Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

O artigo demonstra que a trajetória de pesos ótima para minimizar as perdas de arbitragem em pools de AMM dinâmicos corresponde a uma geodésica sob a métrica de Fisher-Rao (interpolada esférica ou SLERP), provando que a heurística recursiva de média aritmética-geométrica utilizada anteriormente localiza-se exatamente sobre essa geodésica.

O essencial

Imagine que você tem uma cesta de frutas que representa um fundo de investimento. A "cesta" é um pool de liquidez (como os usados em criptomoedas) e as "frutas" são diferentes ativos (como Bitcoin, Ethereum, etc.).

O dono da cesta (o protocolo) decide mudar a receita: "Hoje, quero 50% de maçãs e 50% de laranjas. Amanhã, quero 70% de maçãs e 30% de laranjas."

O problema é que você não pode simplesmente trocar as frutas instantaneamente sem perder dinheiro. Se você mudar a receita de uma vez só, os "arbitrageiros" (traders rápidos) vão explorar essa diferença de preço e roubar uma parte do valor da sua cesta. É como se você tentasse mudar a receita de um bolo enquanto ele está assando; se fizer de um pulo, o bolo queima.

Este paper, escrito por Matthew Willetts, é um guia de como fazer essa mudança de receita da forma mais suave e barata possível, usando uma ideia matemática elegante chamada "Geometria Riemanniana".

Aqui está a explicação simplificada, passo a passo:

1. O Problema: O Custo da Troca Brusca

Quando você muda a receita da cesta (os pesos dos ativos) de uma vez, você cria uma "onda" de preços. Os arbitrageiros veem essa onda e lucram com ela, deixando você com menos dinheiro.

• A lição: Se você fizer a mudança em muitos passos pequenos, o custo total é muito menor. É como descer uma escada: se você pular 10 degraus de uma vez, você se machuca. Se descer um degrau de cada vez, é suave.

2. A Descoberta: O Mapa do Tesouro (Geometria)

O autor descobriu algo incrível: o "custo" de mudar a receita não é uma linha reta no espaço comum. É como se o espaço onde vivem as receitas fosse uma bola (uma esfera), e não um plano chato.

• A Analogia da Terra: Imagine que você quer ir do Rio de Janeiro a Tóquio.
  • Se você desenhar uma linha reta num mapa de papel (o plano), você atravessa o oceano de forma estranha.
  • Se você desenhar a linha reta num globo terrestre (a esfera), você vê que o caminho mais curto é um arco que curva sobre o oceano. Isso se chama Geodésica.
• No Papel: O autor mostra que a melhor maneira de mudar os pesos da cesta é seguir esse "arco" perfeito na esfera, e não uma linha reta. Ele chama isso de SLERP (Interpolação Linear Esférica).

3. A Solução Mágica: A "Fórmula da Meia-Caminho"

Antes deste paper, as pessoas usavam uma "regra de bolso" (um truque) para tentar adivinhar o melhor caminho. A regra era: pegue a média aritmética (soma e divide por dois) e a média geométrica (raiz quadrada do produto) e misture-as.

• A Grande Revelação: O autor provou matematicamente que essa "regra de bolso" antiga não é apenas uma aproximação. Ela é exatamente o ponto certo no meio do caminho perfeito (o meio da geodésica) quando você divide a mudança em duas etapas.
• Por que isso importa? Significa que os desenvolvedores que já estavam usando esse truque estavam, sem saber, seguindo o caminho perfeito da geometria! O paper apenas explicou por que aquilo funcionava tão bem.

4. O Truque de Computador (Sem Matemática Complexa)

Calcular o caminho perfeito na esfera geralmente exige funções trigonométricas difíceis (seno, cosseno, arccos), que são caras e lentas para computadores de blockchain fazerem.

O paper oferece um truque genial:

• Se você quiser dividir a mudança em 2, 4, 8, 16 ou 32 passos (potências de 2), você não precisa de trigonometria.
• Você só precisa pegar dois pontos, calcular a "média mágica" (a regra de bolso mencionada acima) e colocar esse novo ponto no meio.
• Repetir esse processo (dividir ao meio, depois dividir ao meio de novo) gera o caminho perfeito inteiro, usando apenas adição e multiplicação simples. É como dobrar um papel de origami repetidamente para criar um padrão complexo sem precisar de régua.

