费用的复利被忽略了！探索Uniswap费用表现的低分辨率动态

在之前的文章《为什么对流动性池使用动态费用？为了盈利！》中，我们为ETH/USDC动态收费政策的构建提供了一个经验框架。本文基于该经验框架，研究了三个ETH/USC流动性池的低分辨率（每10000个区块一个snapshot）Uniswap数据。虽然我们最终会发现，我们需要寻找更高分辨率的数据，以构建一个优于静态收费层的动态收费政策，本文所介绍的内容只是对我们所使用的数据来源以及我们的整体分析方法的一个简单介绍。

如前所述，我们面前有一个主要问题：我们如何估计哪一个Uniswap收费层将在下一段时间内表现更好？我们首先要确定如何量化每个池与其他池的相对表现。值得庆幸的是，每个Uniswap V3池合约包含两个状态变量：feeGrowthGlobal0X128和feeGrowthGlobal1X128，它们表示“在整个合约历史中，每单位虚拟流动性所赚取的费用总额[即]在合约首次启动时存入的1单位无限制流动性所赚取的费用总额。”通过比较三个流动性池之间这些变量的变化率，我们可以确定在任何给定的时间间隔内，哪个池的费用收益高于其他池。

为了开始探索费用动态，我们首先检索了三个Uniswap ETH/USDC流动性池的feeGrowthGlobal0X128和feeGrowthGlobal1X128的值，间隔时间为10,000区块(大约1.5天)。重要的是，Uniswap V3的费用分别以两个代币收取(基于swap的方向)，因此有必要合并feeGrowthGlobal0X128和feeGrowthGlobal1X128，同时考虑ETH价格随时间的变化(以美元计算)。我们取这两个变量的第一个差值，使用同一区块的ETH-USDC价格（sqrtPriceX96）将差值转换为相应的美元值，将其相加，然后重新计算一段时间内的累积金额，以确定每1单位环境流动性随时间推移累积的费用增长。请注意，该累积费用增长统计假设你在每10,000区块间隔开始时有1单位的环境流动性，也就是说，费用的复利被忽略了。

直观看，增长率似乎相对相似。然而，在第一周或第二周的数据中，0.05%的资金池的表现远远落后于其他两个池，而这种落后表现会永久地反映在长期趋势中。然而，表现不佳的原因可能与Uniswap V3的发布有关。因此，我们可以通过剔除前几个时间段并重新计算累计费用增长来获得更准确的比较。

有趣的是，一旦这样做了，我们就会清楚的知道，0.05%的资金池在系统上表现不如0.3%和1%的池。在0.3%和1%的资金池中，累计费用相对均衡。如果我们限制在一个不同的起点上，则会出现类似的模式：

总的来说，我们似乎可以合理地宣称，0.05%的流动性池获得了过剩的流动性供应。这种观察激发了我们下一步的探索：假设在每个10,000区块周期的开始，我们可以完全预知三个Uniswap流动性池中哪一个在该周期内的累计费用最高，并拥有将流动性无成本移动到该池的能力。在这种情况下，我们的累积费用会是什么样子？

不出所料，最终获得的终端价值比1%的费用池高出12.9%，比0.05%的费用池高出31.8%。对于一个具有完美预见能力的模型来说，两位数的改进可能看起来并不令人印象深刻。然而需要注意的是，这种模式只是以极低的频率(约1.5天)在不同的收费层级之间进行切换！波动性增强时期通常只持续几分钟或几小时，而不是几周，因此，一个以更高频率在不同收费级别之间切换的不完美模型的表现可能与这种“最优”但频率较低的模型相当。

值得一提的是，从原则上讲，该模型并不能在外部的非uniswap DEX上实现的性能最高的动态收费策略。例如，如果动态费用模型将费用设置为“最优预测器”模型推荐的级别减去一个基点，可能会从系统性降低大量Uniswap流动性中获得巨大收益。另外，如果操作正确，将费率设置为三个收费层级中的中间值也可能导致该模型表现出色。然而，在存在额外流动性池的情况下，很难对假设的流动性流进行建模，因此我们将把这些复杂性的考虑留到以后。

“最佳预测器”模型在0.05%、0.3%和1%收费等级之间切换的频率有多高？我们发现，它大约有40%的时间在0.3%和1%的池中，20%的时间在0.05%的池中：

虽然这个图有点乱，但很明显，在超过10,000个区块的间隔中，最优收费级别的选择偶尔会“持续存在”。这促使我们构建了一个没有预知的简单模型，在这个模型中，我们观察了在最近10,000个区块中表现最好的收费层级，并为下一个间隔选择该层级。该“回溯”模型的表现如下图所示。

不幸的是，这种“单期回溯”模型的表现低于0.3%和1%的收费层级，尽管它仍然大大优于0.05%。提供更仔细地检查数据，我们发现该模型“驻留”在特定收费层级中的平均时间长度等于1.58个10,000区块间隔，直观地说，这对于一个简单的回溯模型来说是不够长的。这明确地暗示了通过观察更高分辨率的数据，我们可以获得巨大的收益。因为最优收费层级的选择不是一个不可预测的随机过程，所以观察一个足够小的时间间隔应该可以让我们检测到多个时间间隔内资金池表现的持久性。

关于这个低频率数据集的最后一个观察结果是，如果我们检查每10000个区块间隔的应计费用分布，很明显，0.3%和1%的池比0.05%的池有更广泛的结果分布：

换句话说，在为流动性提供者产生稳定的swap费用流方面，最低的费率层0.05%是三个池中最稳定的。从直觉上讲这很合理，因为swap在默认情况下应该使用最廉价的流动性。在市场波动加剧、廉价流动性供应不足的情况下，更昂贵的收费层级将获得不成比例的swap交易量，因此其结果的分布差异更大。

总的来说，虽然我们不能简单地构建一个优于Uniswap的静态收费层的低频动态收费策略，但我们获得了一些令人信服的证据，表明10,000个区块对于研究费用动态来说分辨率太低。此外，我们还介绍了理论上代表了对费用表现完美预测的“最优”预测器以及“回溯”预测器的概念。