Riemannian Geometry of Optimal Rebalancing in Dynamic Weight Automated Market Makers

该论文证明动态权重自动做市商（TFMM）中的最优再平衡路径对应于权重单纯形上由 Fisher-Rao 度量定义的测地线，即 Hellinger 坐标下的球面线性插值（SLERP），并指出先前的 (AM+GM)/归一化启发式方法恰好位于该测地线上，从而可通过递归二分法实现无三角函数的最优插值。

要点

这篇论文探讨了一个非常有趣的问题：在去中心化金融（DeFi）的自动做市商（AMM）中，当资产权重需要调整时，如何“走路”才能最省钱？

想象一下，你经营一家特殊的“货币兑换店”（这就是 AMM 池）。你的店里持有几种不同的代币（比如 Token A、B、C），并且你有一个策略决定每种代币应该占多少比例（权重）。

有时候，你的策略变了，比如你想把 Token A 的比例从 10% 调到 50%。如果你直接一步到位，就像突然把路牌换了，外面的“套利者”（聪明的交易者）会立刻发现价格不对，冲进来低买高卖，把你的利润（也就是池子的价值）吃掉一大块。

这篇论文的核心发现是：不要一步到位，要分很多小步慢慢走。 而且，怎么走这“小步”，是有数学最优解的。

下面我用几个生活中的比喻来解释这篇论文的核心内容：

1. 核心问题：为什么“急转弯”很贵？

想象你在开车。

• 直接调权重：就像你在高速公路上突然猛打方向盘，车子会剧烈晃动，轮胎磨损严重（这就是套利损失）。
• 分步调权重：就像你提前打转向灯，慢慢变道，车子平稳，轮胎磨损小。

论文指出，如果你把一次大的权重调整分成 $f$ 个小步骤，总成本会大幅下降。但关键在于：这 $f$ 个小步骤该怎么走？是走直线，还是走曲线？

2. 地图与指南针：黎曼几何与“球面”

这篇论文最精彩的部分是它发现了一个隐藏的“地图”。

• 传统的看法：我们通常认为权重的变化是在一个平面上走的（比如从点 A 直线走到点 B）。
• 论文的新发现：其实，权重的世界更像是一个球面（或者说是球面的一部分）。
  • 想象一下，所有的权重组合（比如 50% A, 50% B）其实都画在一个球面上。
  • 在这个球面上，两点之间最短的路径不是直线，而是大圆航线（就像飞机从北京飞纽约，走的是弧线，而不是穿过地球内部的直线）。

论文证明了，在这个“球面地图”上，损失最小的走法就是沿着大圆航线匀速行走。在数学上，这叫做 SLERP（球面线性插值）。

3. 那个神奇的“作弊码”：(AM+GM)/2

之前的研究（2024 年的论文）发现了一个很棒的“经验公式”：

新权重 = (算术平均 + 几何平均) / 2

这个公式非常有效，能解决 95% 的问题，但没人知道为什么它有效。

这篇论文给出了完美的解释：

• SLERP（最优路径）：在球面上走大圆。
• 那个经验公式：如果你把球面上的起点和终点连起来，取中点，然后投影回平面，竟然正好等于那个经验公式！

比喻：
想象你在地球仪上从北京走到纽约。

• SLERP 是沿着地球表面画的最短弧线。
• 经验公式 就像是你把地球仪压扁了，取中点，再弹回去。
• 论文发现，在“中点”这个位置，压扁再弹回去的结果，和沿着地球表面走的最短路径，竟然完全重合！ 这解释了为什么那个简单的公式这么好用。

4. 怎么算出来？不用三角函数！

通常，计算球面上的弧线（SLERP）需要用到复杂的三角函数（sin, cos, arccos），这在计算机（尤其是区块链智能合约）里很贵，很费钱。

这篇论文提出了一个**“切蛋糕”**的递归算法：

• 如果你需要走 2 步，直接取中点（用那个简单的公式）。
• 如果你需要走 4 步，先取中点，再在起点到中点、中点到终点之间各取一个中点。
• 如果你需要走 8 步、16 步……以此类推。

