> [!abstract] 核心洞见
> 工具从来不是中性的。Uniswap 的自动做市商（AMM）公式 `$x\times y=k
作为一个无情绪的数学机器，其内在的**凸性成本**（Convexity Cost）特征，对不同动机的市场参与者产生了方向完全相反的效应：迫使执行型交易者变得更保守（慢），同时诱导投机者变得更激进（冲）。
## 一、 问题背景：被数学重塑的交易行为
在传统金融中，做市商（如 Citadel）依靠庞大的人工团队和复杂的系统来管理订单簿。他们会根据市场情绪撤单、调整价差，具有极强的主观性和不确定性。
DeFi 采用的 AMM 机制（以 Uniswap 为代表）用不到 500 行代码替代了这一切，核心法则仅为：$x * y=k$。
这个机制的两个核心特征改变了游戏规则：
1. **绝对的确定性**：代码没有情绪，永远不“拔网线”。
2. **凸性交易成本**：交易量越大，边际成本呈指数级上升。
这导致了市场行为的**双向分叉**：
- **执行型交易者（机构/项目方）**：为了避免被凸性成本惩罚，被迫采用极其保守的拆单策略。
- **投机者（散户/Degen）**：因为 AMM 提供了“永远可以退出”的流动性承诺（虽然价格可能很差），感知风险降低，从而敢于持有更高杠杆和更高风险的资产。
---
## 二、 核心概念：凸性成本 (Convexity Cost)
> [!info] 什么是凸性成本？
> 在数学上，如果成本函数是“凸函数”（二阶导数大于零），意味着**不仅总成本随交易量增加而增加，而且每多买一单位资产的额外（边际）成本也在加速飙升**。
在 AMM 中，池子越浅、交易量越大，滑点（Slippage）的惩罚不是线性的，而是呈平方级放大的。
---
## 三、 数学推导：证明 AMM 的凸性特征
### 1. 初始状态设定
设流动性池中有两种资产 $X$ 和 $Y$：
- $x_0$: 资产 $X$ 的初始数量
- $y_0$: 资产 $Y$ 的初始数量
- $k$: 恒定乘积，满足 `$x_0\cdot y_0=k
此时资产 $Y$ 的理论现货价格为：
`$P_0=\frac{x_0}{y_0}$`
### 2. 推导总成本函数 $C(\Delta y)$
假设交易者想从池中买走数量为 $\Delta y$ 的资产 $Y$，需要支付数量为 $\Delta x$ 的资产 $X$。根据恒定乘积公式：
`$(x_0+\Delta x)\cdot(y_0-\Delta y)=k$`
将 `$k=x_0 y_0
代入并求解 $\Delta x$：
`$(x_0+\Delta x)\cdot(y_0-\Delta y)=x_0 y_0$`
`$x_0 y_0-x_0\Delta y+\Delta x\cdot y_0-\Delta x\Delta y=x_0 y_0$`
`$\Delta x(y_0-\Delta y)=x_0\Delta y$`
`$\Delta x=\frac{x_0\Delta y}{y_0-\Delta y}$`
这就是交易者的**总成本函数**：
`$C(\Delta y)=\frac{x_0\Delta y}{y_0-\Delta y}$`
### 3. 证明边际成本递增（一阶导数 > 0）
对总成本函数求一阶导数（即边际成本）：
`$C'(\Delta y)=\frac{d}{d\Delta y}\left(\frac{x_0\Delta y}{y_0-\Delta y}\right)$`
利用商的求导法则，化简得：
`$C'(\Delta y)=\frac{k}{(y_0-\Delta y)^2}$`
> [!note] 结论 1
> 因为 $k>0$，且不能买空池子（$\Delta y<y_0$），故 `$C'(\Delta y)>0
。**证明买得越多，单价越贵。**
### 4. 证明成本的凸性（二阶导数 > 0）
对边际成本再求导，观察其变化率：
`$C''(\Delta y)=\frac{d}{d\Delta y}\left(k(y_0-\Delta y)^{-2}\right)$`
`$C''(\Delta y)=\frac{2k}{(y_0-\Delta y)^3}$`
> [!note] 结论 2
> 因为 $k>0$ 且 $(y_0-\Delta y)>0$，故 `$C''(\Delta y)>0
。**严谨证明了成本函数是一个严格凸函数（Strictly Convex Function），成本在加速飙升。**
### 5. 滑点损失的近似计算（二次方爆炸）
滑点成本 = 实际支付成本 - 理想支付成本
`$Slippage=\frac{x_0\Delta y}{y_0-\Delta y}-\Delta y\cdot\frac{x_0}{y_0}$`
化简后得到：
`$Slippage=\frac{x_0(\Delta y)^2}{y_0(y_0-\Delta y)}
> [!warning] 风险提示
> 分子中的 `$(\Delta y)^2
表明：**交易规模翻 10 倍，滑点摩擦成本将大约翻 100 倍。** 这就是数学设下的“摩擦力之墙”。
---
## 四、 延伸思考：工具的阈值与系统相变
除了理论推导，现实应用中需要关注 **“分叉阈值”（Bifurcation Threshold）**。
- 当 AMM 使用概率较低时（如早期的 Uniswap V1），市场总体偏保守。
- 当使用概率越过临界点（模型预测约在 **30%** 附近），工具的净效应会发生**相变**：混合动机的参与者会将其视为坚实的退出安全网，从而彻底倒向投机行为（对应 2020 年的 DeFi Summer）。
### 实操评估框架
下次评估任何新工具（如新 Web3 协议、AI 算法、治理机制）时，不要问“它是好是坏”，而应该问：
1. **它降低了什么成本？**（搜索成本？信任成本？）
2. **它对不同起始状态的用户，降低的幅度是否相同？**（谁受益最大？谁成了代价？）
3. **当使用率超过某个阈值时，系统的总体行为会向哪个方向翻转？**
## 五、 相关链接
- [[去中心化金融 (DeFi)]]
- [[无常损失 (Impermanent Loss)]]
- [[复杂系统与相变理论]]