L’avvento degli exchange decentralizzati e l’azzeramento delle commissioni maker hanno mandato in frantumi i modelli tradizionali di market making. Un nuovo studio, frutto di una rigorosa analisi di controllo stocastico, tira le somme di questo cambiamento: non si tratta più solo di aggiustare gli spread al volo, ma di integrare in un’unica architettura decisionale la copertura cross-exchange, l’esposizione al funding rate e la tolleranza all’incertezza parametrica.

Il framework, descritto come una generalizzazione dei paradigmi Avellaneda-Stoikov, Guéant-Lehalle-Fernandez-Tapia e Glosten-Milgrom, modella il problema del market maker su uno spazio di probabilità filtrato. I controlli adattivi – spread bid-ask e decisioni di copertura dell’inventario su due exchange – vengono ottimizzati tramite l’equazione di Hamilton-Jacobi-Bellman con utilità CARA e un teorema di verifica. Il risultato è un toolkit quantitativo che non si limita a isolare i componenti del PnL (reddito da spread, perdita per selezione avversa, costo di mantenimento dell’inventario, attriti di copertura, esposizione ai funding rate), ma li pesa in una formula compatta di soglia di redditività: il Master APY Formula.

Questa formula, alimentata da cinque parametri adimensionali, individua i regimi di alto rendimento e le transizioni di fase tra profitto e perdita. L’analisi numerica, corredata da ventitré figure, mostra che non esiste una strategia universalmente vincente: la profittabilità emerge solo quando le condizioni di mercato – volatilità, profondità del book, correlazione fra exchange, costo delle fee di taker – rientrano in corridoi ben precisi. Fuori da questi, persino un market maker ottimale finisce in rosso.

Ma è la seconda parte del lavoro a toccare corde sensibili per chi gestisce infrastrutture di trading on-premise. Il modello incorpora un margine di robustezza rispetto all’incertezza dei parametri e produce limiti esponenziali sulla probabilità di drawdown, un’identità APY-VaR universale e una distribuzione ergodica dell’inventario sotto controllo ottimo con stima bayesiana adattativa. In pratica, un desk che esegue questa strategia su server locali può calibrare la leva secondo il criterio di Kelly con soglie di rovina esplicite, allocando il capitale su più coppie di criptovalute e saturando i benefici di diversificazione ben prima di quanto farebbe un approccio naive.

Dal punto di vista dell’infrastruttura, l’enfasi sulla copertura in tempo reale e sulla stima adattativa dei parametri rende il deployment on-premise particolarmente coerente. L’assenza di round-trip verso il cloud, la prevedibilità della latenza e il controllo diretto sugli stack di esecuzione diventano leve competitive quando le finestre di opportunità si misurano in millisecondi. Non è un caso che i team di trading quantitativo tendano a preferire colocation e bare metal: il framework teorico ora offre una giustificazione formale per quella scelta, mostrando come l’incertezza parametrica mangi i margini e renda indispensabile un’infrastruttura che minimizzi jitter e ritardi.

Chi perde, in questo scenario, sono le piattaforme cloud-first che non possono garantire il determinismo di latenza necessario a implementare le politiche di hedging cross-exchange descritte dal modello. Chi vince sono i team con competenze ibride – matematica stocastica, sviluppo low-latency, gestione del rischio – capaci di portare in produzione un framework adattativo su hardware dedicato. Il paper non consegna ricette, ma una mappa delle regioni di profitto: la palla passa agli ingegneri che dovranno trasformare l’HJB in codice C++ o Rust, e ai risk manager che dovranno tradurre i bound di drawdown in limiti operativi.