Khung chi tiết để cung cấp thanh khoản thông minh trong Uniswap V3

Việc cung cấp thanh khoản trong Uniswap V3 đưa ra vấn đề kiểm soát tối ưu ngẫu nhiên với chức năng tiện ích được xác định rõ ràng để tối đa hóa. Bài viết này giới thiệu một khuôn khổ đổi mới để cung cấp thanh khoản thông minh, sử dụng sự kết hợp giữa mô hình hóa dựa trên tác nhân và học tăng cường. Khung của chúng tôi cung cấp một giải pháp mạnh mẽ và thích ứng để tối ưu hóa các chiến lược cung cấp thanh khoản. Mô hình Uniswap V3 mô phỏng các điều kiện thị trường trong thế giới thực, trong khi mô hình dựa trên đại lý (ABM) tạo ra môi trường để mô phỏng các tương tác của đại lý với các nhóm Uniswap V3. Tác nhân học tăng cường, được đào tạo bằng cách sử dụng gradient chính sách xác định sâu (DDPG), học các chiến lược tối ưu, thể hiện tiềm năng của học máy trong việc tăng cường sự tham gia của DeFi. Cách tiếp cận này nhằm mục đích cải thiện khả năng sinh lời và hiểu biết của nhà cung cấp thanh khoản về thị trường CFMM.

Tổng quan về nội dung

• Giới thiệu
• Khung cung cấp thanh khoản thông minh
• Các thành phần của Khung cung cấp thanh khoản thông minh
• Trình mô phỏng dựa trên tác nhân
• Mô hình học tập tăng cường
• Hạn chế
• Công việc tương lai
• Phần kết luận
• Tài nguyên
• Người giới thiệu

Giới thiệu

Trong bài viết trước của tôi về tạo lập thị trường [Cơ chế và chiến lược tạo lập thị trường], chúng tôi đã khám phá các cơ chế và chiến lược tạo lập thị trường trong thị trường tài chính truyền thống. Dựa trên những hiểu biết sâu sắc đó, bài viết này giới thiệu một khuôn khổ đổi mới để cung cấp thanh khoản thông minh trong bối cảnh Uniswap V3. Như đã đề cập trong nghiên cứu trước đây, mục tiêu của chúng tôi là mở rộng hiểu biết về động lực thị trường và quản lý thanh khoản trong tài chính phi tập trung ( DeFi) , đặc biệt thông qua việc phát triển Khung cung cấp thanh khoản thông minh.

Tài chính phi tập trung (DeFi) đã có sự tăng trưởng vượt trội, giới thiệu các sản phẩm và dịch vụ tài chính sáng tạo có thể tiếp cận được với khán giả toàn cầu. Uniswap V3, đi đầu trong đổi mới này, đã cách mạng hóa việc cung cấp thanh khoản với tính năng thanh khoản tập trung. Tuy nhiên, sự tiến bộ này mang lại những thách thức phức tạp trong việc ra quyết định cho các nhà cung cấp thanh khoản. Bài viết này giới thiệu một khuôn khổ toàn diện được thiết kế để giải quyết những thách thức này, cung cấp môi trường mô phỏng để nghiên cứu và tối ưu hóa các chiến lược cung cấp thanh khoản.

Khung của chúng tôi bao gồm ba thành phần chính: mô hình Uniswap V3, mô hình dựa trên tác nhân (ABM) và tác nhân học tăng cường. Mô hình Uniswap V3 cung cấp một đại diện cho nhóm, cho phép triển khai và tương tác với các token và nhóm. ABM giới thiệu sự phức tạp bằng cách mô phỏng các tương tác của đại lý và động lực thị trường, tạo ra một môi trường phong phú để đánh giá chiến lược. Tác nhân học tăng cường, hoạt động trong môi trường này, áp dụng cách tiếp cận gradient chính sách xác định sâu sắc để tìm hiểu và điều chỉnh các chiến lược, nhằm đạt được hiệu suất tối ưu trong việc cung cấp thanh khoản.

Nghiên cứu này nhằm mục đích phát triển cơ chế cung cấp thanh khoản thông minh (ILP) bằng cách sử dụng học tăng cường (RL) để tự quản lý và tối ưu hóa thanh khoản trong môi trường Uniswap V3. Cơ chế này tìm cách tối đa hóa chức năng tiện ích, xem xét các khoản phí thu được, tổn thất tạm thời và các số liệu khác dựa trên sở thích của nhà cung cấp thanh khoản trong khi thích ứng với động lực phức tạp của thị trường CFMM.