5. O Resultado Prático

• Economia Real: Usar esse caminho perfeito (SLERP) reduz o dinheiro perdido para os arbitrageiros em comparação com métodos antigos (como mudar a receita em linha reta).
• Estabilidade: O custo de cada pequeno passo é quase idêntico. Não há picos de perda.
• Segurança: Mesmo quando os pesos dos ativos ficam muito pequenos (perto de zero), esse método continua sendo o melhor, embora a matemática fique um pouco mais complexa ali.

Resumo em uma frase

Este paper descobriu que mudar a receita de um fundo de investimento é como caminhar sobre uma bola, não sobre um plano, e provou que um truque matemático antigo que as pessoas já usavam é, na verdade, o caminho mais curto e barato possível, podendo ser calculado de forma super simples pelos computadores.

Em suma: É como descobrir que o atalho que você sempre tomou no parque para chegar mais rápido ao trabalho não era sorte, mas sim a rota geométrica perfeita, e agora você tem um mapa para fazer isso ainda melhor.

Resumo técnico

Título: Geometria Riemanniana do Rebalanceamento Ótimo em Automated Market Makers (AMMs) de Pesos Dinâmicos

1. O Problema

Em Temporal Function Market Making (TFMM), pools de liquidez automatizados (AMMs) com pesos dinâmicos (como pools G3M - Geometric Mean Market Maker) precisam rebalancear suas reservas de ativos conforme os pesos alvo mudam ao longo do tempo.

• Custo de Arbitragem: Quando os pesos mudam diretamente de $w_{start}$ para $w_{end}$, cria-se uma oportunidade de arbitragem imediata. Os arbitrageiros exploram essa discrepância, resultando em uma perda de valor para os provedores de liquidez (conhecida como Impermanent Loss ou perda de retenção).
• Interpolação: Dividir a mudança de peso em múltiplos passos intermediários reduz o custo total de arbitragem, pois cada sub-passo enfrenta um deslocamento de preço menor.
• Desafio Anterior: Trabalhos anteriores (ex: [1]) identificaram uma heurística aproximadamente ótima chamada $(AM+GM)/normalise$ (média aritmética + média geométrica normalizada), mas a razão geométrica exata de sua eficácia e a solução ótima global para qualquer magnitude de mudança de peso não eram totalmente compreendidas.

2. Metodologia e Fundamentos Teóricos

O autor aplica a Geometria da Informação para modelar o problema de rebalanceamento:

• Perda como Divergência KL: O artigo demonstra que a perda logarítmica por passo de arbitragem é exatamente a Divergência de Kullback-Leibler (KL) entre os vetores de pesos antigo e novo:
  $$-\log r = D_{KL}(w_{end} \parallel w_{start})$$
  onde $r$ é a taxa de retenção do pool.
• Métrica de Fisher-Rao: A expansão de segunda ordem da divergência KL define a Métrica de Fisher-Rao no simplex de pesos. Esta é a métrica Riemanniana natural para o espaço de distribuições de probabilidade.
• Embutimento de Hellinger: O autor utiliza a transformação de coordenadas $\eta_i = \sqrt{w_i}$. Sob esta transformação:
  • O simplex de pesos $\Delta_{N-1}$ é mapeado isometricamente para o ortante positivo de uma esfera unitária $S^{N-1}_+$.
  • A métrica de Fisher-Rao torna-se uma versão escalada da métrica esférica padrão (métrica "round").
  • As geodésicas (caminhos de menor custo) no simplex correspondem a grandes círculos na esfera.

3. Principais Contribuições e Resultados

A. Otimização via SLERP

A interpolação que minimiza o custo de arbitragem (sob a aproximação de segunda ordem da perda KL) é a SLERP (Spherical Linear Interpolation) nas coordenadas de Hellinger.

