深入解析AMM交易轨道：从恒定乘积到加权乘积的数学原理与应用
1. 从流动性池到交易轨道：一个被忽视的数学视角
如果你在DeFi领域待过一段时间，肯定对AMM（自动做市商）不陌生。Uniswap V2的恒定乘积公式x * y = k， 几乎成了这个领域的“Hello World”。我们习惯了在DEX上点击“兑换”，看着滑点预估，然后完成交易。但你是否想过，当你点击“兑换”按钮，用1个ETH换取一定数量的USDC时，这个价格到底是怎么算出来的？更深入一步，这个兑换过程，在数学上描绘出了一条怎样的“路径”？这条路径的性质，又决定了我们最终能拿到多少代币，以及池子会承受多大的瞬时价格冲击？这就是“交易轨道”要回答的问题。
大多数文章和文档会直接告诉你公式，比如Δy = (k / (x + Δx)) - y。这没错，但它更像是一个“黑箱”输出。作为一个在量化设计和协议分析中踩过无数坑的从业者，我越来越意识到，理解交易背后的连续数学过程——也就是“轨道”——至关重要。它不仅是学术上的优雅，更是实战中优化交易策略、设计新AMM曲线、甚至进行套利和风险管理的基石。今天，我们就抛开表面的公式，深入AMM的数学腹地，一起推导从最经典的对数价格轨道，到更具一般性的加权乘积不变量所定义的轨道。你会发现，Uniswap V2/V3、Curve的StableSwap，甚至是那些新兴的AMM变体，都能在这个统一的框架下找到自己的位置。
2. 交易轨道的核心思想：价格如何连续移动
在开始数学推导前，我们得先统一思想：到底什么是“交易轨道”？想象一下，你有一个流动性池，里面有x个ETH和y个USDC。池子遵循x * y = k的不变式。现在，你想用Δx个ETH买入USDC。
一个常见的误解是：池子瞬间从状态(x, y)跳到了新状态(x + Δx, y - Δy)。在离散的、一次性的交易视角下，这没错。但如果我们把交易想象成一个连续的过程呢？比如，你有一大笔钱要换，为了减少滑点，你把它拆分成无数个无限小的订单。那么，你的这笔大交易，实际上就是让池子状态沿着某条数学曲线，从起点(x, y)连续地“滑动”到终点(x + Δx, y - Δy)。这条曲线，就是交易轨道。
轨道的形状，由AMM的不变式决定。对于x * y = k， 这条轨道就是一条双曲线。但轨道更深刻的含义在于它定义了瞬时价格如何变化。在任意一个池子状态点(x, y)上，ETH相对于USDC的瞬时价格P定义为dy/dx的负值（因为你要减少y来增加x），即P = - dy/dx。对于恒定乘积池，对x*y=k两边微分，得到y*dx + x*dy = 0， 所以-dy/dx = y/x。看，瞬时价格就是储备量比率y/x， 这和我们直觉一致。
所以，交易轨道的数学任务就是：给定一个起点(x0, y0)和一个不变式（如x*y=k）， 当我们注入dx的资产X时，资产Y会减少dy， 并且(x0+dx, y0+dy)仍然满足不变式。这个dy是多少？这就是微分方程要解决的问题。而积分这个微分方程，我们就得到了轨道曲线。
注意：这里
dy是负值，因为我们是在用X换取Y，Y在减少。但在数学推导中，我们通常将其视为一个微小的变化量，最后通过积分确定总的Δy是负的。
3. 对数价格轨道：恒定乘积模型的本质
让我们从最经典的恒定乘积模型x * y = k开始，推导它的交易轨道。这是理解所有更复杂模型的基础。
我们设起点为(x0, y0)， 满足x0 * y0 = k。 当我们进行一个无限小的交易，用dx的X换取dy的Y时，新状态(x0+dx, y0+dy)也必须满足(x0+dx)*(y0+dy) = k。 将左边展开：(x0+dx)*(y0+dy) = x0*y0 + x0*dy + y0*dx + dx*dy = k
由于x0*y0 = k， 且dx*dy是二阶无穷小可以忽略，我们得到：x0*dy + y0*dx ≈ 0这就是我们之前提到的微分关系。由此得到瞬时价格：P(x) = -dy/dx = y0/x0（在起点处） 但更一般地，在轨道上任意点(x, y)， 有P(x) = y/x。