Khung cung cấp thanh khoản thông minh

Trong khuôn khổ RL, vấn đề cung cấp thanh khoản được hình thành dưới dạng Quy trình Quyết định Markov (MDP). MDP bao gồm các trạng thái, hành động và phần thưởng.

• Tiểu bang: Các tiểu bang đại diện cho các điều kiện thị trường hiện tại, bao gồm giá tài sản, khối lượng giao dịch và các biến số liên quan khác.

  
  

• Hành động: Hành động tương ứng với các quyết định của nhà cung cấp thanh khoản, chẳng hạn như điều chỉnh phân bổ thanh khoản, tái cân bằng danh mục đầu tư, v.v.

  
  

• Phần thưởng: Phần thưởng định lượng mức độ mong muốn của kết quả dựa trên chức năng mục tiêu, sở thích và ràng buộc của nhà cung cấp thanh khoản. Phần thưởng có thể tích cực đối với các kết quả mong muốn (ví dụ: lợi nhuận cao) và tiêu cực đối với các kết quả không mong muốn (ví dụ: rủi ro cao hoặc hoạt động kém).

  
  

• Hàm mục tiêu: Hàm mục tiêu thể hiện kết quả mong muốn của nhà cung cấp thanh khoản, có thể là sự kết hợp của các yếu tố như tối đa hóa lợi nhuận, giảm thiểu rủi ro hoặc đạt được sự cân bằng cụ thể giữa hai yếu tố. Các ràng buộc có thể bao gồm các hạn chế về phân bổ thanh khoản, sử dụng vốn, mức độ chấp nhận rủi ro hoặc các hạn chế khác do nhà cung cấp thanh khoản xác định.

  
  

Đào tạo RL là một quá trình lặp đi lặp lại trong đó tổng đài viên liên tục cập nhật chính sách của mình dựa trên phản hồi. Đại lý học hỏi từ kinh nghiệm của mình và hoàn thiện việc ra quyết định theo thời gian, dần dần hội tụ các chiến lược cung cấp thanh khoản tối ưu hơn.

Khi tác nhân RL đã được đào tạo, nó có thể được kiểm tra và đánh giá bằng cách sử dụng dữ liệu lịch sử hoặc môi trường mô phỏng để đánh giá hiệu suất của nó so với chức năng mục tiêu và các ràng buộc của nhà cung cấp thanh khoản. Hiệu suất của đại lý có thể được đo lường bằng cách sử dụng các số liệu như lợi nhuận, thước đo rủi ro hoặc các chỉ số hiệu suất có liên quan khác.

Bằng cách áp dụng thuật toán RL, cơ chế cung cấp thanh khoản có thể học hỏi và thích ứng với các điều kiện thị trường thay đổi, xác định các chiến lược cung cấp thanh khoản tối ưu cũng như cân bằng các ràng buộc và ưu tiên do nhà cung cấp thanh khoản chỉ định. RL cho phép cơ chế tìm ra giải pháp tối đa hóa chức năng mục tiêu của nhà cung cấp thanh khoản, xem xét các sự cân bằng và ràng buộc khác nhau một cách tự động và linh hoạt.

Các thành phần của Khung cung cấp thanh khoản thông minh

Khung bao gồm ba thành phần chính:

Mô hình UniswapV3

Mô hình Uniswap V3 được triển khai bằng Python cung cấp mô phỏng chi tiết và chức năng của giao thức Uniswap V3, nắm bắt các cơ chế sắc thái của nó và cung cấp cho người dùng bộ công cụ toàn diện để tương tác với giao thức. Lớp UniswapV3_Model xử lý việc triển khai mã thông báo và nhóm, khởi tạo nhóm và cung cấp giao diện cho các hành động của nhóm và truy xuất trạng thái nhóm.

Tổng quan

Mô hình Uniswap đóng vai trò là nền tảng của Khung cung cấp thanh khoản thông minh, gói gọn các cơ chế cốt lõi của Uniswap V3. Nó tận dụng các hợp đồng thông minh được biên soạn từ V3-Core của Uniswap, được triển khai trong môi trường Ganache cục bộ bằng cách sử dụng bánh hạnh nhân, để tạo ra mô phỏng thực tế và mang tính tương tác.

