再平衡损失(Loss Versus Rebalancing,LVR)是流动性提供者(LP)因自动做市商(AMM)持续以滞后于外部市场的价格报价,而累积让渡给套利者的价值。它把 LP 头寸与一个按实时市场价格连续再平衡的组合相比较;即使价格最终回到原点,LVR 仍会在一笔笔交易中累积。因此,它是一项持续发生的运行成本,而不是只看终点的计算结果。
LVR 由 Jason Milionis、Ciamac Moallemi、Tim Roughgarden 与 Anthony Lee Zhang 在 2022 年正式提出。他们的论文《Automated Market Making and Loss-Versus-Rebalancing》把持有波动资产对的市场风险,与「报价被知情交易者挑走」的逆向选择成本区分开来。
再平衡损失(LVR)衡量的是:相对于一个按实时市场价格连续再平衡的组合,AMM 流动性提供者让渡了多少价值。它捕捉的是每一笔交易中与滞后链上报价成交所累积的成本,而不是价格起点与终点之差。对 LP、DeFi 交易者和评估 AMM 盈利能力的开发者来说,LVR 比无常损失更有解释力:它把逆向选择成本单独剥离出来,并回答交易手续费是否真的覆盖了滞后报价带来的拖累。AMM 既是流动性来源,也是投资工具,而 LVR 就是这门生意的成本项。提供流动性是一种服务,滞后报价则是这项服务的主要成本。
这个术语读作「lever」。那篇 2022 年的论文由包括哥伦比亚大学研究人员在内的作者团队完成,把 AMM 同时视为流动性来源与投资工具。作者证明,在对冲掉市场风险之后,LVR 仍然是一项非负的运行成本,必须由手续费收入来覆盖。他们同时指出,这也是针对池子交易的套利者所能获得的最优利润。
假设 ETH 在中心化交易所报价 2000 美元,而某个 Uniswap 池仍报价 1950 美元。套利者从池中买入 ETH,再到交易所卖出,赚取价差。池子的价格会向 2000 美元靠拢,但 LP 已经把 ETH 以低于市价的价格卖了出去。当外部价格下跌时,同一套逻辑会反向运行。
自动做市商(AMM)是一种用于自动化做市的智能合约,在流动性池中持有两种或更多代币的准备金,并按照固定规则为交易定价。最常见的设计是由 Uniswap 推广的恒定乘积模型,它要求 x * y = k,其中 x 与 y 是准备金数量,k 是常数。在该设定下,无限小的交易对应的现货价格就是准备金比率 y/x。当交易者买入其中一种代币时,该准备金下降、另一种上升,报价便沿着曲线移动。池子只在有人交易时更新,这使它成为一项报价会随时间变旧的服务。
这种设计让 AMM 成为面向市场参与者的、随时可用的做市服务,但也制造了时间差。流动性提供者(LP)存入两种资产并分享手续费,而池子的报价只有在交易发生后才改变。在两个区块之间,外部市场可以移动,池子却不会跟着动。LVR 就是这段差距的成本。
多数 AMM 在没有订单簿的情况下为交易定价。中心化交易所把买单与卖单聚合在订单簿中,其最新成交价就是套利者用来与池子比较的参考价格。对一个 ETH/USDC 池而言,Uniswap 报价与深度订单簿之间的差距就是套利机会。Uniswap v2 池是简单的恒定乘积场所;后续设计改变了曲线,但采用其他曲线的自动做市商同样面临报价滞后问题。
逆向选择描述的是一笔交易中,一方对资产公允价值的掌握优于另一方。在 AMM 中,知情的一方是套利者,他能在池子更新之前看到中心化交易所的当前市价。池子则是非知情的交易对手,其 LP 承担滞后价格带来的成本。
套利者会持续交易,直到剩余价差小于其交易成本,例如 gas、库存风险与交易手续费。每一笔交易都让流动性池更接近市价,但也让提供资金的市场参与者把价值转移给套利者。DEX MEV 研究把这种行为视为 backrunning 而非 front-running:交易修正了池子,swap 手续费可能抵消一部分损失,但 LP 仍要为这次修正买单。
LVR 有两种等价的写法,loss versus rebalancing 在两种写法中是同一个量。离散形式把每笔交易转移的价值加总:
LVR = Σ a(p − q)
其中,a 是池子卖出的风险资产数量(池子卖出时为正,买入时为负),p 是交易发生时的当前市价,q 是池子的执行价格。把公式套到单笔交易上,账目就很具体:如果池子以 2000 美元卖出 0.5 ETH,而市价为 4000 美元,这笔交易对 LVR 的贡献就是 0.5 × (4000 − 2000) = 1000 美元。
