Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

이 논문은 동적 가중치 자동화 시장 메이커 (TFMM) 의 최적 재균형 전략이 가중치 심플렉스 상의 피셔 - 라오 계량 하에서 헬링거 좌표계의 측지선인 SLERP(구면 선형 보간) 로 정의됨을 증명하고, 이를 통해 기존 AM-GM 이분법 휴리스틱이 측지선 상에 위치하며 모든 이분점에서의 최적 보간이 가능함을 보여줍니다.

핵심

🏔️ 핵심 비유: "산길 (Simplex) 을 오르는 등산객"

상상해 보세요. 여러분은 **'자산의 무게 비율 (Weight)'**을 조정해야 하는 등산객입니다.

• 시작점: 현재 가진 자산의 비율 (예: 코인 A 50%, 코인 B 50%).
• 목적지: 새로운 목표 비율 (예: 코인 A 80%, 코인 B 20%).
• 문제: 바로 목적지로 점프하면, 시장 가격과 달라서 **수익자 (아비트라저)**들이 와서 여러분의 자산을 훔쳐갑니다. 이를 **'손실 (Arbitrage Loss)'**이라고 합니다.

이 손실을 최소화하려면, 한 번에 큰 점프를 하는 대신 **작은 걸음 (Intermediate Steps)**으로 나누어 이동해야 합니다. 하지만 **어떤 경로 (길)**로 걸어야 할까요?

🗺️ 이 논문이 발견한 3 가지 놀라운 사실

1. 손실의 정체를 파악하다: "기하학적 거리"

기존에는 "무게를 조금씩 바꾸면 손실이 줄어든다"는 정도만 알았습니다. 하지만 이 논문은 **"이 손실은 사실 두 지점 사이의 '기하학적 거리'와 같다"**고 증명했습니다.

• 비유: 평평한 지도에서 두 지점 사이의 거리는 '직선'이지만, 이 자산 비율의 세계 (단순형, Simplex) 는 구 (Sphere) 의 표면처럼 휘어져 있습니다.
• 결론: 가장 짧은 거리 (최소 손실) 를 가기 위해서는 **구의 표면 위를 따라 그어진 가장 짧은 선 (대원, Great Circle)**을 따라 가야 합니다. 수학적으로는 SLERP라고 부르는 방법입니다.

2. 기존 '요리법'이 왜 먹혔을까? (AM+GM)

이전 연구자들은 "산술 평균 (AM) 과 기하 평균 (GM) 을 섞어서 normalize 하라"는 **요리법 (Heuristic)**을 제안했습니다.

• 비유: "중간 지점을 찾을 때, A 와 B 의 평균을 내고, 그걸 다시 제곱근으로 조정해라" 같은 복잡한 레시피였죠.
• 이 논문의 발견: 놀랍게도, 이 복잡한 요리법이 구 (Sphere) 위의 가장 짧은 길 (SLERP) 의 정중앙과 완전히 일치했습니다!
• 왜? 수학적으로 우연히, "제곱근을 더하고 다시 제곱하는 과정"이 "산술 평균과 기하 평균을 더하는 과정"과 똑같은 결과를 만들어내기 때문입니다. 그래서 기존 연구자들이 "왜 이 방법이 좋은지"는 몰랐지만, 실제로는 가장 이상적인 길의 한가운데를 걷고 있었던 것입니다.

3. 삼각함수 없이도 완벽한 길 찾기 (Recursive Bisection)

SLERP(가장 짧은 길) 를 계산하려면 보통 sin, cos 같은 복잡한 삼각함수가 필요합니다. 컴퓨터 (블록체인) 에서는 이 계산이 비싸고 느립니다.

• 해결책: 이 논문은 "중간 지점을 계속 반으로 나누는 (이분법)" 방식만으로도, 삼각함수 없이도 정확한 SLERP 경로를 만들 수 있다고 증명했습니다.
• 비유: "A 지점과 B 지점의 중간을 찾아라. 그 중간과 A, B 사이에도 다시 중간을 찾아라." 이렇게 반복하면, 복잡한 계산 없이도 구의 가장 짧은 길 위에 정확히 발을 디딜 수 있습니다.

---

💡 요약: 이 논문이 우리에게 주는 메시지

1. 손실은 '거리'다: 자산을 재배분할 때 발생하는 손실은 단순한 숫자가 아니라, 기하학적인 거리입니다.
2. 가장 짧은 길은 '구'를 따라가는 것: 가장 효율적인 길은 직선이 아니라, 구 (Sphere) 의 표면 위를 따라가는 곡선입니다.
3. 기존 방법이 이미 정답의 절반을 알고 있었다: 기존에 쓰이던 'AM+GM' 방법은 우연히 이 가장 짧은 길의 정중앙을 정확히 찍고 있었습니다.
4. 실용적인 해결책: 복잡한 수학 공식 (삼각함수) 없이도, 단순한 덧셈과 곱셈으로 반복해서 중간점을 구하는 방식만으로도 최적의 경로를 만들 수 있습니다.

