في عالم التمويل اللامركزي (DeFi)، تُعتبر صانعات السوق الآلية (Automated Market Makers - AMMs) عنصراً أساسياً. ومع تطور التصميمات، أصبح نظام السيولة المركزة، كما هو مستخدم في UniswapV3، نموذجاً راسخاً. ومع ذلك، يواجه موفرو السيولة (Liquidity Providers - LPs) تحديات عديدة تتمثل في اتخاذ قرارات متسلسلة حول وقت إعادة توازن مراكزهم وأي نطاقات سعرية يجب تخصيص رأس المال لها تماشياً مع تطورات السوق.

اقتربت دراستنا من مسألة توفير السيولة الديناميكية كإشكالية تحكم دافعية عشوائية واستخدمت التعلّم المعزّز (Reinforcement Learning - RL) كأداة رئيسية لحلها، مع التركيز على تقديم حلول قابلة للتفسير.

أظهرت السياسات المستخلصة سلوكيات غنية تعتمد على الحالة، حيث تم تخصيص السيولة وفقاً للخلل في التسعير، وتكاليف إعادة التوازن، وعدم اليقين، والتعرض للمخزون، وتفضيلات المخاطرة المتنوعة. تُساعد هذه السلوكيات على تقليل ذيل الربح والخسارة (Profit and Loss - PnL) وتجنب النتائج الكارثية في ظل مستويات عدم اليقين العالية.

في الختام، تم مقارنة agents المعتمدة على التعلم المعزز مع وكلاء مرجعيين ومتقدمين من أدبيات هيكل AMM، وتحليل أدائهم بشكل شامل.

هل أنتم متشوقون لمعرفة المزيد عن كل هذه التطورات المذهلة في عالم التمويل اللامركزي؟ شاركونا آرائكم في التعليقات!