自动化做市的连续时间模型给出了一个紧凑的替代写法。对由两种资产构成的恒定乘积池,瞬时 LVR 为:
LVR 速率 = (σ² / 8) × 池价值
这里,σ 是两种资产价格比率的波动率。该公式是广义方差互换的浮动腿,可以相对于一个再平衡组合来解读。LVR 随方差上升,也随边际可用流动性的增加而上升。按 5% 的日波动率计算,σ² / 8 等于 0.0025 / 8 = 0.0003125,即每天池价值的 3.125 个基点。
连续时间模型的闭式解依赖若干假设。它假设连续交易、LP 不赚取 swap 手续费、执行交易不支付交易费、没有 gas 成本,并且价格过程服从几何布朗运动一类的模型。真实池子按离散区块交易、收取手续费,也会遇到跳跃。该模型是预期成本的基准,而不是逐笔计量的替代品。
无常损失发生在资产价格偏离初始价值时,LP 头寸可能跑输单纯持有这些资产。IL 只取决于起点与终点价格,因此当价格回到原始水平时,它可以缩小到零。这也是 IL 又被称为 divergence loss 的原因。LVR 则把 LP 收益与一个沿着整条路径按当前市价交易的主动再平衡策略相比较。它在每一次价格变化中累积,即使终点看起来持平,也可能保持正值,因为价格轨迹本身会影响结果。即便池子价格最终回到起点,再平衡组合仍可能跑赢 LP 头寸,因为 LVR 是沿路径累积的。
这两个指标回答的是不同问题,比较结果取决于价格轨迹与费率结构。IL 捕捉的是市场风险与相对持有策略的偏离;LVR 剥离市场风险,单独衡量提供流动性的逆向选择成本。价格变动很小时,两者会趋同;时间拉长后,它们的分布会分化,尤其是在有手续费与离散区块时间的情况下。极端情形下,无常损失可能超过 LP 赚取的手续费,这也是为什么单看手续费收入并不足以判断盈亏。若价格回到原值,无常损失会反转,但 LVR 未必会。
| 维度 | 无常损失(IL) | 再平衡损失(LVR) |
|---|---|---|
| 基准 | 持有初始代币组合 | 按市价连续再平衡 |
| 价格路径 | 只看终点 | 每一次价格变化 |
| 价格回到起点时 | 可能降为零 | 可能仍为正值 |
| 捕捉的内容 | 市场风险加价格偏离 | 逆向选择与信息成本 |
| 标准模型中的符号 | 相对持有可正可负 | 非负的运行成本 |
| 与手续费的关系 | 手续费减少净损失 | 手续费必须覆盖运行成本 |
设想一个 ETH/USDC 池在 ETH 报价 1000 美元时以 1 ETH 和 1000 USDC 建池,此时 k = 1000。若 ETH 涨到 2000 美元,池子会再平衡到约 0.7071 ETH 与 1414.21 USDC。它卖出了 0.2929 ETH,换回 414.21 USDC,平均每枚约 1414 美元。按 2000 美元的市价,这批 ETH 价值 585.79 美元,因此卖出腿向套利者转移了约 171.57 美元。
若 ETH 随后跌回 1000 美元,池子会用 414.21 USDC 买回 0.2929 ETH,而按市价这批 ETH 约值 292.89 美元。买入腿又转移了 121.32 美元。总 LVR 约为 292.89 美元,尽管池子最终仍以最初的 1 ETH 和 1000 USDC 收场,IL 为零。
这次往返说明了 LVR 为何具有路径依赖性:池子低卖高买,两条腿相加就是成本。它不是持有波动资产带来的账面浮亏,而是作为非知情交易对手持续付出的累积代价。
LVR 并不是池子的固定属性。它由市场条件、区块链延迟、AMM 设计以及流动性提供者的行为共同驱动。对一个 ETH/USDC 池而言,波动率与交易规模是主要驱动因素,下表概括其余因素。
| 因素 | 作用机制 | 对 LVR 的影响 |
|---|---|---|
| 波动率 | LVR 与价格比率的方差成正比 | 价格波动越高,LVR 越高 |
| 出块时间与延迟 | 报价之间的间隔越长,套利空间越大 | 延迟越高,LVR 越高 |
| 池子深度与边际流动性 | 更多边际流动性可以吸收更大的交易 | 绝对 LVR 更大,每美元影响取决于设计 |
| 集中流动性 | 资金被部署在更窄的区间 | 每美元 TVL 的 LVR 更高 |
| 费率档位 | 更高费率会拓宽无套利区间 | LVR 更低,但交易量也会下降 |
