망적인 메시지를 전달합니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 문제 (Problem)

탈중앙화 금융 (DeFi) 의 핵심인 자동화 시장 제조자 (AMM), 특히 **기하평균 시장 제조자 (Geometric Mean Market Makers, G3M)**에서 유동성 공급자 (LP) 의 장기적인 수익성을 분석하는 것이 본 연구의 핵심 문제입니다.

배경: Uniswap v2(상수곱 시장 제조자) 나 Balancer 와 같은 G3M 은 자산의 가중 기하평균을 일정하게 유지하여 고전적인 '가중치 재조정 포트폴리오 (Constant-Rebalanced Portfolio)'와 유사한 구조를 가집니다.
쟁점: LP 는 거래 수수료 (fee) 를 통해 수익을 얻지만, 동시에 외부 시장 가격과의 괴리 (mispricing) 를 이용한 아비트라지 (arbitrage) 로 인해 손실 (Loss-Versus-Rebalancing, LVR) 을 겪습니다.
질문: 아비트라지 손실과 수수료 수익이 상호작용하는 환경에서, G3M 이 LP 에게 장기적으로 어떤 부의 성장률을 제공하는지, 그리고 이것이 전통적인 수동 투자 전략 (예: 상수 재조정 포트폴리오) 을 능가할 수 있는지는 무엇인가?

2. 방법론 (Methodology)

본 논문은 **연속 시간 아비트라지 (Continuous-time Arbitrage)**와 반사 확산 과정 (Reflected Diffusion Processes) 이론을 결합하여 수학적 모델을 구축했습니다.

가정 (Simplifying Assumptions):
1. 잡음 거래자 부재: 모든 거래는 가격 차이를 이용한 아비트라지어에 의해 수행됨 (최악의 시나리오 설정).
2. 마찰 없는 외부 기준 시장: 무한한 유동성과 거래 비용이 없는 외부 기준 가격 ( $S_t$ ) 이 존재함.
3. 연속 아비트라지: 아비트라지어가 가격 괴리를 즉시 감지하고 거래함 (블록체인 블록 시간의 단축을 반영한 근사).
핵심 모델링 도구:
- 가격 괴리 과정 (Mispricing Process): 외부 시장 가격 $S_t$ 와 G3M 풀 가격 $P_t$ 의 로그 비율인 $Z_t = \ln(S_t/P_t)$ 를 정의합니다.
- 반사 확산 (Reflected Diffusion): 거래 수수료 $\gamma$ 로 인해 아비트라지가 불가능한 구간 (No-arbitrage interval) $[\ln \gamma, -\ln \gamma]$ 이 형성됩니다. $Z_t$ 는 이 구간 내에서 반사 확산 (Reflected Brownian Motion 등) 으로 모델링되며, 경계에서 반사되는 과정은 **국소 시간 (Local Time, $L_t, U_t$ )**으로 표현됩니다.
- 유동성 및 부의 동역학: 아비트라지 거래로 인해 풀의 유동성 $\ell_t$ 가 증가하는 메커니즘을 미분 방정식으로 유도하고, 이를 통해 LP 의 부 ( $V_t$ ) 의 로그 성장률을 계산합니다.
수학적 기법:
- Feynman-Kac 공식: LP 부의 성장률을 파생하는 편미분 방정식 (PDE) 과의 연결.
- 미모킹 (Mimicking) 방법: 시간 비동질적 (Time-inhomogeneous) 인 확률적 변동성을 가진 경우, 이를 시간 동질적인 반사 확산 과정으로 근사하여 기대값을 계산.
- Sturm-Liouville 이론: 반사 확산 과정의 고유계 (Eigensystem) 를 활용하여 장기 평균 성장률을 도출.