Biên soạn và triển khai hợp đồng

Khung này tích hợp với Brownie, một khung thử nghiệm và phát triển dựa trên Python cho các hợp đồng thông minh, để biên dịch và triển khai các hợp đồng thông minh Uniswap V3. Các hợp đồng này sau đó được triển khai đến môi trường Ganache cục bộ, cung cấp hộp cát để thử nghiệm và phát triển. Thiết lập này đảm bảo rằng người dùng có thể tương tác với môi trường Uniswap mà không cần tài sản thực hoặc giao dịch mạng, thúc đẩy không gian thử nghiệm an toàn và được kiểm soát.

Trình mô phỏng dựa trên tác nhân

Trình mô phỏng dựa trên đại lý Tokenspice được sử dụng để mô phỏng môi trường Uniswap V3, các chính sách đại lý được xác định để kết hợp động lực của những người tham gia thị trường Uniswap. Các loại tác nhân khác nhau được sử dụng để mô phỏng môi trường Uniswap động

Giới thiệu

Mô hình dựa trên tác nhân Tokenspice (ABM) mô phỏng hành động và tương tác của từng tác nhân trong hệ sinh thái Uniswap V3. Bằng cách mô hình hóa các hành vi phức tạp của những người tham gia khác nhau, ABM cung cấp giao diện toàn diện cho môi trường năng động Uniswap V3, cho phép phân tích và tối ưu hóa các chiến lược cung cấp thanh khoản.

Các loại tác nhân và hành vi

ABM bao gồm nhiều loại tác nhân khác nhau, mỗi loại đại diện cho một vai trò cụ thể trong hệ sinh thái Uniswap V3. Hai đại lý chính là Đại lý nhà cung cấp thanh khoản và Đại lý hoán đổi, tương tác với các nhóm Uniswap để cung cấp thanh khoản và thực hiện hoán đổi mã thông báo tương ứng. Hành vi của các đại lý này được quy định bởi các chính sách được xác định trong tệp agents_policies.py , đảm bảo rằng hành động của họ phù hợp với chiến lược và điều kiện thị trường trong thế giới thực.

• Đại lý cung cấp thanh khoản: Đại lý này thêm và loại bỏ thanh khoản khỏi nhóm Uniswap. Nó tuân theo một bộ chính sách quy định hành động của mình dựa trên trạng thái hiện tại của thị trường và sở thích của đại lý.

  
  

• Đại lý hoán đổi: Đại lý hoán đổi thực hiện hoán đổi mã thông báo trong nhóm Uniswap, tận dụng sự chênh lệch về giá và cơ hội chênh lệch giá. Hành vi của nó được hướng dẫn bởi các chính sách đánh giá khả năng sinh lời tiềm năng của các giao dịch, xem xét phí giao dịch và độ trượt giá.

Cấu hình và thực thi mô phỏng

Tệp netlist.py là trung tâm của ABM, định cấu hình cách các tác nhân tương tác với nhau và với nhóm Uniswap. Nó xác định mối quan hệ giữa các tác nhân, chính sách và môi trường mô phỏng.

Các mô-đun SimEngine.py , SimStateBase.py và SimStrategyBase.py cung cấp các yếu tố nền tảng để chạy mô phỏng. SimEngine điều phối mô phỏng, quản lý dòng thời gian và thực hiện các hành động của tác nhân. SimStateBase duy trì trạng thái hiện tại của mô phỏng, lưu trữ dữ liệu về cổ phần của đại lý, trạng thái nhóm và các biến liên quan khác. SimStrategyBase xác định các chiến lược tổng thể hướng dẫn hành vi của tác nhân trong suốt quá trình mô phỏng.

Mô hình học tập tăng cường

Giới thiệu

Tác nhân Học tăng cường (RL) là một thành phần quan trọng của Khung cung cấp thanh khoản thông minh, được thiết kế để tương tác với hệ sinh thái Uniswap V3 thông qua Mô hình Uniswap, một mô hình dựa trên tác nhân. Phần này đi sâu vào Tác nhân RL, môi trường của nó và thuật toán DDPG (Gradient chính sách xác định sâu) được sử dụng để đào tạo.

