Obok propozycji UNIfication, badacze Uniswap właśnie opublikowali nowy dokument: „Aukcja zniżkowa opłat protokołu (PFDA)”. To nowatorski mechanizm, który zwiększa wpływy protokołu i czyni LP bardziej zyskownymi. Rozpakujmy to 🧵
💡 Główna idea: Zamiast płacić opłaty protokołu, arbitrażyści mogą licytować w aukcji o prawo do handlu bez opłat przez określony czas. Najwyższy oferent wygrywa i płaci swoją ofertę protokołowi (gdzie może być użyta do zakupu i spalenia UNI).
To tworzy sytuację korzystną dla obu stron: • Zwycięzca aukcji może zyskać na mniejszych różnicach cenowych, które pomijają inni arbtrzyści. • LP tracą mniej na arbitrażu (ponieważ małe nieefektywności są korygowane). • Protokół zbiera więcej opłat. • Walidatorzy/poszukiwacze MEV zarabiają mniej.
W zasadzie, PFDA przekierowuje MEV od poszukiwaczy/walidatorów → protokołu i LPs. Poprawia również efektywność cenową, ponieważ zwycięzca aukcji handluje częściej, aby utrzymać ceny w zgodzie.
🧠 Modelujemy to za pomocą ramy loss-vs-rebalancing (LVR). Przy realistycznych parametrach, PFDA prowadzi do: • wzrostu wpływów protokołu o 0–3% • spadku strat LP z powodu arbitrażu o 0–6,5% • spadku zysków walidatorów o 0–19%
Empirycznie, gdy testowano na popularnych pulach Uniswap v3: • Rentowność LP poprawia się o nawet +49% w już rentownych pulach • Straty zmniejszają się o 11–319% w nierentownych pulach
• Zysk LP na $ handlowane ↑ o 0,06–0,26 bps (znaczące w porównaniu do ~±1 bp jako punkt odniesienia dla rentowności LP) • Nawet niektóre wcześniej nierentowne pule teraz stają się rentowne w ramach PFDA.
Ogólny obraz: PFDA to sprytny mechanizm do internalizacji i monetyzacji MEV, odzyskujący wartość, która wcześniej uciekała do arbów i walidatorów, jednocześnie poprawiając wyniki swapów, LP i protokołów.
Aukcja zniżek opłat protokołu pokazuje, jak projekt ekonomiczny może przekształcić MEV z zewnętrznego wpływu w przychody zgodne z protokołem. Pełny artykuł:
To jest wspólna praca z moimi współautorami @haydenzadams @BradBachu @0x94305 @saraareynolds @danrobinson @MarkToda @xin__wan @mud2monarch.
51,78K