Есть ли какой -нибудь MEV на алгоранде? Эмпирическое исследование об аресте с ограниченным временем
16 июля 2025 г.Table of Links
Abstract and 1. Introduction
- Фон
- Связанная работа
- MEV Discovery
- MEV экстракция
- Заключение и ссылки
4 MEV Discovery
Начальный этап нашей методологии включает в себя выявление выгодных возможностей в сети FCFS Algorand. Учитывая значительное количество арбитража по алгоранду [20], мы сосредоточены на разработке алгоритма для выявления этих возможностей. Предварительное исследование Ethereum от Zhou et al. [18] продемонстрировали обнаружение циклического арбитража в реальном времени с использованием жадного метода на небольшом наборе активов с обнаружением ввода торговли посредством постепенных приращений. В этой работе мы предлагаем алгоритм в реальном времени, адаптированный к конкретным временным ограничениям Algorand, стремясь определить почти все возникающие арбитражные циклы и включить более эффективную технику оптимизации ввода.
Чтобы оценить эффективность нашего алгоритма, мы собираем данные о состоянии из алгорада и выполняем алгоритм после окончания каждого блока. Мы представляем результаты как в неограниченных, так и в условиях времени, причем последние более актуальны для конкурентной динамики сети FCFS. Этот подход позволяет нам оценить практичность и эффективность алгоритма в реальной среде блокчейна.
4.1 Алгоритм обнаружения циклического арбитража
Алгоритм ограничен тем, чтобы работать в пределах предопределенного временного окна τ, которое для сетей FCFS зависит от времени прибытия первой транзакции, изменяя соответствующее состояние пула. В таких сетях желаемая позиция в блоке может быть достигнута только путем правильного времени выпуска транзакций и распространения в сети. В платных блокчейнах, таких как Ethereum, MIN τ равен времени блокировку (игнорирование задержки распространения сети), поскольку целевое положение все еще может быть получено путем выдачи транзакции с достаточной платой в любое время до того, как блок будет добыт.
4.2 Настройка эмпирической оценки
Чтобы проверить производительность нашего алгоритма, мы построили настройку сбора данных исторического состояния. Используя возможности API узла алгорада, мы устанавливаем процесс, который непрерывно слушает наш узел, вызывая/v2/status/wat-for-block-after/round конечная точка [14]. Этот метод устанавливает внутренний канал ожидания в узле, который разблокируется после достижения желаемого раунда, тем самым уведомляя нас о новых блоках. Одновременно мы используем утилиты SDK различных DEX в сети алгорадов, чтобы получить резервные данные пулов после инвариантной цены CPMM. Эти данные, необходимые для обнаружения арбитража, хранятся для каждого раунда, поддерживая непрерывный и всеобъемлющий обзор рынка. Данные о ценах токена алго для расчета доходов извлекаются из [4].
4.3 Ограничения
В нашей методологии мы столкнулись с определенными ограничениями, которые важны для рассмотрения. Во -первых, не существует известного инструмента подвески на алгораде (например, Ganache [15] на Ethereum), который позволил бы нам построить состояние блокчейна в желаемом блоке и выполнить транзакцию. Таким образом, мы построили наш трубопровод для построения исторических состояний. Из -за ограничения этого подхода мы сосредоточились только на подмножестве активов, пулов и протоколов DEX. Например, нам пришлось исключить Dex Humbleswap, поскольку он не предоставил SDK с низкой задержкой. Следовательно, арбитражи, которые мы обнаруживаем на окончательных блоках, представляют только нижнюю границу. Кроме того, наш подход был сосредоточен на сборе данных о состоянии на окончательных блоках, а не на более полном сборе данных на уровне сети в Mempool, вероятно, приводит к недооценке общих возможностей арбитража. Мы также упростили наше финансовое моделирование, игнорируя плату за флэш-кредиты и предполагая немедленную доступность первоначальных активов, что может не отражать реальные условия торговли.
4.4 Результаты
Мы отслеживали 136 активов, обмениваемые в 255 бассейнах, на трех разных Dexs (tinymanv1, tinymanv2, pact), начиная с блока 32 608 011 (Чт, 05 октября 2023 00:49:42 GMT) до блока 33 039 007 (сб, 21 октября 2023 21:05:40 GMT). За эти 16 дней 430 996 блоков были построены на блокчейне алгоран. В 30 828 (7,1 %) из них резервы, по крайней мере, одного пула, который мы отслеживали, были обновлены, и мы запустили на нем алгоритм обнаружения арбитража.
4.4.1 Uncended Arbitrage Discovery
Прежде чем анализировать производительность нашего алгоритма, ограниченную по времени, мы позволяем ему безгранично наблюдать максимальную прибыльность арбитраж штата блок. Чтобы сравнить его производительность, мы также рассчитываем выполненную арбитражную прибыль в том же диапазоне блоков, используя эвристику, определенную в [20].
На рисунке 1 показаны графики доходов для арбитраж, обнаруженных с помощью нашего алгоритма, который мы запускали только на окончательных блочных состояниях (синие) по сравнению с арбитражом, выполненными в реальности (зеленый). Старшее доминирование реализованных арбитражных доходов демонстрирует, что MEV искатели в алгораде быстро используют возможности арбитража внутри блока, который они появляются. Следовательно, в большинстве случаев расхождения цен не переносятся в следующий блок. В то время как максимально реализованный доход Arbitrageur составляет 167,17 долл. США, мы обнаружим, что больше всего 32,2 доллара США в состоянии блока, которая полностью закрыта в последующих шести блоках. Когда мы вручную проверили наиболее прибыльные десять арбитраж для окна между положением транзакции создания возможностей и их соответствующими моментами, мы обнаружили, что первый Backrun всегда был расположен в непосредственной близости.