Môi trường đại lý RL

Tác nhân RL hoạt động trong môi trường tùy chỉnh, DiscreteSimpleEnv , giao tiếp với mô hình Uniswap và mô hình dựa trên tác nhân để mô phỏng thị trường DeFi. Môi trường này tạo điều kiện thuận lợi cho sự tương tác của tác nhân với các nhóm Uniswap, cho phép nó thêm và loại bỏ tính thanh khoản cũng như quan sát hậu quả của các hành động của mình. Tác nhân RL tương tác với mô hình Uniswap và ABM để mô phỏng việc cung cấp thanh khoản trong thế giới thực trong Uniswap V3. Nó chọn các hành động dẫn đến việc thêm hoặc loại bỏ tính thanh khoản, với các chính sách và cấu hình mô phỏng được xác định trong ABM, đảm bảo các tương tác thực tế.

• Không gian trạng thái: Không gian trạng thái của môi trường bao gồm nhiều chỉ số thị trường khác nhau như giá hiện tại, tính thanh khoản và tốc độ tăng trưởng phí. Các tham số này được chuẩn hóa và cung cấp cho tác nhân ở mỗi bước thời gian.

  
  

• Không gian hành động: Không gian hành động của tác nhân bao gồm các giá trị liên tục biểu thị giới hạn giá để thêm tính thanh khoản vào nhóm Uniswap. Những hành động này được chuyển thành tương tác với các nhóm Uniswap, ảnh hưởng đến trạng thái của môi trường.

  
  

• Chức năng phần thưởng: Chức năng phần thưởng rất quan trọng để đào tạo Đặc vụ RL. Nó tính đến thu nhập từ phí, tổn thất tạm thời, giá trị danh mục đầu tư và các hình phạt tiềm ẩn, cung cấp tín hiệu phần thưởng vô hướng để hướng dẫn quá trình học tập của đại lý.

  
  

Đại lý DDPG

Tác nhân DDPG là một thuật toán phê bình tác nhân ngoài chính sách, không có mô hình, sử dụng các hàm xấp xỉ hàm sâu. Nó có thể xử lý các không gian trạng thái nhiều chiều và không gian hành động liên tục, khiến nó rất phù hợp với môi trường Uniswap V3 của chúng tôi.

• Mạng diễn viên: Mạng này chịu trách nhiệm cung cấp hành động đáng tin cậy nhất cho một trạng thái. Nó có lớp đầu ra sigmoid, xuất ra các giá trị tương đối cho price_low và price_upper , sau đó được chia tỷ lệ theo phạm vi mong muốn trong Agent env, thể hiện giới hạn giá để tăng tính thanh khoản.
• Mạng phê bình: Mạng này đánh giá hàm giá trị hành động, ước tính lợi nhuận kỳ vọng của việc thực hiện một hành động trong một trạng thái nhất định.
• Mạng mục tiêu: DDPG sử dụng mạng mục tiêu cho cả tác nhân và nhà phê bình, được cập nhật chậm để ổn định quá trình đào tạo.
• Phát lại trải nghiệm: Kỹ thuật này được sử dụng để lưu trữ vùng đệm phát lại các trải nghiệm trong quá khứ, cho phép tác nhân học hỏi từ một tập hợp mẫu đa dạng, phá vỡ các mối tương quan trong quan sát và làm trơn tru quá trình học tập.

Tương tác với Mô hình Uniswap và ABM

Đại lý RL tận dụng mô hình Uniswap và mô hình dựa trên đại lý để mô phỏng việc cung cấp thanh khoản trong thế giới thực trong Uniswap V3. Nó tương tác với các nhóm Uniswap thông qua DiscreteSimpleEnv , thực hiện các hành động dẫn đến việc thêm hoặc loại bỏ tính thanh khoản. Các chính sách của tác nhân và cấu hình mô phỏng được xác định trong thành phần ABM, đảm bảo một môi trường năng động thực tế và mạch lạc.

• Đào tạo và đánh giá đại lý: Đại lý được đào tạo qua một loạt các giai đoạn, mỗi giai đoạn đại diện cho một kịch bản thị trường khác nhau (nhóm khác nhau). Hiệu suất của đại lý được đánh giá dựa trên khả năng tối đa hóa lợi nhuận đồng thời giảm thiểu rủi ro liên quan đến việc cung cấp thanh khoản. Hiệu quả của Khung cung cấp thanh khoản thông minh được đánh giá thông qua việc đánh giá hiệu suất của tác nhân học tăng cường (RL).

  
  

• Thiết lập môi trường: Để đánh giá tác nhân RL, chúng tôi thiết lập một môi trường đánh giá chuyên biệt, DiscreteSimpleEnvEval , mở rộng môi trường cơ sở, DiscreteSimpleEnv . Môi trường này được thiết kế để đánh giá các chính sách đại lý.