比喻：
就像切披萨。你不需要知道披萨的弧度是多少，你只需要不断地把现有的两块披萨对半切开，取中间那块。

• 优点：只需要做加减乘除和开根号，完全不需要复杂的三角函数。
• 结果：切出来的每一刀，都精准地落在最优的“大圆航线”上。

5. 结论：这对普通人意味着什么？

1. 省钱：对于像 QuantAMM 这样的动态权重池，使用这种“球面走法”（或者那个简单的递归切分法），可以比传统的直线调整法节省大量的套利损失。
2. 简单：虽然背后的数学是高大上的“黎曼几何”和“信息几何”，但实际落地时，只需要一个简单的“不断取中点”的算法就能实现最优效果。
3. 理论突破：它解释了为什么之前那个看似凑数的公式（算术平均 + 几何平均）如此有效——因为它恰好是球面几何在平面上的完美投影。

一句话总结：
这篇论文告诉我们，在调整资产权重时，不要走直线，要走“球面大圆”。而且，通过一种简单的“不断对半切”的方法，我们就能用最少的钱，最平稳地完成这次调整，既省去了复杂的数学计算，又避免了被套利者“割韭菜”。

技术摘要

这是一篇关于**动态权重自动做市商（Dynamic Weight AMM）中最优再平衡（Optimal Rebalancing）**策略的学术论文。作者 Matthew Willetts 利用信息几何（Information Geometry）和黎曼几何（Riemannian Geometry）的理论，揭示了 AMM 池在调整资产权重时的套利成本本质，并提出了基于测地线（Geodesic）的最优插值方法。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

在**时间函数做市（Temporal Function Market Making, TFMM）**模型中，AMM 池的资产权重（Weights）会随时间动态调整（例如从 $w_{start}$ 变为 $w_{end}$）。

• 核心问题：当权重直接从一个状态跳变到另一个状态时，由于市场价格在短期内假设不变，会立即产生套利机会，导致做市商（LP）遭受无常损失（Arbitrage Loss / Impermanent Loss）。
• 现有方案：为了减少损失，通常将权重调整分散在多个中间步骤（$f$ 步）中进行。之前的研究（如 Willetts & Harrington, 2024）提出了一种启发式方法：(AM+GM)/normalise（算术平均与几何平均的归一化），该方法在数值上表现优异，但缺乏几何解释，且其最优性仅限于小步长极限。
• 目标：寻找在任意步长和任意代币数量下，能够最小化总套利成本的权重插值路径，并解释现有启发式方法为何有效。

2. 方法论 (Methodology)

作者将 AMM 的权重空间建模为概率单纯形（Probability Simplex），并引入信息几何工具进行分析：

1. 套利损失即 KL 散度：

   • 证明了单次权重更新的套利损失（保留率的负对数）等于新旧权重向量之间的Kullback-Leibler (KL) 散度：
     $$-\log r = D_{KL}(w_{end} \parallel w_{start})$$
   • 这意味着权重空间上的自然度量是Fisher-Rao 度量。

2. Hellinger 嵌入与球面几何：

   • 通过坐标变换 $\eta_i = \sqrt{w_i}$（Hellinger 嵌入），将权重单纯形 $\Delta^{N-1}$ 等距映射到单位球 $S^{N-1}$ 的正象限上。
   • 在此映射下，Fisher-Rao 度量简化为欧几里得球面的标准度量（圆度量）。
   • 结论：最小化二次近似损失（KL 散度的二阶展开）的插值路径，对应于球面上两点之间的大圆（Great Circle），即球面线性插值（SLERP, Spherical Linear Interpolation）。

