Title (eng)
Cyclic arbitrage on constant function market makers
Parallel title (deu)
Zyklische Arbitrage auf Constant Function Market Makers
Author
Milutin Popović
Advisor
Radu Ioan Bot
Assessor
Radu Ioan Bot
Abstract (deu)
Dezentrale Börsen (DEXs) sind eine neue Form von Finanzmärkten, die auf der Grundlage der Blockchaintechnologie entstehen. Durch sie entsteht ein wettbewerbsintensives und komplexes Umfeld des Maximal Extractable Value (MEV), in dem Akteure, sogenannte Searchers, gegen die Blockzeit antreten und miteinander konkurrieren um profitable Gelegenheiten zu finden, während der Markt inaktiv ist und der nächste Block noch nicht bestätigt wurde. Eine dieser Gelegenheiten ist eine n-zyklische Arbitrage, auf die sich diese Arbeit konzentriert. Durch die Modellierung der Grundbausteine von DEXs, den Constant Function Market Makers (CFMMs), lässt sich ein nichtlineares konvexes Optimierungsproblem ableiten, das einen optimalen n-zyklischen Arbitrage Trade identifiziert. Dieses Optimierungsproblem gibt jedoch weder die Ausführungsreihenfolge der Trades vor noch beschränkt es die Optimierung auf konkret genutzte DEXs. Um dies zu adressieren, schlagen wir ein Markow Entscheidungsproblem vor und ermitteln eine optimale Strategie mithilfe eines Monte Carlo Baum Suche REINFORCE Algorithmus, der uns anhand der nominellen Wechselkurse zu einem profitablen n-zyklischen Arbitragepfad führt. Die Informationen des gefundenen Pfads können anschließend in das nichtlineare Optimierungsproblem genutzt werden, um zeitnah einen optimalen Trade zu bestimmen.
Abstract (eng)
Decentralized Exchanges (DEXs) are a new form of financial markets emerging on top of blockchain technology. Through these arises a competitive and complex environment of Maximal Extractable Value (MEV), where entities called Searchers race against the block time and compete against each other to find profitable opportunities when the market is at rest, and the next block is not yet committed. One of these opportunities is an $n$-cyclic arbitrage, on which this thesis focuses on. Through modeling of the building blocks of DEXs, governed by Constant Function Market Makers (CFMMs), we can derive a nonlinear convex optimization problem finding an optimal $n$-cyclic arbitrage trade. However this optimization problem neither specifies the order in which these trades should be executed, nor reduces optimization to specific, used DEXs. To combat this, we propose a Markov Decision Process and find an optimal policy through a Monte Carlo Tree Search REINFORCE algorithm guiding us to a profitable $n$-cyclic arbitrage walk based on the marginal exchange rates. The information of the found walk can be then applied to the nonlinear optimization problem to find an optimal trade in a timely manner.
Keywords (deu)
Constant Function Market MakersNichtlineare OptimierungKonvexe OptimierungBestärkendes LernenRLMonte Carlo BaumsucheMCTSGraphenneuronale NetzeGNNsMEVBlockchainMaximal Extractable Value
Keywords (eng)
Constant Function Market MakersNonlinear OptimizationConvex OptimizationReinforcement LearningRLMonte Carlo Tree SearchMCTSGraph Neural NetworksGNNsArbitrageMEVBlockchainMaximal Extractable Value
Subject (deu)
Angewandte Mathematik
Type (deu)
Masterarbeit
Persistent identifier
https://phaidra.univie.ac.at/o:2127630
DOI
10.25365/thesis.78443
URN
urn:nbn:at:at-ubw:1-28319.89015.191540-8
URI
https://utheses.univie.ac.at/detail/75753
Extent (deu)
vii, 56 Seiten : Illustrationen
Number of pages
64
Study plan
Masterstudium Mathematik
[UA]
[066]
[821]
Association (deu)
Fakultät für Mathematik
Members (1)
Title (eng)
Cyclic arbitrage on constant function market makers
Parallel title (deu)
Zyklische Arbitrage auf Constant Function Market Makers
Author
Milutin Popović
Abstract (deu)
Dezentrale Börsen (DEXs) sind eine neue Form von Finanzmärkten, die auf der Grundlage der Blockchaintechnologie entstehen. Durch sie entsteht ein wettbewerbsintensives und komplexes Umfeld des Maximal Extractable Value (MEV), in dem Akteure, sogenannte Searchers, gegen die Blockzeit antreten und miteinander konkurrieren um profitable Gelegenheiten zu finden, während der Markt inaktiv ist und der nächste Block noch nicht bestätigt wurde. Eine dieser Gelegenheiten ist eine n-zyklische Arbitrage, auf die sich diese Arbeit konzentriert. Durch die Modellierung der Grundbausteine von DEXs, den Constant Function Market Makers (CFMMs), lässt sich ein nichtlineares konvexes Optimierungsproblem ableiten, das einen optimalen n-zyklischen Arbitrage Trade identifiziert. Dieses Optimierungsproblem gibt jedoch weder die Ausführungsreihenfolge der Trades vor noch beschränkt es die Optimierung auf konkret genutzte DEXs. Um dies zu adressieren, schlagen wir ein Markow Entscheidungsproblem vor und ermitteln eine optimale Strategie mithilfe eines Monte Carlo Baum Suche REINFORCE Algorithmus, der uns anhand der nominellen Wechselkurse zu einem profitablen n-zyklischen Arbitragepfad führt. Die Informationen des gefundenen Pfads können anschließend in das nichtlineare Optimierungsproblem genutzt werden, um zeitnah einen optimalen Trade zu bestimmen.
Abstract (eng)
Decentralized Exchanges (DEXs) are a new form of financial markets emerging on top of blockchain technology. Through these arises a competitive and complex environment of Maximal Extractable Value (MEV), where entities called Searchers race against the block time and compete against each other to find profitable opportunities when the market is at rest, and the next block is not yet committed. One of these opportunities is an $n$-cyclic arbitrage, on which this thesis focuses on. Through modeling of the building blocks of DEXs, governed by Constant Function Market Makers (CFMMs), we can derive a nonlinear convex optimization problem finding an optimal $n$-cyclic arbitrage trade. However this optimization problem neither specifies the order in which these trades should be executed, nor reduces optimization to specific, used DEXs. To combat this, we propose a Markov Decision Process and find an optimal policy through a Monte Carlo Tree Search REINFORCE algorithm guiding us to a profitable $n$-cyclic arbitrage walk based on the marginal exchange rates. The information of the found walk can be then applied to the nonlinear optimization problem to find an optimal trade in a timely manner.
Keywords (deu)
Constant Function Market MakersNichtlineare OptimierungKonvexe OptimierungBestärkendes LernenRLMonte Carlo BaumsucheMCTSGraphenneuronale NetzeGNNsMEVBlockchainMaximal Extractable Value
Keywords (eng)
Constant Function Market MakersNonlinear OptimizationConvex OptimizationReinforcement LearningRLMonte Carlo Tree SearchMCTSGraph Neural NetworksGNNsArbitrageMEVBlockchainMaximal Extractable Value
Subject (deu)
Angewandte Mathematik
Type (deu)
Masterarbeit
Persistent identifier
https://phaidra.univie.ac.at/o:2133928
Number of pages
64
Association (deu)
Fakultät für Mathematik
License
All rights reserved
Download