Price Adjustment When Updating Requires Execution: Evidence from Automated Market Makers

No mundo das finanças modernas, os preços raramente são estáticos; eles mudam constantemente para refletir novas informações, tal como um termômetro que sobe e desce com o clima. Nos mercados tradicionais, os preços podem ajustar-se instantaneamente, mesmo que ninguém esteja a comprar ou a vender ativamente naquele exato segundo. No entanto, num tipo específico de mercado digital conhecido como criador de mercado automatizado (automated market maker), as regras são diferentes. Aqui, o preço só muda quando uma negociação realmente acontece. Se ninguém trocar um ativo por outro, o preço permanece exatamente onde estava, independentemente de quanto o mundo exterior possa ter se movido. Isso cria um enigma único para os investigadores: quando observam o movimento médio do preço ao longo do tempo, estão a ver uma mistura de duas coisas muito diferentes. Estão a ver a frequência das negociações e o tamanho dos saltos de preço que ocorrem durante essas negociações, tudo misturado. É difícil dizer se um mercado está a tornar-se mais eficiente porque os preços estão a corrigir mais rapidamente, ou simplesmente porque o mercado está a visitar diferentes condições onde as negociações acontecem com mais frequência.

Uma investigadora chamada Wen-Ting Wang abordou este enigma estudando dois pools específicos de moeda digital nas blockchains Ethereum e Base. Estes pools atuam como criadores de mercado automatizados, onde uma taxa é cobrada em cada negociação, e o preço dos ativos dentro do pool é determinado estritamente pela proporção do que é mantido no pool. Wang concentrou-se em dois pools quase idênticos no seu design, ambos cobrando uma taxa de cinco pontos base em negociações entre o Ethereum e uma stablecoin chamada USDC. O estudo cobriu um período de 57 dias no verão de 2026, analisando mais de 2,5 milhões de blocos de dados. O objetivo era decompor a correção total do preço em três partes distintas: a frequência com que o mercado visitava um estado onde o preço estava incorreto, a frequência com que uma negociação realmente ocorria nesses estados e o quanto o preço se corrigia quando uma negociação ocorria. Como estes pools só alteram o preço quando uma negociação é executada, a matemática torna-se exata; se não ocorrer uma negociação, a correção do preço é zero. Isso permitiu à investigadora separar o "quão frequentemente" do "quanto" sem precisar de adivinhar variáveis ocultas.

O estudo começou por observar os números brutos, que contavam uma história aparentemente direta. Ao comparar duas janelas de tempo diferentes dentro do período de estudo, a correção média de preço pareceu subir ligeiramente na segunda janela. Na primeira janela, a correção média foi de cerca de 0,484 pontos base para o pool de Ethereum e 0,107 para o pool de Base. Na segunda janela, estes números subiram para 0,580 e 0,143, respetivamente. À primeira vista, isto poderia sugerir que o mercado estava a tornar-se mais responsivo ou que os preços estavam a regressar ao seu valor real de forma mais agressiva. No entanto, a investigadora suspeitava que esta média simples estava a esconder uma realidade mais complexa. Para testar isto, utilizou um método semelhante a comparar dois grupos de pessoas dando-lhes o mesmo peso, independentemente de quantas pessoas havia em cada grupo. Ela perguntou: se o mercado tivesse visitado a mesma mistura de condições de preço em ambas as janelas, a correção ainda assim teria subido?

A resposta foi uma reversão clara. Quando a investigadora ajustou os dados para contabilizar o facto de o mercado ter visitado diferentes condições nas duas janelas, a história inverteu-se. A segunda janela mostrou, na verdade, uma resposta de preço mais fraca do que a primeira. A razão pela qual a média bruta tinha subido foi que o mercado tinha alterado o seu comportamento, visitando um conjunto diferente de condições com mais frequência. Especificamente, o mercado começou a visitar discrepâncias de preço extremas muito mais frequentemente. Na segunda janela, uma grande parte dos dados provinha de uma categoria rara e de margem aberta de lacunas de preço muito grandes, que ocorreram muito mais frequentemente do que antes. Esta mudança na "composição do estado" do mercado impulsionou a média bruta para cima, embora a correção de preço real que acontecia em cada condição específica tivesse diminuído.

