Resumo Técnico: De Médias a Medianas: Design de Benchmark Ótimo

1. Definição do Problema

O artigo aborda o design crítico de benchmarks de preços em mercados financeiros, focando especificamente em sua resistência à manipulação. Os benchmarks, que resumem os preços de mercado prevalecentes, sustentam derivativos, empréstimos e avaliações de portfólio. O valor nocional desses contratos cria incentivos para que agentes distorçam preços em seu próprio benefício. Enquanto a manipulação nas finanças tradicionais resultou em centenas de milhões de dólares em perdas, o advento das Finanças Descentralizadas (DeFi) amplificou essas preocupações devido à execução automatizada, valores contratuais elevados e limitada aplicabilidade jurídica.

Um padrão empírico intrigante motiva a investigação: os benchmarks nas finanças tradicionais (ex: LIBOR, EURIBOR, o Fix das 16h) tipicamente utilizam a média, enquanto os benchmarks em DeFi (ex: oráculos da MakerDAO, Tellor) predominantemente utilizam a mediana. O artigo busca determinar a fórmula de benchmark ótima que maximiza o custo de manipulação, explicando assim essa divisão e fornecendo uma regra de design para benchmarks robustos.

2. Metodologia e Modelo

O autor emprega um framework de teoria dos jogos modelado como um problema de contrato ótimo com risco moral multitarefa (multi-task moral hazard). O manipulador atua como um agente que escolhe como distorcer uma distribuição de preços para induzir um viés específico ($\Delta$), sujeito a uma função de custo.

Componentes Principais do Modelo:

• Distribuição de Preços: Os preços não manipulados são extraídos de uma distribuição $F$, assumida como simétrica e estritamente unimodal em torno de um ponto $P$. Em alguns resultados, assume-se que a distribuição não possui dispersão (degenerada em $P$).
• Estratégia de Manipulação: O manipulador desloca os preços de uma distribuição inicial $F$ para uma distribuição manipulada $G$. A estratégia é definida por funções de distribuição condicional $G_c(\cdot|p)$.
• Estrutura de Custos: O custo de manipulação é a soma de dois componentes:
  1. Custos Variáveis ($c(\cdot)$): Uma função da magnitude da distorção de preço ($q$). O artigo considera tanto formas convexas quanto côncavas. Notavelmente, o Apêndice B deriva que, para Criadores de Mercado de Produto Constante (CPMMs), os custos variáveis são côncavos.
  2. Custos Fixos ($k$): Um custo incorrido por preço manipulado, independente do tamanho da distorção. Isso é particularmente relevante em ambientes de blockchain onde assegurar a ordenação das transações (ex: leilões de MEV ou taxas de gás) incorre em um custo por transação.
• Definição de Benchmark: Um benchmark é um funcional de localização. O artigo foca em benchmarks simétricos (aqueles iguais ao ponto de simetria para distribuições simétricas), incluindo a média, mediana e médias truncadas de $\tau$ ($\tau$-trimmed means).
• Critério de Otimalidade: Um benchmark é ótimo se maximizar o custo mínimo necessário para um manipulador induzir um determinado viés $\Delta$. A análise baseia-se na Proposição 1, que afirma que, se existir uma estratégia de manipulação simétrica e de custo mínimo para um benchmark, esse benchmark é ótimo.

3. Contribuições Principais e Resultados

A. Os Casos Polares (Mercado Homogêneo)

O artigo estabelece uma correspondência entre a estrutura de custos e o benchmark ótimo:

• Custos Fixos Irrelevantes ($k=0$) com Custos Variáveis Convexos: A Média é ótima. Quando os custos variáveis são convexos, a estratégia de manipulação mais barata é espalhar o viés uniformemente por todos os preços. A média é maximamente robusta a tais deslocamentos uniformes, ao passo que a mediana é altamente sensível a eles.
• Custos Variáveis Irrelevantes ($c(\cdot)=0$): A Mediana é ótima. Quando apenas os custos fixos importam, o manipulador minimiza o custo manipulando a menor massa de preços possível necessária para deslocar a mediana. A mediana exige a manipulação de exatamente metade da massa, enquanto a média exigiria a manipulação de todos os preços. Assim, a mediana maximiza o custo de manipulação neste regime.

