Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →Nothing found. Try a different query.
Encontrar um ciclo de arbitragem on-chain é a parte fácil. A parte difícil é vencer o leilão de prioridade de lance selado contra todos os outros searchers que encontraram o mesmo ciclo. Uma análise técnica de atomicidade, flash loans, backrunning e onde o lucro da arbitragem realmente sobrevive — incluindo CEX-DEX não atômico.
Impermanent loss, alavancagem de liquidez concentrada e perda-versus-rebalanceamento derivados de primeiros princípios. As formas fechadas, o resultado σ²/8, markout por bloco e a condição exata de taxa-versus-volatilidade sob a qual um LP realmente supera o HODL.
Almgren-Chriss e VWAP apenas definem orçamentos de slice — a execução é vencida na camada tática. Timers de escalonamento, matemática de break-even maker-taker, semântica de fila em amend vs cancel-replace na Binance/OKX/CME, anti-sinalização de iceberg, e uma máquina de estados em Python por slice.
Substitua o slippage de bps constante por curvas de custo dependentes de tamanho, volatilidade e liquidez: a lei da raiz quadrada, ajuste de curvas a partir de fills de TCA ou dados públicos, multiplicadores de estresse por regime, e por que o seu leaderboard de estratégias se reembaralha.
Por que o SOR em cripto é mais difícil do que o roteamento em ações: sem fita consolidada, liquidez fantasma, capital pré-financiado. Uma otimização de roteamento convexa com matemática e Python, táticas cientes de maker e tabelas de classificação de markout por corretora vindas da sua própria TCA.
Maker vs taker é uma operação de seleção adversa disfarçada de tabela de taxas. Matemática do break-even via Glosten-Milgrom, faixas de taxas reais em cripto e descontos por token, história da mineração de rebates, valor do rebate dependente da fila, e como modelar taxas escalonadas em um backtest.
O implementation shortfall de Perold transformado em um pipeline de TCA funcional para bots de cripto: decomposição em torno do preço de chegada, curvas de markout em t+1s/10s/60s, ~200 linhas de Python sobre suas próprias execuções, e realimentando os resultados no modelo de custos do seu backtest.