现在，我们想找到y关于x的函数形式，即轨道曲线。由x*y = k， 显然y = k / x。 但这还没体现出“轨道”的动态过程。我们通过积分来展示它。
从微分方程x*dy + y*dx = 0出发，可以改写为：dy/y = - dx/x两边从起点(x0, y0)到终点(x1, y1)积分：∫_{y0}^{y1} (1/y) dy = - ∫_{x0}^{x1} (1/x) dx计算积分：ln(y1) - ln(y0) = - [ln(x1) - ln(x0)]ln(y1/y0) = ln(x0/x1)y1/y0 = x0/x1这等价于x0*y0 = x1*y1 = k。 这个积分过程告诉我们，在交易中，资产数量的对数变化量是互为相反数的。
这才是关键！我们定义对数价格p = ln(P) = ln(y/x)。 那么：p = ln(y) - ln(x)在交易过程中，从(x0, y0)到(x1, y1)， 对数价格的变化是：Δp = p1 - p0 = [ln(y1) - ln(x1)] - [ln(y0) - ln(x0)] = [ln(y1)-ln(y0)] - [ln(x1)-ln(x0)]根据上面的积分结果ln(y1)-ln(y0) = -[ln(x1)-ln(x0)]， 代入得：Δp = -[ln(x1)-ln(x0)] - [ln(x1)-ln(x0)] = -2 * [ln(x1) - ln(x0)]
这个式子不那么直观。我们换一个更常用的视角：考虑用X换取Y的过程，x增加，y减少。我们关心的是，当x从x0增加到x1时，对数价格p移动了多少。由p = ln(y/x)和y = k/x， 得p = ln(k/x^2) = ln(k) - 2ln(x)。 所以：Δp = p1 - p0 = -2ln(x1) + 2ln(x0) = 2 ln(x0/x1)由于x1 > x0（我们买入X，卖出Y），x0/x1 < 1，ln(x0/x1) < 0， 所以Δp < 0。 这意味着用X换取Y的过程，会导致对数价格p下降，即X相对于Y的价格下降（因为p = ln(P)， P是X的价格），这完全符合市场规律：你卖出X，其价格应该下跌。
实操心得：理解对数价格轨道，对于计算“价格冲击”非常有用。滑点通常定义为(执行价格 - 标记价格)/标记价格。而标记价格就是起点瞬时价格P0 = y0/x0。执行价格是平均价格Δy/Δx（注意符号，Δy为负）。通过对数轨道，我们可以更精确地估算大额交易对价格的影响，这对于做市商和大型交易者设计交易路径（比如通过多个池子路由）至关重要。许多专业的交易分析工具背后，都在进行类似的计算。
4. 迈向一般化：加权乘积不变式及其微分方程
恒定乘积模型虽然优美，但滑点太大，尤其不适合稳定币这类价格锚定资产。于是人们开始思考更一般的形式。加权乘积不变式（Weighted Product Invariant）就是一个强大的推广，它也是许多高级AMM（如Balancer V1）的数学核心。
加权乘积不变式的一般形式为：x^w_x * y^w_y = k其中，w_x和w_y是大于0的权重，k是常数。当w_x = w_y = 1时，它就退化为了标准的恒定乘积公式。
这个不变式如何影响价格和轨道呢？我们同样从微分入手。对等式两边取自然对数，线性化处理：w_x * ln(x) + w_y * ln(y) = ln(k)现在对两边进行微分（k是常数，微分为0）：w_x * (dx/x) + w_y * (dy/y) = 0这个微分方程描述了在任意无限小交易下，两种资产数量变化率必须满足的关系。
由此，我们可以解出瞬时价格P。 回顾P = -dy/dx（用X换Y）。 由上面的微分方程：w_y * (dy/y) = -w_x * (dx/x)dy = - (w_x / w_y) * (y/x) * dx因此，瞬时价格为：P(x, y) = -dy/dx = (w_x / w_y) * (y/x)
