SAiFE-gym : simuler la liquidité concentrée avant d'entraîner un agent

Le problème de la liquidité concentrée

Dans un market maker automatisé, la liquidité n'est pas seulement une réserve passive. Dans un marché à produit constant avec liquidité concentrée, le fournisseur choisit des intervalles de prix où son capital est actif. Ce choix peut améliorer l'utilisation du capital, mais il ajoute aussi des décisions séquentielles : quand déplacer une position, quelle largeur d'intervalle retenir et comment absorber les frais, les mouvements de prix et les changements de flux.

Le preprint de Georgios Chionas et ses coauteurs présente SAiFE-gym, un module Python qui assemble des environnements de simulation pour ces problèmes. L'objectif n'est pas de fournir une stratégie prête à déployer. Il s'agit de rendre explicites les pièces de la microstructure afin de pouvoir comparer des agents dans des scénarios reproductibles.

Une architecture modulaire

Les auteurs décomposent l'environnement en composants représentant notamment l'évolution du prix, l'arrivée et la toxicité des ordres, l'impact, la distribution de liquidité, les frais de gas et la latence propres à une blockchain. Une interaction suit plusieurs phases : observation de l'état, action du fournisseur de liquidité, traitement de l'opération de marché, puis avancement du temps. Le problème continu est discrétisé sur une grille.

Cette décomposition permet de changer une hypothèse sans réécrire tout le simulateur. Le module adopte aussi une exécution vectorisée : plusieurs trajectoires sont calculées en parallèle, ce qui vise les entraînements de reinforcement learning à grande dimension. La compatibilité annoncée avec Stable-Baselines3 facilite l'essai de plusieurs algorithmes et la création d'agents personnalisés.

Ce que les auteurs montrent

Le papier illustre l'utilisation des environnements pour évaluer des agents RL dans des marchés à produit constant avec liquidité concentrée, sous incertitude sur les paramètres du marché. Les auteurs présentent cette randomisation de domaine comme un moyen de réduire la dépendance à un seul scénario simulé. Le résultat établi par le texte est donc l'intérêt d'une infrastructure d'expérimentation modulaire et parallélisée ; il ne constitue pas une preuve qu'un agent entraîné dans l'environnement sera rentable sur une blockchain réelle.

Pour lire ces expériences correctement, il faut distinguer trois niveaux. Le premier est la fidélité du mécanisme simulé : réserves, fourchettes actives, exécution et coûts doivent être cohérents. Le deuxième est la performance de l'agent dans le monde simulé. Le troisième est le transfert vers un protocole réel, où la latence, l'ordre des transactions, la concurrence et les frais peuvent modifier le résultat.

Une utilité pour la recherche

Un environnement de ce type peut servir à tester une politique de réallocation, une règle de contrôle du risque ou une méthode de comparaison entre agents. Il peut également aider à identifier quelles hypothèses dominent un résultat : volatilité, persistance de l'ordre flow, coût de transaction ou largeur des intervalles. Cette transparence est plus utile qu'un score unique produit par une boîte noire.

Une expérimentation sérieuse devrait conserver les paramètres de chaque scénario, séparer entraînement et test, comparer plusieurs graines et publier les pertes d'impermanent loss, les frais, l'inventaire et les périodes d'inactivité. Une politique qui gagne dans un marché calme mais échoue lors d'un déplacement de prix n'a pas le même profil qu'une politique qui renonce à une partie des frais pour limiter l'exposition.

Limites et prudence

SAiFE-gym reste un environnement de modèle. Même une simulation détaillée ne reproduit pas automatiquement un protocole donné, la concurrence entre transactions ou les comportements stratégiques des autres participants. La randomisation de paramètres améliore la couverture des tests, mais elle ne remplace pas une validation sur données et mécanismes hors échantillon.

Ce contenu est éducatif. Il ne recommande ni protocole, ni pool, ni stratégie de fourniture de liquidité et ne promet aucun rendement. Le document consulté est un preprint ArXiv ; ses hypothèses et son code doivent être contrôlés avant toute utilisation opérationnelle.

Sources

Georgios Chionas, Charalampos Kleitsikas, Stefanos Leonardos, Leandro Sánchez-Betancourt et Carmine Ventre, « SAiFE-gym: Model-based Environments for Automated Market Making with Concentrated Liquidity », ArXiv 2609.17788v1 : résumé et preprint, PDF.