🚀 결론

이 논문은 복잡한 수학적 이론 (리만 기하학) 을 통해, **"가상화폐 거래소가 자산을 재배분할 때, 어떻게 하면 가장 적은 비용으로 목적지에 도달할 수 있는지"**에 대한 완벽한 지도를 그려주었습니다.

특히, 복잡한 계산 없이도 최적의 길을 찾을 수 있는 방법을 제시했기 때문에, 실제 블록체인 상에서 더 효율적이고 저렴한 거래 시스템을 만드는 데 큰 도움이 될 것입니다. 마치 **"가장 빠른 길은 복잡한 나침반이 아니라, 단순히 중간점을 계속 찾아나가는 것"**이라는 교훈을 준 셈입니다.

기술 요약

이 논문은 **동적 가중치 자동화 시장 조성자 (Dynamic Weight AMM, TFMM)**의 재조정 (Rebalancing) 과정에서 발생하는 arbitrage 손실을 최소화하기 위한 최적의 가중치 보간 (Interpolation) 전략을 제시합니다. 저자는 정보 기하학 (Information Geometry) 과 리만 기하학 (Riemannian Geometry) 을 활용하여, 기존에 경험적으로 제안되었던 휴리스틱이 실제로는 기하학적으로 최적의 경로 (측지선) 에 해당함을 증명하고, 이를 계산적으로 효율적으로 구현할 수 있는 알고리즘을 개발했습니다.

다음은 논문의 상세 기술 요약입니다.

---

1. 문제 정의 (Problem Statement)

• 배경: TFMM (Temporal Function Market Making) 과 같은 동적 가중치 AMM 은 블록 간에 자산의 가중치 (Weights) 를 변경하여 포트폴리오를 재조정합니다.
• 문제: 가중치가 한 번에 크게 변경되면, 시장 가격이 일정하다고 가정할 때 arbitrage 기회 (차익거래 기회) 가 발생하여 풀 (Pool) 의 가치가 감소합니다. 이를 **arbitrage 손실 (또는 LVR, Loss Versus Rebalancing)**이라고 합니다.
• 목표: 초기 가중치 ($w_{start}$) 에서 목표 가중치 ($w_{end}$) 로 이동할 때, 중간 단계를 여러 단계로 나누어 (Interpolation) 전체 arbitrage 손실을 최소화하는 최적의 가중치 경로 (Trajectory) 를 찾는 것입니다.
• 기존 접근: 이전 연구 [1] 는 소규모 변화에 대해 최적의 중간점을 근사하는 $(AM+GM)/normalise$ 휴리스틱을 제안했으나, 그 기하학적 근거와 왜 이것이 효과적인지에 대한 설명은 부족했습니다.

2. 방법론 (Methodology)

저자는 AMM 의 arbitrage 손실을 **정보 기하학 (Information Geometry)**의 관점에서 재해석했습니다.

• KL 발산과 Fisher-Rao 계량:
  • 가중치 변경으로 인한 로그 손실 ($-\log r$) 이 Kullback-Leibler (KL) 발산 ($D_{KL}(w_{end} \| w_{start})$) 과 동일함을 증명했습니다 (Theorem 1).
  • 이는 가중치 심플렉스 (Weight Simplex) 위에서의 자연스러운 리만 계량 (Riemannian Metric) 이 Fisher-Rao 계량임을 의미합니다.
• Hellinger 임베딩 (Hellinger Embedding):
  • 가중치 $w_i$를 $\eta_i = \sqrt{w_i}$로 변환하면, Fisher-Rao 계량은 단위 구 (Unit Sphere) 의 표준 구면 계량 (Round Metric) 의 배수가 됩니다.
  • 이 변환 하에서 심플렉스는 구의 1 사분면 (Positive Orthant) 에 매핑됩니다.
• 측지선 (Geodesic) 최적화:
  • 2 차 근사 (Leading-order expansion) 하에서 손실을 최소화하는 경로는 Fisher-Rao 계량 하의 **측지선 (Geodesic)**입니다.
  • 구면에서의 측지선은 **대원 (Great Circle)**이며, 이를 계산하는 방법은 **SLERP (Spherical Linear Interpolation)**입니다.