看！这与恒定乘积模型的价格公式y/x相比，多了一个系数(w_x / w_y)。 这个系数就是权重比。它意味着你可以通过调整权重，来改变资产在池子中的“价值占比”或“定价影响力”。例如，如果设置w_x = 2，w_y = 1， 那么即使y/x = 1， 价格P也会是2。 这相当于放大了资产X的价值权重。
为什么这样设计？这给了流动性提供者（LP）巨大的灵活性。在Balancer池中，你可以创建一个包含多种资产、且每种资产目标权重不同的投资组合。池子会自动通过这个定价公式进行再平衡。当某资产价格上涨导致其在池内价值占比超过目标权重时，它的相对价格（相对于其他资产）在池内就会变低，激励交易者买入该资产，使其数量减少，价值占比回归目标。这是一个内置的自动再平衡机制。
5. 加权乘积模型下的交易轨道推导
有了微分方程，我们就可以推导加权乘积模型的交易轨道了。我们想找到，从起点(x0, y0)开始，当x变化到x1时，y会变化到多少y1， 并且整个路径满足x^w_x * y^w_y = k。
我们从对数形式的微分方程出发：w_x * (dx/x) + w_y * (dy/y) = 0这可以方便地分离变量：w_y * (dy/y) = -w_x * (dx/x)两边同时积分，从起点(x0, y0)积到轨道上任意点(x, y)：∫_{y0}^{y} w_y * (1/y) dy = - ∫_{x0}^{x} w_x * (1/x) dxw_y * [ln(y) - ln(y0)] = -w_x * [ln(x) - ln(x0)]ln((y/y0)^{w_y}) = ln((x0/x)^{w_x})因此，我们得到轨道方程：(y / y0)^{w_y} = (x0 / x)^{w_x}或者写成更对称的形式：x^{w_x} * y^{w_y} = x0^{w_x} * y0^{w_y} = k
这个轨道方程描述了状态(x, y)必须满足的关系。为了更清楚看到y如何随x变化，我们可以解出y：y = y0 * (x0 / x)^{w_x / w_y}
让我们对比一下恒定乘积轨道y = k / x = y0 * (x0 / x)。 加权乘积轨道多了一个指数w_x / w_y。 这个指数决定了轨道的“弯曲程度”。
- 如果
w_x / w_y > 1（即X权重更高），那么(x0/x)的指数大于1。当x增加时，(x0/x)变小（因为x > x0）， 一个大于1的指数会让这个值变得更小，从而导致y下降得比恒定乘积情况更快。这意味着用权重高的资产X去换取权重低的资产Y，Y的数量会急剧减少，滑点很大。这符合直觉：你想从池子里拿走更多价值权重低的资产，就需要付出更多价值权重高的资产。 - 如果
w_x / w_y < 1（即Y权重更高），结论相反，用X换Y会更“划算”，滑点较小。 - 如果
w_x / w_y = 1， 就回到了恒定乘积模型。
实操中的坑：在为一个多资产加权池设置权重时，必须非常小心。权重不仅代表了资产的目标价值比例，更直接定义了交易轨道和滑点曲线。如果你错误地将一个低流动性、高波动性的资产设置了过高的权重，那么当有人试图用该资产兑换其他资产时，轨道会非常陡峭（滑点极大），可能导致交易失败或付出极高成本。相反，如果权重设得过低，该资产很容易被“买光”。通常，权重需要根据资产的波动性、流动性和期望的池子平衡状态来综合设定。
6. 从轨道到执行价格：计算实际兑换率
理解了轨道，我们最终要落地到交易者最关心的问题：我投入Δx， 到底能拿到多少Δy？
对于加权乘积模型x^{w_x} * y^{w_y} = k， 已知起点(x0, y0)， 投入Δx后，x1 = x0 + Δx。 我们需要找到y1， 使得(x1)^{w_x} * (y1)^{w_y} = k。