  
  

• Tác nhân cơ sở: Trong quá trình thiết lập đánh giá, chúng tôi so sánh hiệu suất của tác nhân RL với hiệu suất của tác nhân cơ sở. Hành động của đại lý cơ sở được xác định bởi chính sách cơ bản dựa trên trạng thái hiện tại của nhóm thanh khoản. Tác nhân này nhằm mục đích cung cấp một điểm tham chiếu để đánh giá hiệu suất của tác nhân RL.

Kết quả

Đào tạo

Sự đánh giá

Hạn chế

• Đồng bộ hóa nhóm: Hiện tại, khung này không nắm bắt đầy đủ quá trình đồng bộ hóa thời gian thực của các nhóm, điều này có thể dẫn đến sự khác biệt trong mô hình động lực Uniswap V3 thực. Công việc trong tương lai nên tập trung vào việc kết hợp các cơ chế để đồng bộ hóa nhóm tốt hơn, có khả năng sử dụng dữ liệu hoặc sự kiện đánh dấu/vị trí để nâng cao tính hiện thực.

  
  

• Chính sách đại lý ngây thơ: Các chính sách đại lý được sử dụng trong khuôn khổ hiện tại tương đối đơn giản và ngây thơ. Để đạt được mô phỏng chính xác hơn, các lần lặp lại trong tương lai nên nhằm mục đích xác định các chính sách tác nhân toàn diện hơn. Các chính sách này có thể mô hình hóa nhiều loại đại lý Uniswap khác nhau, chẳng hạn như nhà giao dịch ồn ào, nhà giao dịch được thông báo, nhà cung cấp thanh khoản bán lẻ và nhà cung cấp thanh khoản tổ chức. Ngoài ra, các mô hình thống kê được đào tạo về dữ liệu nhóm lịch sử có thể cung cấp thông tin cho các chính sách của tổng đài viên để có hành vi thực tế hơn.

  
  

• Không gian quan sát thưa thớt: Không gian quan sát được cung cấp cho các đặc vụ thiếu thông tin toàn diện về trạng thái của hồ bơi. Để cải thiện khả năng ra quyết định, các cải tiến trong tương lai nên bao gồm dữ liệu đánh dấu và vị trí, cùng với các tính năng được thiết kế để cung cấp cho tổng đài viên sự hiểu biết toàn diện hơn về trạng thái của nhóm.

  
  

• Không gian hành động hạn chế: Không gian hành động dành cho đại lý hiện bị hạn chế, với số lượng thanh khoản cố định và giới hạn phạm vi giá hạn chế. Việc mở rộng không gian hành động để mang lại sự linh hoạt hơn trong việc cung cấp thanh khoản, cũng như xem xét nhiều vị thế trong mỗi bước, có thể nâng cao độ trung thực của mô phỏng.

  
  

Công việc tương lai

Môi trường đại lý:

1. Nhóm được đồng bộ hóa: Triển khai các cơ chế để đồng bộ hóa nhóm, có thể sử dụng dữ liệu hoặc sự kiện đánh dấu/vị trí để tạo ra động lực thực tế hơn trong môi trường Uniswap V3.

   
   

2. Điều chỉnh siêu tham số: Kiến trúc mạng tác nhân/phê bình, alpha, beta, tau, kích thước lô, các bước, tập, tham số chia tỷ lệ (phần thưởng, hành động, không gian quan sát)

   
   

3. Chính sách đại lý toàn diện: Xác định các chính sách phân tích phức tạp hơn để lập mô hình chính xác các tác nhân Uniswap khác nhau hoặc sử dụng các mô hình thống kê được đào tạo về dữ liệu nhóm lịch sử để thông báo hành vi của đại lý.

   
   

4. Không gian quan sát thông tin: Nâng cao không gian quan sát bằng cách bao gồm dữ liệu đánh dấu và vị trí cũng như các tính năng kỹ thuật cung cấp cho các đại lý cái nhìn toàn diện về trạng thái của nhóm.

   
   

5. Chức năng khen thưởng được cải tiến: Phát triển chức năng khen thưởng được cải tiến có tính đến nhiều yếu tố hơn, dẫn đến việc đào tạo đại lý hiệu quả hơn.