3. 주요 기여 (Key Contributions)

A. 이론적 증명

1. arbitrage 손실 = KL 발산: 가중치 업데이트의 비용이 KL 발산과 동치임을 증명하여, Fisher-Rao 계량이 AMM 재조정의 자연스러운 기하학적 구조임을 확립했습니다.
2. SLERP 의 최적성: 2 차 근사 손실 함수를 최소화하는 보간 경로는 Hellinger 좌표계에서의 SLERP 임을 증명했습니다 (Corollary 2). 이는 일정한 속도로 구면을 이동하는 경로입니다.
3. 휴리스틱의 기하학적 해석: 기존에 제안된 $(AM+GM)/normalise$ 휴리스틱이 SLERP 경로의 **정확한 중점 (Midpoint)**과 일치함을 증명했습니다 (Theorem 2).
   • 수식적으로 $\left(\sqrt{w_{start}} + \sqrt{w_{end}}\right)^2$를 전개하면 산술 평균 (AM) 과 기하 평균 (GM) 의 합이 도출되며, 이는 정규화 후 SLERP 중점이 됩니다.
   • 이는 임의의 토큰 수와 가중치 변화 크기에 대해 성립합니다.

B. 알고리즘적 혁신

• 삼각함수 없는 재귀적 이분법 (Trig-free Recursive Bisection):
  • SLERP 경로를 계산하기 위해 일반적으로 필요한 $\arccos$, $\sin$ 등의 초월 함수 (Transcendental functions) 를 사용하지 않고도, $(AM+GM)/normalise$ 공식을 재귀적으로 적용하여 $2^d$ 단계의 SLERP 경로를 정확히 생성할 수 있음을 보였습니다 (Corollary 3, Algorithm 2).
  • 이는 온체인 (On-chain) 구현 시 가스 비용과 연산 복잡도를 크게 낮추는 핵심 기여입니다.

C. 하한 및 한계 분석

• 하한 오차 (Sub-optimality Bound): SLERP 가 정확한 KL 비용 (비선형) 을 최소화하는 전역 최적해는 아니지만, 그 오차가 $O(\Omega^4/f^3)$로 매우 작음을 증명했습니다 (Theorem 3). 여기서 $\Omega$는 전체 가중치 변화의 크기, $f$는 단계 수입니다.
• 경계 조건 (Boundary) 분석: 가중치가 0 에 가까워질수록 (경계 근처) Fisher-Rao 계량이 발산하여 2 차 근사의 정확도가 떨어지지만, 다단계 ($f$가 큰) 재조정에서는 SLERP 가 여전히 최적에 매우 근접함을 실험으로 확인했습니다.

4. 실험 결과 (Results)

• 손실 균일성 (Loss Uniformity): 1000 단계 ($f=1000$) 시뮬레이션에서 SLERP 는 단계별 arbitrage 손실의 표준편차/평균 비율이 0.0002로, 선형 (Linear) 보간 (0.32) 이나 $(AM+GM)/normalise$(0.086) 에 비해 손실 분포가 거의 완벽하게 균일함을 보였습니다.
• 최적해 근접성: L-BFGS-B 를 이용한 수치 최적화 (Brute-force) 결과, SLERP 는 $f=1000$에서 최적해와 거의 구별되지 않았으며, $f=50$에서도 상대적 오차가 $10^{-5}$ 수준으로 매우 낮았습니다.
• 경계 근처 성능: 가중치가 1% (실제 AMM 의 하한) 근처일 때 선형 보간은 SLERP 대비 약 20% 더 많은 손실을 발생시켰으나, SLERP 는 $(AM+GM)/normalise$보다 약 3.5% 더 우월한 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 이론적 통찰: AMM 의 재조정 비용이 정보 기하학의 표준 발산 (Canonical Divergence) 임을 밝힘으로써, 다양한 보간 방법 (선형, 기하, SLERP 등) 이 왜 서로 유사한 성능을 보이는지 (심플렉스 기하학이 평탄하기 때문) 에 대한 통찰을 제공했습니다.
• 실무적 적용:
  • $(AM+GM)/normalise$ 휴리스틱이 단순한 근사가 아니라, SLERP 측지선의 정확한 중점을 계산하는 공식임을 증명하여 그 신뢰성을 높였습니다.
  • 재귀적 이분법 알고리즘을 통해 복잡한 삼각함수 계산 없이도 온체인에서 최적의 SLERP 경로를 효율적으로 구현할 수 있는 방법을 제시했습니다.
• 일반화: 이 기하학적 구조는 G3M/TFMM 에 국한되지 않으며, 확률 심플렉스 상의 벡터로 파라미터화되는 모든 AMM 의 arbitrage 비용 분석에 적용 가능한 프레임워크를 제공합니다.

결론적으로, 이 논문은 동적 AMM 의 재조정 문제를 리만 기하학의 관점에서 해결하여, 이론적으로 최적에 가까운 SLERP 경로를 제안하고, 이를 계산적으로 효율적으로 구현할 수 있는 실용적인 알고리즘을 제시함으로써 DeFi 프로토콜의 자본 효율성을 높이는 데 기여합니다.