由轨道方程(y1 / y0)^{w_y} = (x0 / x1)^{w_x}， 可得：y1 = y0 * (x0 / x1)^{w_x / w_y}那么，我们能得到的Δy为：Δy = y1 - y0 = y0 * [ (x0 / x1)^{w_x / w_y} - 1 ]注意，Δy是负值，因为我们得到了Y，池子里的Y减少了|Δy|。交易者得到的Y数量是-Δy。
执行价格（平均价格）就是总产出除以总投入：(-Δy) / Δx。 这个价格一定比交易前的瞬时价格P0 = (w_x/w_y)*(y0/x0)要差（除非交易量无限小），差额就是滑点。
让我们用一个具体例子来感受一下权重的影响。假设一个ETH/USDC池，初始状态x0 = 100 ETH，y0 = 200,000 USDC（初始价格1 ETH = 2000 USDC）。
场景A：恒定乘积（权重1:1）：
w_x = 1，w_y = 1。 瞬时价格P0 = (1/1)*(200000/100) = 2000。 用户投入Δx = 10 ETH。x1 = 110。y1 = 200000 * (100/110)^{1} ≈ 181,818.18 USDCΔy ≈ 181818.18 - 200000 = -18181.82 USDC用户得到约18181.82 USDC， 执行均价18181.82 / 10 ≈ 1818.18 USDC/ETH。 滑点约为(2000-1818.18)/2000 ≈ 9.09%。场景B：加权乘积（权重2:1）：
w_x = 2，w_y = 1（ETH权重高）。 瞬时价格P0 = (2/1)*(200000/100) = 4000 USDC/ETH。 注意，由于ETH权重加倍，其在池内的“定价”被抬高了。 用户同样投入Δx = 10 ETH。x1 = 110。y1 = 200000 * (100/110)^{2/1} = 200000 * (100/110)^2 ≈ 165,289.26 USDCΔy ≈ 165289.26 - 200000 = -34710.74 USDC用户得到约34710.74 USDC， 执行均价34710.74 / 10 ≈ 3471.07 USDC/ETH。 滑点相对于瞬时价格4000为(4000-3471.07)/4000 ≈ 13.22%。
对比发现，在投入相同ETH的情况下，权重高的池子给出了更高的执行价格（3471 vs 1818），但滑点也更大（13.22% vs 9.09%）。这是因为高权重放大了价格影响。对于交易者而言，如果你想卖出高权重的资产，你会获得一个更“好”的价格（因为池子认为它更值钱），但大额交易时价格恶化得也更快。
提示：在实际的Balancer池中，权重通常归一化，使得所有权重之和为1。例如，一个80%/20%的ETH/USDC池，
w_x=0.8，w_y=0.2。 价格公式变为P = (0.8/0.2)*(y/x) = 4*(y/x)。 推导过程完全一致，只需将w_x，w_y替换为归一化后的权重即可。
7. 超越加权乘积：广义不变式与轨道形态的探索
加权乘积模型x^w_x * y^w_y = k虽然比恒定乘积更通用，但它仍然属于“乘积”类不变式。它的轨道方程y = C * x^{-w_x/w_y}（C为常数）是一个幂函数。在数学上，这描述了一条等弹性（Constant Elasticity）曲线。这里的“弹性”指的是价格变化率相对于数量变化率的敏感度。对于加权乘积模型，这个弹性是常数，等于权重比的倒数w_y/w_x。
但AMM的世界不止于此。为了在稳定币交易（极低滑点）和波动性资产交易（需要足够的流动性深度）之间取得平衡，人们发明了更复杂的不变式。最著名的就是Curve的StableSwap，它本质上是恒定乘积和恒定加和的混合。
其不变式可以简化为：A * (x + y) + (x * y) = D * (A + 1)其中A是一个放大系数，D是储备量之和的某种度量。当A→0时，它退化为恒定乘积x*y = D^2/4；当A→∞时，它趋近于恒定加和x+y = D。恒定加和轨道是一条直线，滑点为0（在池子耗光前），但这只在价格严格1:1时可行。
