Будущее производительности DeFi и его переопределение с помощью улучшенных ИИ-движков исполнения.
Децентрализованные финансы (DeFi) принесли новую сферу прозрачности, программируемости и доступа к глобальному рынку. Однако, несмотря на такие достижения, все еще существует одно главное препятствие, которое ограничивает его развитие: качество исполнения. С ростом DeFi на различных блокчейнах, сетях уровня 2 и гетерогенных средах исполнения реальная эффективность по сравнению с теоретической увеличилась, в зависимости от индивидуальной торговли. Обычные автоматизированные маркет-мейкеры (AMM) и чистые модели ордеров на цепочке не могут обеспечить предсказуемое и институциональное исполнение на фрагментированных и враждебных рынках.
Это вызвало новый интерес к гибридным рыночным дизайнам, которые объединяют ликвидность на основе AMM с точностью, характерной для лимитных книг ордеров. Более того, это привело к акценту на улучшенные AI-движки исполнения как отсутствующий компонент, необходимый для открытия следующего этапа производительности и принятия DeFi.
Одно-модельные рынки: Одно-модельные рынки разработаны для решения только одной стороны проблемы. Одно-модельные рынки к гибридному дизайну. Одно-модельный рынок. Одно-модельные рынки созданы для охвата только одного аспекта проблемы.
С первых дней DeFi AMM использовались для обеспечения ликвидности непрерывно, устраняя необходимость в централизованных игроках. Децентрализованные обмены быстро выросли благодаря своей простоте и составу. Тем не менее, академическая литература показала, что AMM с постоянной функцией структурно неэффективны, особенно на волатильных рынках или для крупных сделок, где наблюдаются нелинейно возрастающее проскальзывание и капитальная неэффективность (Angeris и др., 2019).
Вместо этого системы, основанные на лимитных книгах, имеют более узкие спреды и улучшенное открытие цен, что более согласуется с традиционной рыночной микроструктурой. Однако они становятся драматически медленными при использовании в цепочке из-за дорогих затрат на обновление, проблем с задержкой и подверженности переупорядочиванию транзакций и фронтраннингу. Эти особенности были показаны в литературе MEV как дискриминационные по отношению к обычным трейдерам и негативно влияют на качество исполнения (Daian и др., 2019).
Эти компромиссы пытаются разрешить модели гибридных AMM-лимитных книг. Гибридные дизайны предлагают более гибкую среду исполнения, так как они позволяют AMM предоставлять базовую ликвидность, а лимитным книгам - предлагать более прозрачную информацию о ценах. Тем не менее, успех этой системы не так сильно зависит от ее архитектуры, сколько от того, как принимаются решения относительно их исполнения.
Исполнение больше не является проблемой маршрутизации.
Первые системы DeFi рассматривали исполнение как нечто большее, чем проблему маршрутизации: нахождение пула или места, предлагающего лучшую цену в данный момент времени. Эта стратегия адекватна на розничном уровне, но терпит неудачу, когда речь идет о учреждениях. Участники рынка профессионального уровня не измеряют исполнение по цене, а по результату, который является агрегатом влияния цены, проскальзывания, времени, согласованности и вероятности завершения.
Результат исполнения в цепочке зависит от динамически изменяющейся ликвидности, волатильных газовых рынков, времени блоков и противодействующих участников в конкуренции MEV. Исполнение в таких ситуациях является предсказательной задачей, а не статической. Это требует взгляда вперед на краткосрочные рыночные тренды, в отличие от реагирования на снимки текущих условий.
Именно в этой области искусственный интеллект действительно меняет ландшафт исполнения.
Улучшенные движки исполнения на основе искусственного интеллекта: Реакция на предсказание.
Движки исполнения, улучшенные AI, преобразуют DeFi из реактивного маршрутизирования в маршрутизирование на уровне принятия решений. Эти системы не управляются фиксированными эвристиками; вместо этого они постоянно обучаются на основе исторических и реальных данных, чтобы оценивать стратегию исполнения вероятностно.
Наиболее важные возможности на основе AI:
Предсказание ликвидности и волатильности, что позволяет заранее корректировать траектории исполнения.
Оптимизация времени, которая учитывает производство блоков, поведение секвенсоров и перегрузку.
Изменение в выборе адаптивной стратегии, динамично между ликвидностью AMM и исполнением лимитной книги.
Исполнение, которое учитывает MEV и предотвращает неблагоприятный отбор с помощью предсказаний и осведомленности о секвенсировании.