• Isso significa que o caminho ótimo é uma geodésica percorrida a velocidade constante na esfera unitária.
• O custo total diminui proporcionalmente a $1/f$(onde$f$ é o número de passos).

B. Identidade Exata da Heurística $(AM+GM)/normalise$

Uma das descobertas mais significativas é que o ponto médio da trajetória SLERP é exatamente igual ao ponto médio da heurística $(AM+GM)/normalise$ proposta em trabalhos anteriores.

• Prova: Ao elevar ao quadrado a soma das raízes quadradas dos pesos (operador de SLERP no meio do caminho), a identidade binomial $(\sqrt{a} + \sqrt{b})^2 = a + b + 2\sqrt{ab}$ revela que o resultado é proporcional à soma da Média Aritmética (AM) e da Média Geométrica (GM).
• Implicação: A heurística anterior não era apenas uma aproximação; ela calculava o ponto exato da geodésica ótima no meio do caminho, independentemente do número de tokens ou da magnitude da mudança.

C. Algoritmo de Bissecção Recursiva (Sem Funções Trigonométricas)

O artigo propõe um algoritmo prático para gerar trajetórias SLERP completas em passos de potência de dois ($f = 2^d$):

• Utiliza-se a identidade do ponto médio $(AM+GM)/normalise$ recursivamente.
• Começa-se com os pesos inicial e final, insere-se o ponto médio, e repete-se o processo entre pares adjacentes.
• Vantagem: Permite calcular trajetórias ótimas em on-chain (na blockchain) usando apenas operações aritméticas básicas (adição, multiplicação, raiz quadrada), eliminando a necessidade de funções transcendentais caras como $\arccos$ ou $\sin$.

D. Limites de Sub-otimalidade

O autor estabelece um limite teórico para a sub-otimalidade da SLERP em relação ao custo KL exato (não apenas a aproximação quadrática):

• A diferença relativa é da ordem de $O(\Omega^2 / f^2)$, onde $\Omega$ é a magnitude total da mudança de peso.
• Para um número razoável de passos ($f$), a SLERP é extremamente próxima do ótimo global, tornando a escolha entre métodos uma questão de custo computacional e não de eficiência de perda.

4. Validação Numérica

O artigo valida os resultados com simulações numéricas (configuração de 3 tokens):

• Uniformidade de Perda: A SLERP produz uma perda de arbitragem por passo quase perfeitamente uniforme (desvio padrão/média $\approx 0.0002$), enquanto interpolações lineares ou geométricas mostram alta variabilidade.
• Comportamento de Fronteira: Em cenários onde os pesos se aproximam de zero (ex: limite de 1% em implementações reais), a vantagem da SLERP sobre a interpolação linear aumenta significativamente (até 20% de economia de perda).
• Comparação com Otimização Bruta: Em testes de otimização numérica (L-BFGS-B), a trajetória SLERP convergiu para o ótimo global com uma diferença de custo relativa de apenas $\sim 10^{-5}$ para $f=50$.

5. Significado e Conclusão

• Unificação Geométrica: O trabalho fornece uma estrutura unificada que explica por que métodos anteriores (linear, geométrico, Lambert W) funcionam bem: eles são aproximações de diferentes geodésicas no mesmo espaço Riemanniano.
• Recomendação Prática:
  • Para implementações teóricas ou off-chain, a SLERP é a solução ótima.
  • Para implementações on-chain (onde o custo de computação é crítico), a heurística $(AM+GM)/normalise$ via bissecção recursiva é a recomendação prática, pois calcula pontos exatos da geodésica ótima sem funções trigonométricas.
• Generalização: A estrutura geométrica descrita aplica-se a qualquer AMM onde a função de negociação é parametrizada por um vetor no simplex de probabilidade, sugerindo que a métrica de Fisher-Rao é a estrutura natural para analisar custos de rebalanceamento em diversos designs de AMM.

Em resumo, o paper transforma um problema de otimização financeira complexa em um problema de geometria Riemanniana bem definido, provando que a solução ótima é uma geodésica esférica e fornecendo uma ferramenta computacionalmente eficiente para sua implementação prática.