3. 주요 기여 (Key Contributions)

G3M 에 대한 일반화된 분석: 기존 Uniswap v2(상수곱) 에 국한되었던 연구 (Tassy and White, 2020) 를 Balancer 와 같은 일반적인 가중치 G3M으로 확장했습니다.
명시적 성장률 공식 도출: 다양한 시장 조건 (시간 동질적/비동질적, 확률적 변동성/드리프트) 에서 LP 의 **장기 기대 로그 성장률 (Long-term expected logarithmic growth rate)**에 대한 명시적 공식을 제시했습니다.
최적 수수료 구조 및 위상 전이 (Phase Transitions):
- 수수료 티어 ( $\gamma$ ) 와 풀 가중치 ( $w$ ) 가 LP 수익에 미치는 영향을 분석했습니다.
- 수익률이 단순히 monotonic(단조 증가/감소) 하지 않고, 특정 조건에서 **내부 최적점 (Interior Optimal Fee)**이 존재하는 비단조적 위상 전이를 발견했습니다.
확률적 포트폴리오 이론 (SPT) 과의 연결: G3M 의 성과가 마찰 없는 상수 재조정 포트폴리오의 초과 성장률 (Excess Growth Rate) 을 능가할 수 있음을 증명하여, G3M 이 온체인 인덱스 펀드 인프라로서 유효함을 입증했습니다.

4. 주요 결과 (Results)

LP 부의 성장률 공식:
LP 의 장기 로그 성장률은 다음과 같이 표현됩니다:
$\lim_{T \to \infty} \frac{E[\ln V_T]}{T} = w\mu_X + (1-w)\mu_Y + \text{Fee Term}$
여기서 첫 번째 항은 자산 가격의 기본 성장률이며, 두 번째 항 (Fee Term) 은 수수료와 아비트라지 활동에 기인한 추가 수익입니다.
수수료의 이중적 역할:
- 수수료는 아비트라지어에게 거래 비용을 부과하여 아비트라지 빈도를 조절합니다.
- 동시에 아비트라지 과정에서 풀에 유입되는 유동성 (수수료 수익) 을 통해 변동성 수확 (Volatility Harvesting) 효과를 창출합니다.
- 적절한 수수료 설정 하에, G3M 은 단기 아비트라지 손실을 장기적인 변동성 수익으로 전환할 수 있습니다.
최적 수수료와 포트폴리오 가중치:
- 시장 드리프트 ( $\mu$ ) 와 변동성 ( $\sigma$ ) 의 비율 ( $\theta = 2\mu/\sigma^2$ ) 에 따라 최적 수수료 $\gamma^*$ 가 달라집니다.
- 특히 $w=1/2$ 인 경우와 달리, 가중치가 비대칭일 때 수수료와 수익률 관계가 비단조적이며, 수수료를 0(무수수료) 이나 1(완전 차단) 로 설정하는 것보다 중간 값이 더 높은 수익을 낼 수 있음을 수치 분석을 통해 보였습니다.
SPT 와의 비교:
G3M 은 마찰이 없는 상수 재조정 포트폴리오의 초과 성장률 ( $w(1-w)\sigma^2/2$ ) 을 능가할 수 있으며, 이는 G3M 이 단순한 거래소가 아닌 수익 창출형 인덱스 펀드로서 작동할 수 있음을 시사합니다.

5. 의의 및 시사점 (Significance)

이론적 의의: DeFi 의 AMM 메커니즘을 확률 미분 방정식과 반사 확산 이론을 통해 엄밀하게 수학화했습니다. 이는 아비트라지, 수수료, 유동성 공급 간의 복잡한 상호작용을 정량적으로 분석할 수 있는 토대를 마련했습니다.
실무적 시사점:
- LP 관점: 어떤 수수료 구조와 자산 가중치를 선택해야 장기적으로 최대 수익을 얻을 수 있는지에 대한 가이드를 제공합니다.
- 프로토콜 설계 관점: Uniswap v4 나 Balancer 와 같은 프로토콜이 시장 변동성과 아비트라지 활동을 고려하여 동적 수수료나 가중치를 설계할 때 이론적 근거를 제공합니다.
- 투자 전략: G3M 이 단순한 유동성 제공을 넘어, 전통적인 포트폴리오 이론의 한계를 극복하고 변동성을 수익으로 전환하는 효율적인 온체인 자산 관리 도구임을 입증했습니다.

결론적으로, 이 논문은 G3M 이 아비트라지라는 '위험'을 수수료 메커니즘을 통해 '수익'으로 전환할 수 있음을 수학적으로 증명하며, DeFi 생태계에서 LP 의 지속 가능한 수익 모델과 프로토콜 설계의 최적 방향성을 제시합니다.