| Gas 与套利成本 | 成本决定最小可盈利价差 | 交易成本越高,套利频率越低 |
| 价格发现场所 | 中心化交易所通常领先 | CEX-DEX 传导越快,LVR 越低 |
| 有毒流与新闻 | 知情交易者在池子更新前行动 | 事件前后 LVR 会出现尖峰 |
集中流动性值得单独讨论。Uniswap v2 池把流动性铺满整条曲线,而 Uniswap v3 把流动性集中在一个价格区间。通过集中资金,LP 用同样的存款提供了更多边际流动性。这提升了资本效率,也让池子对区间附近的波动更敏感,结果是每美元锁仓价值的 LVR 更高。对 Uniswap v3 的流动性提供策略而言,loss versus rebalancing 是区间选择必须跨过的成本,而不是可以忽略的附带问题。
对 LP 来说,净收益等于手续费收入加激励,再减去 LVR 与其他成本。这项服务按交易量赚取 swap 手续费,而 LVR 随价格波动率与流动性变化。LP 收益取决于手续费与滞后报价运行成本之间的差额。两者不会自动同向变动,因此值得注意的是:如果池子波动大、换手率低,很高的年化利率也可能掩盖负的净收益。
若日 LVR 为 3.125 个基点,池子每笔收取 30 个基点,那么仅靠手续费覆盖 LVR,需要约相当于池价值 10% 的日换手率;精确的盈亏平衡点是 10.4%。波动率更低或费率档位更高,会降低这一门槛;波动率更高或费率更低,则会抬高门槛。激励代币可以暂时填补缺口,但不会改变底层经济关系。
对 LP 而言,实用的检验方法是在同一时期内比较累计手续费与已实现的 LVR 估计值。Markout 分析追踪一笔交易在之后某个时点的价值,可以近似衡量逆向选择成分。关于计量的一点说明:如果这项服务赚不到足够的手续费来覆盖滞后价格,更高的收益就不是免费午餐。
研究估计,LVR 每年可能让 LP 损失约 5-7%,而在若干主流流动性池中,LP 手续费很少能抵消 LVR 损失。这一缺口正是 headline yield 可能高估被动流动性净收益的原因。LP 收益也显著受到套利机会影响,因此一份在平静市场中看起来慷慨的费率表,在波动率上升时可能显得捉襟见肘。
尚无 AMM 设计能完全消除 LVR,针对 AMM 的改良方案仍在演进。下列机制要么降低 LVR,要么重新分配 LVR,要么让它对 LP 更可见。对服务提供方而言,问题不在于 LVR 是否存在,而在于由谁承担。需要注意的是,每种机制都有取舍,设计者发现多数机制之间是互补的。
预言机集成的 AMM 使用外部价格源,在交易发生前把池子报价推向市价;Curve v2 是常被引用的例子。这种做法降低了报价滞后,却引入了预言机风险,因为被操纵或延迟的价格源本身就会制造套利机会。时间加权平均做市商(TWAMM)把大额订单拆成逐步执行,限制单个区块能提取的价值,代价是执行更慢。
更短的出块时间压缩了滞后报价的窗口,但对 LVR 的总体影响并不确定:如果流动性随之扩张,暴露在 LVR 下的规模反而可能上升。更低延迟也可能提高交易量与手续费收入,因此对 LP 收益的净影响取决于具体池子。
批量拍卖在固定时间窗口内收集订单,并以单一价格清算。批次内的每笔交易都拿到相同价格,套利者无法通过批次内的排序获利。CoW AMM 与 Gnosis Auction 是早期例子;代价是延迟,以及对求解器寻找清算价格的依赖。
动态费率在波动率高或有毒流活跃时提高交易成本,恰好在 LVR 最昂贵的时候拓宽无套利区间。Uniswap v4 hooks 让这种机制更容易实现。难点在于校准:费率过高会赶走非知情交易者,费率过低则保护不了 LP。
优先访问拍卖出售「第一个与池子交易」的权利,通常卖给出价最高者。池子不再把整个价差留给最快的搜索者,而是截取一部分价值并返还给 LP。这类拍卖在错价足够大、能支撑有意义出价时效果最好;价差太小时,可能覆盖不了运营开销。
拍卖管理的 AMM(am-AMM)允许管理者竞标获得设定费率与与池子交易的权利,并把租金支付给 LP。管理者有动力捕捉小额套利机会,并设定能最大化手续费收入的费率。相关设计,例如协议费折扣拍卖与 MEV 税,把套利价值重新导向协议或 LP。它们可以改善 LP 收益,但也带来治理与中心化问题。
函数最大化做市商(FM-AMM)用高频批量拍卖取代连续交易。同一批次内的交易以单一价格清算,池子不会把一连串滞后报价暴露给套利者。该设计同时针对 LVR 与三明治攻击,而后者是另一个问题。