   
   

6. Nhiều vị trí: Thay vì một vị trí với ngân sách cố định ở mỗi bước thời gian, hãy triển khai cơ chế toàn diện hơn trong đó tổng đài viên được phân bổ ngân sách một lần khi bắt đầu mô phỏng và sau đó học cách sử dụng ngân sách này một cách tối ưu trong các bước tiếp theo.

   
   

7. Chính sách cơ sở: Xác định các chính sách cơ bản toàn diện hơn để đánh giá hiệu suất của tác nhân RL

Thuật toán tác nhân

• Điều chỉnh siêu tham số: Tinh chỉnh và tối ưu hóa hơn nữa các siêu tham số của tác nhân học tăng cường để có hiệu suất đào tạo tốt hơn.

  
  

• Thử nghiệm với các tác nhân RL khác: Khám phá các mô hình tác nhân RL thay thế, chẳng hạn như Tối ưu hóa chính sách gần nhất (PPO) hoặc Phê bình tác nhân mềm (SAC), để xác định xem chúng có mang lại lợi thế trong các tình huống cụ thể hay không.

  
  

• RL đa tác nhân (MARL): Điều tra việc áp dụng các kỹ thuật học tăng cường đa tác nhân, có thể có lợi cho việc lập mô hình tương tác giữa nhiều nhà cung cấp thanh khoản và người hoán đổi.

  
  

• Học trực tuyến: Thực hiện các chiến lược học tập trực tuyến cho phép các đại lý thích ứng với các điều kiện thị trường thay đổi trong thời gian thực, cung cấp giải pháp cung cấp thanh khoản năng động và thích ứng hơn.

Phần kết luận

Trong bối cảnh tài chính phi tập trung (DeFi) đang phát triển nhanh chóng, việc cung cấp thanh khoản đóng một vai trò then chốt trong việc hỗ trợ giao dịch hiệu quả và an toàn. Uniswap V3, với tính năng thanh khoản tập trung cải tiến, đã vượt qua ranh giới của những gì có thể làm được trong quản lý thanh khoản DeFi. Tuy nhiên, sự phức tạp của việc tối ưu hóa các chiến lược cung cấp thanh khoản trong hệ sinh thái năng động này đòi hỏi phải có các giải pháp sáng tạo.

Khung cung cấp thanh khoản thông minh của chúng tôi thể hiện một bước tiến đáng kể trong việc giải quyết những thách thức này. Bằng cách kết hợp mô hình hóa dựa trên tác nhân và học tăng cường, chúng tôi đã tạo ra một bộ công cụ mạnh mẽ cho các nhà cung cấp thanh khoản và người tham gia thị trường. Khung này cung cấp một giải pháp mạnh mẽ và thích ứng để tối ưu hóa các chiến lược cung cấp thanh khoản, tập trung vào việc tối đa hóa các chức năng tiện ích bao gồm phí thu được, giảm thiểu tổn thất tạm thời và các số liệu khác phù hợp với sở thích cá nhân.

Tài nguyên

Người giới thiệu

1. https://kth.diva-portal.org/smash/get/diva2:1695877/FULLTEXT01.pdf
2. https://arxiv.org/pdf/2305.15821.pdf
3. https://github.com/KodAgge/Reinforcement-Learning-for-Market-Making/tree/main
4. https://arxiv.org/ftp/arxiv/papers/2211/2211.01346.pdf
5. https://arxiv.org/pdf/2004.06985.pdf
6. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9682687
7. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0277042
8. https://deliverypdf.ssrn.com/delivery.php?ID=1041190981020260141200720840141070070420680690030490201260880250871211151030070840280420130550350090000 54122074096068089064070102052026003014069082076098016080066026088066039027093020006122067093104092065070020126069068106118079 127088008098077106031120&EXT=pdf&INDEX=TRUE
9. https://medium.com/blockapex/market-making-mechanics-and-strategies-4daf2122121c
10. https://www.gauntlet.xyz/resources/uniswap-user-cohort-analysis
11. https://gov.uniswap.org/t/uniswap-incentive-design-analysis/21662
12. https://arxiv.org/pdf/2108.07806.pdf
13. https://www.researchgate.net/publication/341848292_Market_makers_activity_behavioural_and_agent_based_approach
14. https://fruct.org/publications/volume-29/fruct29/files/Struc.pdf
15. https://www.arxiv-vanity.com/papers/1911.03380/
16. https://insights.glassnode.com/the-week-onchain-week-31-2023/