最优自动做市商：可微经济学和强对偶性
内容提要
本文综述市场做市建模与优化研究，涵盖最优策略存在性、多资产闭式近似、贝叶斯与无模型算法、UBET AMM、深度学习增强AMM、限价订单簿模拟与强化学习代理、去中心化体育博彩定价、随机控制及CNN注意力机制。实验表明，强化学习框架IMM在多项金融指标上优于现有策略。
延伸解读
从理论到实践：市场做市模型的演进
文章梳理了市场做市建模的多个方向，从最优策略存在性证明到多资产闭式近似，再到贝叶斯与无模型算法，体现了该领域从理论向数据驱动方法的过渡。UBET AMM和深度学习增强AMM等具体方案，展示了如何将外部市场价格与流动性池损失结合，以降低套利和滑点。这些工作共同指向一个趋势：做市策略正变得更加自适应和智能化。
强化学习在真实市场中的表现
文章提到，基于模拟市场制造者的强化学习框架IMM在四个真实市场数据集上，于多个金融指标上优于现有强化学习策略。这得益于其结合了时序差分学习、自定义奖励函数和库存风险控制。不过，实验基于特定数据集，实际部署时仍需考虑市场结构变化和交易成本等因素。
去中心化做市的创新应用
UBET AMM被应用于去中心化体育博彩，通过智能合约和算法公平定价体育赔率，构建了链上博彩框架。这一尝试将自动做市商从传统金融拓展到博彩领域，强调流动性、去中心化定价和全球可访问性。但文章未涉及该框架的监管合规性和实际用户采纳情况，读者需注意其潜在风险。
Q&A
最优自动做市商的研究中，有哪些核心建模方法？
研究提出了一个通用建模框架，综合了文献中的各种建模方法，证明了最优市场制造策略的存在和特征，并针对多资产市场制造将模型框架扩展至通用的闭式近似方法。
UBET AMM（UAMM）是如何定价的？
UBET AMM通过考虑外部市场价格和流动性池的短期损失来计算价格，同时保持常数乘积曲线的期望特性，消除有效的套利机会。
深度学习如何增强自动做市商？
提出了一种基于深度学习的增强型自动化市场制造商，用于提高实际AMM的流动性提供，并降低流失和滑点损失。
在限价订单簿模拟中，强化学习代理是如何设计的？
本文提出了一种高保真度的极限订单簿交易市场模拟，并使用其设计了一个使用时序差分强化学习方法的市场制造代理，使用线性组合的“瓷砖编码”作为价值函数逼近器，并设计了一个自定义的奖励函数，控制库存风险。
去中心化体育博彩中如何利用自动做市商？
该论文介绍了在去中心化的体育博彩中通过自动化做市商UBET AMM (UAMM)利用智能合约和算法公平定价体育赔率的方法，建立了一个链上博彩框架，该框架确保流动性、去中心化定价和全球可访问性，从而促进了无信任和高效博彩。
基于强化学习的市场做市策略IMM在实验中表现如何？
根据实验结果，在四个真实市场数据集上进行的综合实验表明，基于模拟市场制造者的强化学习框架（IMM）在多个金融指标方面优于当前基于强化学习的市场制造策略，其模型组成的有效性得到了验证。