在传统恒定函数 AMM 中,套利利润来自池子价格与外部市场之间的差距。三明治攻击来自交易排序:攻击者在受害者 swap 前后各放一笔交易,从价格冲击中获利。两者都从池子用户身上提取价值,但只有前者在严格意义上属于 LVR。修好其中一个问题的设计,并不会自动解决另一个。
FM-AMM 试图通过让每笔交易获得相同清算价,消除批次内套利。它同时移除了让三明治攻击有利可图的排序优势。早期实证研究报告称,在某些交易对上,LP 收益等于或优于可比的 Uniswap v3 池。保留意见也很熟悉:批量拍卖依赖求解器竞争、延迟与清算价格的质量。
LVR 是有用的基准,但并不是 LP 盈利能力的完整描述。原论文中的连续时间模型假设无摩擦交易、无手续费以及良态的价格过程。真实池子面对离散区块、gas 成本、跳跃与变化的流动性,因此实测 LVR 会与闭式估计不同。
LP 收益还可以分解为两部分:来自市场风险暴露的类 beta 成分,以及来自累计手续费减套利损失的类 alpha 成分。在简单池子中,大部分 LP 收益方差可能来自市场风险暴露,而不是微观结构力量。这种分解把 alpha 与 beta 分开,也说明 LVR 是 alpha 问题而非 beta 问题,从而避免把基准误当成总收益模型。
LVR 不是 LP 面临的唯一风险。市场风险、库存风险、智能合约风险、预言机风险与监管风险,任何一项都可能主导净结果。这些风险会相互作用:波动市场会放大库存风险,而依赖预言机的混合设计会在逆向选择之上再叠加预言机风险。完整评估应把它们与 loss versus rebalancing 成本放在一起权衡。
参考市场的选择也很重要。多数研究使用中心化交易所的当前市价,但那个场所本身也有买卖价差、宕机与操纵风险。如果参考价格错了,LVR 估计会继承这个误差。对集中流动性与多资产池而言,计算还取决于区间、再平衡政策与资产配置。
最后,LVR 是事前成本,而不是已实现损失。LP 可以对冲市场暴露、赚取激励或调整区间,这些动作都会改变净结果。把 LVR 当作唯一指标,可能忽略手续费收入、库存风险与智能合约风险。真正有用的问题是:在可比时期内,手续费与激励收入能否覆盖 LVR。一项关于无常损失与 LVR 的研究指出,价格变动较小时两个指标表现相似,这也让基准选择容易被忽视。
LVR 衡量的是 AMM LP 因池子报价滞后于外部市场而让渡给套利者的价值。自动化做市是一门服务生意,LVR 是核心成本。它具有路径依赖性,逐笔累积,并且在一次让无常损失归零的往返之后仍可能保持正值。对恒定乘积池而言,成本与波动率的平方和边际流动性成正比,因此手续费、出块时间、池子设计与订单流是主要杠杆。
对 LP 而言,实用的结论是比较手续费收入与 LVR,而不是只看 headline yield。对设计者而言,可以通过动态费率、批量拍卖、优先访问拍卖、预言机集成与拍卖管理池来降低或重新分配 LVR,但每种机制都是用一种成本换另一种成本。运行良好的流动性提供业务,会用已实现收益来衡量 LVR,而不是假设手续费一定能覆盖它。
再平衡损失(LVR)是 AMM LP 相对于一个按市价再平衡的组合所损失的价值。它衡量与滞后链上报价成交的成本,并在每笔交易中累积。基准是一个按当前市价交易的再平衡组合,而不只是被动持有。
无常损失又称 divergence loss,把 LP 头寸与持有初始代币相比较,只取决于起点与终点价格。LVR 把头寸与按市价连续再平衡相比较,因此取决于价格轨迹,即使无常损失回到零,它仍可能保持正值。
LVR 可以逐笔加总为 a × (p − q),其中 a 是池子卖出的数量,p 是市价,q 是池子的执行价格。对恒定乘积池,连续时间速率约为 σ² / 8 乘以池价值,其中 σ 是价格比率的波动率。
如果手续费收入超过运行成本,手续费就能覆盖 LVR。按 5% 的日波动率与 30 个基点的手续费,恒定乘积池需要约相当于其价值 10% 的日换手率才能打平。波动率更高或费率更低,需要更高换手率。
AMM 通过动态费率、批量拍卖、优先访问拍卖、预言机集成定价、拍卖管理池与 MEV 捕获机制来降低或重新分配 LVR。每种方法都有取舍,尚无设计能完全消除 LVR。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