Para entender isto, imagine um médico a medir o tempo médio de recuperação de pacientes. Se o médico comparar duas semanas e, na segunda semana, o hospital admitir muitos mais pacientes com ferimentos muito graves que naturalmente demoram mais tempo a recuperar, o tempo médio de recuperação para a semana subirá. Isto não significa que os médicos sejam piores a tratar os pacientes; significa apenas que a mistura de pacientes mudou. Neste estudo, os "médicos" são os criadores de mercado automatizados, e os "pacientes" são as discrepâncias de preço. O mercado começou a ver mais os casos extremos, o que distorceu a média geral, mascarando o facto de que o tratamento em si — a correção de preço por negociação — tinha de facto se tornado menos eficaz nas condições em que era mais comum.

A investigadora também examinou a frequência com que as negociações aconteciam versus o quanto o preço se movia quando estas ocorriam. Descobriu que a frequência das negociações e o tamanho da correção de preço moviam-se em direções opostas. Na segunda janela, o mercado visitou condições onde as negociações eram mais propensas a acontecer, mas quando essas negociações ocorriam, a correção de preço era menor do que antes. Estas duas forças cancelaram-se quase perfeitamente. O aumento na frequência com que o mercado visitava certos estados foi compensado por uma diminuição na força com que o preço se corrigia nesses estados. Este equilíbrio delicado significou que o número principal, a média bruta de correção, mal se moveu, enquanto a mecânica subjacente do mercado mudou substancialmente.

Esta descoberta desafia a forma como a qualidade do mercado é frequentemente medida. Uma estatística simples que diz que "os preços estão a corrigir mais" pode ser enganosa se não contabilizar as condições sob as quais essas correções acontecem. O estudo mostrou que um mercado pode parecer estar a melhorar simplesmente porque está a visitar diferentes estados, mesmo que a sua capacidade real de corrigir preços esteja a enfraquecer. A investigadora confirmou isto testando uma regra simples que previa o comportamento do preço com base no tamanho da lacuna de preço. Esta regra, que parecia funcionar na primeira parte do estudo, não se manteve na segunda parte, provando ainda mais que a relação entre as lacunas de preço e as correções não é estável. Os resultados foram específicos para os dois pools estudados e para o período observado, mas o método usado para separar estes efeitos oferece uma nova forma de olhar para os mercados digitais.

O estudo também observou o que acontece quando os pontos de dados mais extremos são removidos. Quando a investigadora excluiu a categoria rara e de margem aberta de grandes lacunas de preço, o padrão de forças opostas permaneceu visível, embora fosse menos pronunciado. Isto confirmou que o efeito não era apenas um truque estatístico causado por alguns valores atípicos (outliers), mas sim uma característica real de como estes mercados operam. A mudança na mistura das condições de mercado foi o principal motor da mudança na média, não uma mudança nas regras fundamentais do mercado. A investigação conclui que, quando as atualizações de preço dependem inteiramente da execução, olhar apenas para a média é insuficiente. É necessário olhar para a composição do mercado, a frequência das negociações e o tamanho da correção separadamente para compreender o que realmente está a acontecer.

No fim, o artigo revela que o mercado digital é um sistema dinâmico onde a história contada pela média pode ser o oposto da história contada pelos detalhes. O mercado não se tornou mais eficiente; simplesmente mudou a sua forma. O trabalho da investigadora fornece uma forma clara e não matemática de ver através do ruído das estatísticas agregadas e compreender a verdadeira mecânica do ajuste de preços em sistemas automatizados. Serve como um lembrete de que, em ambientes financeiros complexos, o todo é frequentemente a soma de partes que se movem em direções diferentes, e apenas ao separar essas partes é que podemos ver a imagem real.