Текущие исследования показывают, что обучение с подкреплением в настройках лимитной книги ордеров может быть эффективным в производстве стратегий исполнения, которые более мощные, чем фиксированные стратегии, благодаря их способности адаптироваться к эндогенным рыночным динамикам (Cheridito и др., 2025). AI в гибридных системах DeFi не заменяет AMM или лимитные книги; он просто координирует их.
В результате произошел сдвиг в логике лучшей цены к логике оптимизации лучшего результата, что очень похоже на практики исполнения в традиционном финансовом рынке (Madhavan, 2000).
Последствия рынков DeFi на производительность.
Гибридные архитектуры исполнения, улучшенные AI, могут повысить производительность DeFi в нескольких измерениях, которые важны для институциональных участников:
Снижение дисперсии проскальзывания, что минимизирует серьезные негативные результаты.
Стабилизация в более сложных обстоятельствах.
Лучше капиталовложение, особенно больших сделок.
Снижение эффекта MEV за счет предвидящей и своевременной реализации.
Эти улучшения приближают DeFi к уровням производительности, необходимым на профессиональных торговых рынках, и являются одним из основных препятствий для институционального принятия.
AID: Искусственный интеллект как финансовая инфраструктура.
В этой новой парадигме пример AID с улучшенным AI-гибридным исполнением можно рассматривать как способ реализации инфраструктуры основных финансовых операций в виде улучшенного AI-гибридного исполнения, а не просто как оптимистичную оболочку.
Архитектура AID включает искусственный интеллект в данные, исполнение и стек принятия решений AID. Вместо того чтобы рассматривать AI как дополнение, платформа ставит интеллект в центр действий, где он может постоянно анализировать состояние рынка, ликвидности и индикаторов риска, а также заключать сделки.
AID - это агрегатор данных, который использует свой слой данных для расчета метрик в цепочке, включая объемы, глубину ликвидности, режимы волатильности и динамику доходности. Такие данные подаются в предсказательные модели, которые направляют решения по исполнению в реальном времени. На уровне реализации AID позволяет использовать различные источники ликвидности и стили исполнения, позволяя динамически сбалансировать ликвидность AMM и лимитной книги.
Как FinTech, наибольшее значение AID заключается в его акценте на согласованности и измеримости исполнения. Поставив исполнение в инфраструктуру, а не в функцию, AID приоритизирует торговлю DeFi среди учреждений, которые должны заранее знать, контролировать риски и повторять.
Такая стратегия представляет собой более широкий шаг внутри экосистемы DeFi. Следующее поколение принятия не будет улучшено незначительными улучшениями скорости или доходности, а системами, которые могут обеспечить стабильное исполнение под давлением.
Будущее архитектуры рынка DeFi - это гибрид AMM-ордеров, которые контролируются улучшенными AI-движками исполнения. Такие системы преобразуют исполнение в реакционное маршрутизирование в процесс принятия решений, основанный на результате и предсказании.
Поскольку качество исполнения становится новой метрикой производительности DeFi, инфраструктурный уровень платформ, которые становятся интеллектуальными, станет стандартом. AID является примером этого направления, интегрируя AI в исполнение, интеллектуальную ликвидность и оценку рисков, как иллюстрация того, как децентрализованные рынки могут быть разработаны для достижения производительности института.
Здесь улучшенные AI-гибридные движки исполнения не являются оптимизацией, а структурным улучшением финансовых основ DeFi.
Ссылки
Angeris, G., Chitra, T., Kao, H. T., Chiang, R., и Noyes, C. (2019). UNI анализ рынков Uniswap. arXiv:1911.03380.
Cheridito, P., Dupret, J.-L., & Wu, Z. (2025). ABIDES-MARL: Эндогенное формирование цен и исполнение в лимитной книге ордеров, среда многопользовательского обучения с подкреплением. arXiv:2511.02016.
Daian, P., Goldfeder, S., Kell, T., Li, Y., Zhao, X., Bentov, I., Breidenbach, L., и Juels, A. (2019). Flash Boys 2.0: Фронтраннинг, переупорядочение в транзакциях и нестабильность консенсуса в децентрализованных обменах. IEEE Симпозиум по приватности и безопасности.
Madhavan, A. (2000). Рыночная микроструктура: Обзор. Журнал финансовых рынков, 3(3), 205-258.
AID. (2024-2026). Документация платформы AID. https://aid-1.gitbook.io/aid.
AID. (2024-2026). Официальный сайт AID. https://aidav2.com.
AID. (2024-2026). Книги AID. https://medium.com/AIDAv2.