RAmmStein：基于斯坦因阈值的均值回复市场中的 regimes 适应——集中AMM中的最优冲动控制
摘要
去中心化交易所中集中流动性提供构成一个根本性的冲动控制问题。流动性提供者（LPs）面临一种在通过紧密价格区间集中获取最大手续品收入与最小化 rebalancing 费用（包括 gas 费和 swap slippage）之间进行权衡的非平凡选择。现有方法通常采用启发式或阈值策略，无法考虑市场动态。本文将流动性管理建模为最优控制问题并推导相应的Hamilton-Jacobi-Bellman准变量不等式（HJB-QVI）。我们提出一种近似解法RAmmStein，这是一种深度强化学习方法，将Ornstein-Uhlenbeck过程的均值回复速度（theta）等特征作为模型输入。我们展示了智能体如何将状态空间分为行动与不活跃区域。我们进一步扩展框架引入RAmmStein-Width，通过6动作DDQN联合优化rebalancing时机和位置宽度。我们使用高频1Hz Coinbase交易数据（超过680万笔交易）在真实环境中进行评估（10M TVL，1%默认宽度）。实验结果表明，RAmmStein实现了1.60%的净ROI，为所有真实（非全知）策略中最高，优势策略损失最高达-8.4%。值得注意的是，智能体将rebalancing频率降低了85%。RAmmStein-Width发现极端简约，仅执行9次rebalance并花费$40的gas费用，同时在 elevated gas 费用下 degrades 得比所有主动策略更慢。我们的结果表明，基于regime的“懒惰”显著改善资本效率，通过保留原本会被运营成本侵蚀的收益。
引用
@article{arxiv.2602.19419,
title = {RAmmStein: Regime Adaptation in Mean-reverting Markets with Stein Thresholds -- Optimal Impulse Control in Concentrated AMMs},
author = {Pranay Anchuri},
journal= {arXiv preprint arXiv:2602.19419},
year = {2026}
}
备注
13 pages, 2 figures, 5 tables, 1 algorithm; an earlier version submitted to Designing DeFi workshop (https://www.designingdefi.xyz/)