StableSwap的轨道介于直线和双曲线之间。在价格锚定区（如0.999-1.001），它的曲线非常平坦，近似直线，提供极低滑点；当资产价格偏离锚定区越来越远时，曲线越来越像双曲线，以应对巨大的套利压力并防止池子枯竭。这种轨道的数学推导更为复杂，通常需要求解一个关于x和y的二次或高次方程。
设计心得：设计一个AMM不变式，本质上就是在设计其交易轨道的形状。你需要问自己：
- 目标资产对的价格关系是什么？（是锚定的，还是自由浮动的？）
- 你希望流动性集中在哪个价格区间？（像Uniswap V3那样通过区间集中流动性，本质上就是改变了轨道的有效部分）。
- 你希望滑点曲线是怎样的？（是希望小交易量时滑点极低，大交易量时滑点急剧上升，还是希望滑点变化更平缓？）
例如，Uniswap V3的“浓缩流动性”，可以看作是在一个全局的恒定乘积轨道上，只取其中一段（[Pa, Pb]）作为有效轨道。当价格移动到这个区间外时，其中一种资产会完全耗尽，轨道失效。这实际上是通过外部参数（价格区间）对基础轨道进行了裁剪。
8. 轨道分析的实际应用：策略与风险管理
理解了交易轨道的数学，我们能做什么？以下是几个直接的实战应用：
1. 最优拆单路由计算：当你有一笔大额交易时，直接在一个池子里完成可能滑点巨大。你可以选择拆分成多笔小交易，或者通过多个不同的池子（可能具有不同的权重或曲线）进行路由。如何找到最优路径？这需要你计算每条可能路径（每个池子对应一段轨道）的最终产出。这通常转化为一个优化问题：在满足各个池子不变式约束的条件下，最大化最终产出资产。许多DEX聚合器（如1inch、ParaSwap）的核心算法就在干这件事，它们需要快速计算不同路径沿不同轨道的积分结果。
2. 流动性提供（LP）的“无常损失”量化：无常损失本质上就是由于外部市场价格变动，导致LP资产在池内与单纯持有所产生的价值差异。从轨道视角看，当市场价格从P0变为P1时，套利者会通过交易将池子价格推到P1。这个套利过程就是池子状态沿轨道从旧平衡点(x0, y0)移动到新平衡点(x1, y1)的过程。新点满足y1/x1 = P1且仍在轨道x*y=k（或更一般的曲线）上。通过联立这两个方程，可以解出x1，y1， 进而计算LP资产价值与持有价值的比值。对于加权乘积池，无常损失公式是权重和价格比的函数，其推导完全依赖于轨道方程。
3. 自定义AMM曲线设计：如果你想为一个特定场景（如期权交易、预测市场）设计一个AMM，你需要首先定义你希望的价格-数量关系。例如，你可能希望某个资产的价格在某个数量区间内几乎不变（像阶梯函数），这对应着一段近乎垂直/水平的轨道。然后，你需要反向推导出能满足这种轨道形状的不变式。这通常涉及求解一个微分方程：给定价格函数P(x) = -dy/dx， 以及一个初始条件，求x和y的关系F(x, y)=k。 这是一个反问题，但轨道思维为你提供了明确的设计起点。
4. 仿真与压力测试：在部署一个新的流动性池或调整参数（如Balancer的权重）之前，可以通过轨道方程进行大量的仿真测试。模拟在各种市场情景（大额买入/卖出、价格剧烈波动）下，池子储备的变化、滑点的变化、以及LP的无常损失情况。这比盲目上线要稳妥得多。我自己的经验是，至少要用历史数据或极端假设跑通上千次模拟，观察池子是否会经常出现一种资产接近耗尽的情况，或者滑点是否在可接受范围内。
最后，我想强调的是，交易轨道这个数学结构，是将AMM从“魔法黑箱”变为“可计算引擎”的关键。它不仅仅属于研究人员，每一个认真的DeFi参与者——无论是交易员、流动性提供者还是协议开发者——都应该对其有直观的理解。下次当你进行交易时，不妨在脑海中想象一下那个代表池子状态的点，正沿着一条美丽的数学曲线滑行，而你付出的滑点，就是为这条曲线的曲率所支付的“通行费”。理解这条曲线的形状，你就能更好地预测费用，并找到更优的通行路线。