B. O Caso Geral (Custos Fixos e Variáveis)

Quando ambos os componentes de custo estão presentes, o benchmark ótimo é uma Média Truncada ($\tau$-trimmed mean).

• Custos Variáveis Convexos: Se os custos fixos forem grandes em relação ao viés alvo ($\delta_{min} > 2\Delta$), a manipulação ótima da média se concentraria em menos da metade dos preços, quebrando a simetria. Uma média truncada de $\tau$ neutraliza isso, descartando preços extremos, forçando o manipulador a equilibrar a concentração contra custos médios mais altos. O parâmetro de truncamento ótimo $\tau^*$ aumenta conforme os custos fixos sobem.
• Custos Variáveis Côncavos: Este caso é empiricamente relevante para CPMMs de DeFi. Mesmo sem custos fixos, a concavidade implica que a manipulação ótima concentra a massa nos extremos. O benchmark ótimo permanece uma média truncada, com o grau de truncamento aumentando conforme o tamanho dos custos fixos.
• Estática Comparativa: O grau ótimo de truncamento diminui com a liquidez do mercado. Em pools mais profundos (onde os custos marginais de manipulação são maiores), o benchmark aproxima-se da média; em pools mais rasos, aproxima-se da mediana.

C. Mercados Heterogêneos

O artigo estende a análise para mercados onde os preços provêm de subpopulações com diferentes custos de manipulação (ex: variando a liquidez ou taxas de gás ao longo do tempo).

• Custos Puramente Variáveis: O benchmark ótimo é uma Média Ponderada, onde os pesos são proporcionais aos custos marginais de manipulação ($c'_i(\Delta)$). Preços que são mais baratos de manipular na margem são subponderados.
• Custos Puramente Fixos: O benchmark ótimo é uma Mediana Pendulada/Ponderada (no espírito de Edgeworth), onde os pesos são proporcionais aos custos fixos de manipulação ($k_i$).
• Custos Proporcionais: Se os custos fixos e variáveis forem proporcionais entre as subpopulações, o benchmark ótimo é uma Média Truncada Ponderada, com pesos e parâmetros de truncamento refletindo a estrutura de custos combinada.

4. Significância e Alegações

O artigo alega fornecer uma racionalização teórica para a divergência observada entre os designs de benchmarks de finanças tradicionais e DeFi:

• Finanças Tradicionais: Caracterizadas por negociações sustentadas e custos variáveis convexos (com custos fixos por observação de preço negligenciáveis), levando à otimalidade da média.
• Finanças Descentralizadas (DeFi): Caracterizadas pela disponibilidade de ferramentas como flash loans (tornando os custos variáveis negligenciáveis), mas com altos custos fixos para a ordenação de transações (MEV/gás), levando à otimalidade da mediana.

O autor enfatiza que os resultados são derivados sob pressupostos específicos (distribuições simétricas, estruturas de custo específicas) e que estender a análise para distribuições assimétricas ou estruturas de custos heterogêneas gerais permanece um desafio. O artigo posiciona seu critério de resistência à manipulação como complementar, e não concorrente, aos critérios de eficiência estatística encontrados na estatística robusta (estimadores L). Ao identificar médias, medianas e médias truncadas como modelos de manipulação ótimos, o artigo sugere que esses estimadores padrão podem ser disciplinados tanto pela dimensão de eficiência quanto pela de robustez.

O trabalho não propõe novos protocolos experimentais ou detalhes específicos de implementação para contratos inteligentes além das regras de agregação teórica. Ele foca no trade-off fundamental entre estruturas de custo e fórmulas de agregação para determinar o benchmark mais resistente à manipulação.