Эффективность поисковиков MEV в области алгоранта в исполнении арбитража, в соответствии с результатами [20], демонстрируют, что наша первоначальная попытка поиска MEV только на уровне состояния блока является наивным подходом. В будущей работе мы планируем напрямую собирать данные о транзакциях напрямую и выполнить наш алгоритм после каждой торговли в пуле, имеющей отношение к нам. Таким образом, мы можем обнаружить возможности, когда они появляются во время строительства блоков (не только после завершения блока) и найти их оптимальный доход. В настоящее время мы не можем полностью оценить, запускают ли Searchers MEV Searchers на уровне сети свои стратегии с оптимизированными входными данными.
4.4.2 Обнаружение арбитража с ограниченным временем
Успех арбитражной стратегии зависит от выполнения до обновления в резервах арбитратных пулов. Мы ввели τ для обозначения временного окна до того, как такое обновление произойдет как часть транзакции конкурирующего арбитража или невинной торговли пользователем. Конкурентная стратегия обнаружения арбитража должна работать в соответствии с τ. Следовательно, в этом разделе мы измеряем эффективность нашего алгоритма в отношении спектра значений τ.
Наши первоначальные эксперименты на 430 996 -й алгорандных блоках, в которых только 7,1 %из них имеют обновленный пул, который мы отслеживаем, показывают, что пулы, имеющие отношение к нашему алгоритму обнаружения арбитража, обновляются на срединных каждые шесть блоков (25 %: 2,0, 75 %: 17,0); Следовательно, τ близок к 19,8 с (время блока ≈ 3,3 с). На рисунке 2 показано распределение Deltas обновления состояния для обследованного диапазона дат. Интересно, что
Max State Update Delta достигает 294 блоков (~ 16 мин), хотя наш алгоритм не обнаруживает никакого прибыльного арбитража штата блок в этом окне.
Ценность времениМы измеряем прибыльность нашего алгоритма как функцию τ для наблюдения за влиянием доступного окна времени выполнения на обнаруженное значение. Хотя мы обнаружили дельта срединного обновления состояния из шести блоков (τ = 19,8), из-за конкурентного характера внутриблоков (см. Раздел 4.4.1), мы проводим эксперименты в диапазоне τ ∈ [0,2, 19,8]. Кроме того, мы рассматриваем τ = ∞, чтобы инкапсулировать максимальную прибыльность в этом блоке.
На рисунке 3 показан разность доходов, процент значений τ для максимального обнаруженного дохода, когда τ = ∞, со средней разницей (µ), указанной в легенде графика. Результаты показывают, что выручка обнаруженного арбитража значительно ухудшается, когда τ очень низкая (при 0,2 с, на 84,39 % меньше доходов от арбитража). С другой стороны, почти максимальная прибыльность достигается, когда τ близко к блочному времени (3,3 с). Хотя разница в доходах, которую мы наблюдаем, зависит от инфраструктуры, мы выполняем алгоритм для измерения времени выполнения и размера набора пул, который мы рассмотрим, наш анализ дает интуицию о положительном влиянии доступного времени выполнения на обнаруженное значение.
Первоначально-первое местоДо сих пор мы приняли максимизирующую прибыль, жадную стратегию отбора арбитража, как обсуждалось в разделе 4.1. Однако, поскольку мы заметили, что Searchers MEV на алгоранде не оставляют значительного количества прибыли для арбитража штата блок, нам необходимо оптимизировать время выполнения нашего алгоритма, чтобы быть конкурентоспособным в арбитраже на уровне сети. В этой степени мы принимаем стратегию FCFS для выбора арбитража (как представлено в разделе 4.1), которая не ждет, чтобы рассмотреть все доступные арбитражи и выбирать наиболее прибыльные, но выпускают их, как только будет рассчитан их оптимальный ввод. Хотя эта стратегия может принести менее оптимальный доход, она потенциально экономит ценное время.
На рисунке 4 показана разница доходов между FCF и стратегиями максимизации прибыли для различных значений τ. Хотя несоответствие составляет всего 5,36 %, когда алгоритмы работают в течение 0,2 с, разница между двумя стратегиями становится более значительной с увеличением значений τ. Это связано с тем, что с большим временем стратегия максимизации прибыли обнаруживает более широкий набор возможностей и рассматривает их все при выборе наиболее прибыльных арбитраж. Стратегия FCFS, с другой стороны, всегда выполнит первый арбитраж, который он находит; Следовательно, с увеличением времени вероятность обнаружения арбитража, который совпадает с уже взятым, также увеличивается. Чтобы свести к минимуму разницу доходов между двумя подходами, стратегия FCFS требует применения правила приоритетов на арбитражных циклах кандидата перед их обработкой. В наших экспериментах мы отсортировали циклы кандидатов, основанные на существующей ликвидности в задействованных пулах, хотя более сложные правила могут быть разработаны путем моделирования проблемы в области машинного обучения.
Авторы:
(1) Бурак Оз, технический университет Мюнхена;
(2) Джонас Гебеле, технический университет Мюнхена;
(3) Парсант Сингх, Технический университет Мюнхена;
(4) Филип Резабек, технический университет Мюнхена;
(5) Флориан Мэттес, Технический университет Мюнхена.
Эта статья есть
[13] https://scipy.org/
[14] https://github.com/algorand/go-algorand/algod/api/server/v2/
[15] https://github.com/trufflesuite/ganache
Оригинал