3. 递归二分算法：

   • 利用 SLERP 的几何性质，发现 SLERP 的中点恰好等于 (AM+GM)/normalise 公式的结果。
   • 基于此，提出了一种无需三角函数的递归二分算法，可以在 $2^d$ 步数下精确计算 SLERP 路径上的所有点。

3. 主要贡献 (Key Contributions)

• 理论发现 (Theorem 1 & Corollary 2)：

  • 确立了 AMM 再平衡成本与 KL 散度的等价性，证明了 Fisher-Rao 度量是权重单纯形的自然黎曼结构。
  • 证明了在二阶近似下，SLERP 是使总套利成本最小化的最优路径（即 Fisher-Rao 测地线）。

• 启发式方法的几何解释 (Theorem 2)：

  • 严格证明了先前的 (AM+GM)/normalise 启发式方法计算出的中点，与 SLERP 测地线的中点完全一致。
  • 解释了该启发式方法有效的原因：它本质上是 Hellinger 坐标下球面大圆的中点，通过二项式恒等式 $(\sqrt{a}+\sqrt{b})^2 = (a+b) + 2\sqrt{ab}$ 自然导出了算术平均（AM）和几何平均（GM）的组合。

• 高效算法 (Corollary 3)：

  • 提出了三角函数-free 的递归二分算法。对于 $f=2^d$ 步的情况，只需通过重复应用 (AM+GM)/normalise 公式即可生成精确的 SLERP 轨迹，无需计算 $\arccos$ 或 $\sin$，极大降低了链上实现的计算成本。

• 次优性界限 (Theorem 3)：

  • 证明了 SLERP 在精确 KL 成本下的次优性（Sub-optimality）是有界的。相对误差为 $O(\Omega^2/f^2)$，其中 $\Omega$ 是总权重变化的角度，$f$ 是步数。这意味着随着步数增加，SLERP 迅速收敛到全局最优解。

4. 实验结果 (Results)

论文通过数值实验（$N=3$ 代币设置）验证了理论：

• 损失均匀性：SLERP 路径上的每一步套利损失几乎完全均匀（标准差/均值 $\approx 0.0002$），远优于线性插值（0.32）和 (AM+GM)/normalise（0.086）。
• 接近最优：在 $f=1000$ 步时，SLERP 与通过 L-BFGS-B 算法找到的全局数值最优解几乎无法区分（相对差异 $\sim 10^{-7}$）。
• 边界行为：在权重接近 0（边界）时，Fisher-Rao 度量发散，SLERP 的优势依然显著。在 $w_{min}=0.01$ 时，线性插值的损失比 SLERP 高出约 20%，而 (AM+GM)/normalise 高出约 3.5%。
• 单步中点：在单步（$f=2$）且权重变化巨大的边界情况下，基于 Lambert W 函数的精确解略优于 SLERP（约 10%），但在多步（$f \ge 10$）情况下，两者差异可忽略不计。

5. 意义与影响 (Significance)

• 理论统一：将 AMM 的再平衡问题从单纯的数值优化提升到了信息几何的高度，揭示了不同插值方法（线性、几何、AM+GM）本质上是概率单纯形上不同连接（$\alpha$-family）的测地线。
• 实践指导：
  • 证明了 (AM+GM)/normalise 启发式方法在链上实现中的最优性（特别是在中点处），为现有协议提供了坚实的理论支撑。
  • 提出的递归二分算法使得在智能合约中实现精确的 SLERP 路径成为可能，且无需昂贵的三角函数运算。
• 通用性：该框架不仅适用于 G3M/TFMM，也适用于任何参数化在概率单纯形上的 AMM 机制（如集中流动性的虚拟余额插值），为设计更高效的再平衡策略提供了通用范式。

总结

这篇论文通过引入黎曼几何，证明了**SLERP（球面线性插值）**是动态权重 AMM 再平衡的最优路径。它不仅解释了为何现有的 (AM+GM)/normalise 启发式方法如此有效，还提供了一种无需三角函数的递归算法来精确实现该路径，显著降低了链上计算成本并最小化了套利损失。