入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
量化技巧AMM期权定价CEV模型链上做市
AMM 期权定价为什么不能直接套 Black-Scholes：CEV 视角给量化什么启发
基于《Option Pricing on Automated Market Maker Tokens》，讨论 AMM token 价格过程为何更接近 CEV 而不是标准 GBM，评价其在链上期权定价、流动性风险与做市风险管理上的价值与边界。
2026-04-039分钟
链上资产研究里一个常见问题，是直接把链上 token 当成普通股票或加密现货来套已有波动模型，然后再去解释为什么结果不太对。AMM 这篇论文的优点，是反过来做：它先从 constant-product 机制、净流入扩散和池子深度出发，推导 token 的价格过程为何更接近 CEV，而不是默认几何布朗运动。这个顺序是对的，因为对 AMM 而言，价格不是外生给定的，而是由池内储备变化和做市函数内生生成的。
从研究价值看，这一步非常关键。只有当价格过程本身被更合理地刻画，后面的期权定价、隐含波动偏斜、Greeks 和风险对冲才有可能站住脚。论文把 leverage effect、流动性调整 Greeks 以及 pool weight 对 skew 的影响都拉到了同一套框架里，这对链上量化和做市风险分析是实实在在的增量。
- 先从 AMM 机制推价格过程，比先假设 GBM 再拟合更合理
- CEV 框架自然解释了价格下跌时波动抬升的偏斜现象
- 论文最大的贡献是把链上定价从“经验拟合”推进到“机制建模”
它给量化团队的正面启发，在于把池深、流量和偏斜真正联系起来了
论文最值得肯定的第二点，是它没有只停在理论推导，而是尝试把 pool depth、flow volatility 和实际子网收益波动联系起来。对做链上策略或研究 DeFi 微观结构的人来说，这很重要，因为很多链上产品表面上价格连续，实质上是流动性函数决定了它的非线性弹性。文章指出 Black-Scholes 在这种场景下会系统性低估远虚值 put 的隐含波动，这个结论至少在研究层面是很有启发的。
更实际一点说，这类论文可以帮助团队把一些以前只能经验处理的风险，重新写成结构化参数。例如，不同权重池对价格弹性的影响、池子加深后绝对定价误差为什么会下降但标准化 skew 仍然存在、以及 delta-hedged 回测为什么主要在 wings 上体现差异。这些都比简单说一句“链上波动和传统市场不一样”更有操作性。
- 池子权重和流动性深度不只是背景变量，而是价格过程的一部分
- 对链上期权和做市团队来说，隐含波动偏斜不能再只靠经验修正
- 这篇论文的价值，在于把链上结构性风险参数化
但它也有不小的边界：链上真实世界远比“净流入扩散”复杂
需要保留警惕的是，论文使用的很多前提在真实链上市场里未必稳定。AMM 池子面对的不只是平滑扩散流量，还会遇到跳跃式大额资金、MEV、抢跑、预言机延迟、套利路径切换、手续费变化、池子再平衡和治理参数调整。只要这些因素足够强，单一 CEV 框架的解释力就会明显下降。论文在机制层迈出了一步，但距离覆盖真实链上摩擦还有一段路。
另一个不应过度乐观的地方，是它使用的实证对象具有较强场景特异性。Bittensor 子网、AMM token 和标准 DeFi 期权市场之间，并不是一一等价。论文给出的证据更像“这个机制值得认真研究”，而不是“这个定价公式已经足以支撑所有链上期权交易”。对量化研究者来说，这种区分非常重要，否则很容易把一个结构性 insight 误写成普适定价结论。
- 真实链上市场里的 MEV、套利和治理变化，会削弱简单扩散前提
- 机制正确不代表参数稳定，参数稳定也不代表可直接交易
- 论文更像结构性定价框架，而不是万能链上期权公式
更稳的落地方式，是把它当成链上风险解释器，而不是直接拿去喊价
如果把这篇论文转成量化技巧，最稳的使用姿势是把它当风险解释器。比如，你可以用它来解释为什么某些池子在价格下跌阶段会出现更陡的波动偏斜，为什么某类 LP 或对手盘暴露在更强的 convexity 风险里，以及为什么仅用传统现货期权直觉去定链上衍生品，往往会系统性低估尾部风险。这样用，它会帮助团队提升风险理解和参数监控。
但如果把它直接当成报价引擎，忽略了手续费、MEV、流动性断层与清算约束，那么风险会很大。更合理的路线，是先用这类结构模型生成研究假设和压力测试框架，再用真实成交数据、链上行为特征和回放环境去不断修正。链上量化真正需要的不是一个漂亮公式，而是一套“机制模型 + 市场摩擦 + 数据验证”的完整闭环。
- 先把模型用于风险解释、压力测试和参数监控，再考虑报价
- 链上定价必须把机制建模和市场摩擦一起纳入
- 这篇论文给量化团队的最大价值，是建立更正确的研究起点
关键结论
- AMM token 的价格过程不宜默认视作标准 GBM，CEV 视角更贴近其内生机制
- 论文在链上定价结构上很有启发，但对真实摩擦与场景迁移仍需保守
- 实务里最稳的用法，是把这类模型作为链上风险解释器和压力测试框架
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
量化技巧
交易基础设施论文真正提醒团队的，不是再换一个模型，而是先把市场设计、冲击和流动性约束讲清楚
从 AMM 无常损失、Binance 流动性韧性，到 RL 市场冲击环境与动态费率市场，这批论文共同说明：研究里的 alpha 往往输给执行接口和市场设计。
量化技巧
加密与波动率论文真正有价值的部分，不是又找到一个高收益模型，而是开始同时报告收益、回撤和误差结构
SARIMAX/LSTM/Prophet、Sliding EMD、多模型 Q-learning 以及单资产波动率控制论文共同表明：只报方向准确率已经不够，风险预算和回撤管理必须进入主表。
量化技巧
预测论文真正变得有用的那一刻，不是准确率更高，而是开始尊重市场状态、交易摩擦和制度边界
台湾指数预测、ETF 趋势与震荡识别、尼日利亚多变量 LSTM 这组论文共同说明：预测研究如果不把状态切分和市场制度写清楚，结果很容易被误读成万能模型。