Improving DeFi Accessibility through Efficient Liquidity Provisioning with Deep Reinforcement Learning

要約

このペーパーでは、深層強化学習 (DRL) を適用して、集中流動性を備えた自動マーケット メーカー (AMM) モデルを実装する分散型金融 (DeFi) プロトコルである Uniswap v3 の流動性プロビジョニングを最適化します。
流動性供給タスクをマルコフ意思決定プロセス (MDP) としてモデル化し、近接ポリシー最適化 (PPO) アルゴリズムを使用してアクティブな流動性プロバイダー (LP) エージェントをトレーニングします。
エージェントは、価格変動に関する情報を使用して流動性ポジションを動的に調整し、手数料の最大化と一時的な損失の軽減のバランスをとります。
当社では、トレーニングとテストにローリング ウィンドウ アプローチを使用し、現実的な市場状況とレジームシフトを反映しています。
この研究では、DRL ベースの戦略のデータ主導型パフォーマンスを、流動性ポジションを体系的に変更しない小規模小売 LP 主体が採用する一般的なヒューリスティックと比較しています。
この取り組みは、より効率的な流動性管理を促進することにより、DeFi市場をよりアクセスしやすく、より幅広い参加者にとって包括的なものにすることを目的としています。
この取り組みは、流動性管理に対するデータ主導のアプローチを通じて、より効率的でユーザーフレンドリーな DeFi 市場の継続的な発展に貢献することを目指しています。

要約(オリジナル)

This paper applies deep reinforcement learning (DRL) to optimize liquidity provisioning in Uniswap v3, a decentralized finance (DeFi) protocol implementing an automated market maker (AMM) model with concentrated liquidity. We model the liquidity provision task as a Markov Decision Process (MDP) and train an active liquidity provider (LP) agent using the Proximal Policy Optimization (PPO) algorithm. The agent dynamically adjusts liquidity positions by using information about price dynamics to balance fee maximization and impermanent loss mitigation. We use a rolling window approach for training and testing, reflecting realistic market conditions and regime shifts. This study compares the data-driven performance of the DRL-based strategy against common heuristics adopted by small retail LP actors that do not systematically modify their liquidity positions. By promoting more efficient liquidity management, this work aims to make DeFi markets more accessible and inclusive for a broader range of participants. Through a data-driven approach to liquidity management, this work seeks to contribute to the ongoing development of more efficient and user-friendly DeFi markets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google