Blog

Encontrar un ciclo de arbitraje on-chain es la mitad fácil. La mitad difícil es ganar la subasta de prioridad a sobre cerrado contra todos los demás buscadores que encontraron el mismo ciclo. Un desglose técnico de la atomicidad, los préstamos flash, el backrunning y dónde sobrevive realmente el beneficio del arbitraje, incluyendo CEX-DEX no atómico.

Pérdida impermanente, apalancamiento de liquidez concentrada y pérdida versus reequilibrio derivados de los primeros principios. Las formas cerradas, el resultado σ²/8, el markout por bloque y la condición exacta de tarifa versus volatilidad bajo la cual un LP realmente supera el holding.

Almgren-Chriss y VWAP solo fijan presupuestos de slice — la ejecución se gana en la capa táctica. Temporizadores de escalada, matemática de break-even maker-taker, semántica de cola en amend vs cancel-replace en Binance/OKX/CME, anti-señalización de iceberg, y una máquina de estados en Python por slice.

Reemplaza el slippage constante en bps por curvas de costo dependientes del tamaño, la volatilidad y la liquidez: la ley de raíz cuadrada, el ajuste de curvas a partir de fills de TCA o datos públicos, multiplicadores de estrés por régimen, y por qué se reordena el ranking de tus estrategias.

Por qué el SOR en cripto es más difícil que el enrutamiento en renta variable: sin cinta consolidada, liquidez fantasma, capital prefinanciado. Una optimización de enrutamiento convexa con matemática y Python, tácticas conscientes del rol maker, y tablas de clasificación de markouts por plaza a partir de tu propio TCA.

Maker vs taker es una operación de selección adversa disfrazada de esquema de comisiones. Matemática del punto de equilibrio vía Glosten-Milgrom, niveles de comisiones reales en cripto y descuentos por token, historia del rebate mining, valor del rebate condicionado a la cola, y cómo modelar comisiones escalonadas en un backtest.

El implementation shortfall de Perold convertido en un pipeline de TCA funcional para bots cripto: descomposición del precio de llegada, curvas de markout en t+1s/10s/60s, ~200 líneas de Python sobre tus propios fills, y cómo retroalimentar los resultados a tu modelo de costos de backtest.