应用控制排序（ACS）作为 MEV 的庇古政策——在应用层实现外部性内在化

概述

最大可提取价值（MEV） 本身并不是坏事；坏的是竞争 MEV 的方式。当提取者为了获取价值而争先恐后、发送垃圾信息和重新排序时，他们会将成本转嫁给其他人，给接受者带来更差的价格，给 LP 带来不利选择，给旁观者带来拥堵和失败的交易，以及浪费实际资源的延迟军备竞赛。一个庇古方法提出了一个简单的问题：如果一个行动给他人带来了成本，我们能否在成本发生的那一刻对其进行定价？应用控制排序（ACS） 使这成为可能。通过强制执行排序约束，并在损害发生的确切代码路径上收取应用级别的“MEV 税”，应用可以内化外部性，补偿受害者，并且仍然保持高效的分配，从而使对社会有用的套利继续发挥作用。

读者指南

本文分为三个层次。首先，它解释了为什么 MEV 会产生外部性，以及为什么应用层的庇古税是一个自然的选择。其次，它开发了一个简单的数学模型，展示了应用级别的税收如何在转移租金给受害者的同时，保持高效的分配。第三，它概述了一个实用的 ACS 实现，包括优先级窗口、原子税收检查和一个轻量级的校准循环，以及健壮性、测量和治理，以便团队可以在不将他们的应用变成研究项目的情况下发布它。

MEV 实际产生的问题

MEV 是一个区块（或应用）在全知排序下可以赚取的收益与在简单的先到先得排序下赚取的收益之间的差额。为了追求这种差异，搜索者提交重复的交易，在 gas 拍卖中抬高优先级费用，并利用信息优势。外部性不是他们的私人利润；而是他们在竞争时其他人所承担的溢出损害。接受者受到夹击，看到的执行情况比公平的竞争基准更差。LP 面临不利选择，并将库存流失给知情流。 mempool 和排序系统充斥着失败或冗余的尝试，消耗带宽、计算和区块空间。随着区块时间的缩短，在速度上花费的激励呈指数级增长，从而导致几乎没有社会效益的延迟军备竞赛。如果不对其进行定价，我们得到的这种行为将过多，相对于社会最优水平而言。

损害是本地化的三个具体路径

了解用户实际感受到的外部性是有帮助的。在 AMM Take 路径上，有害的提取表现为接受者的滑点和 LP 的不利选择；在此路径上收取的庇古 MEV 税允许应用将这些确切的损失回扣给接受者和 LP 金库。在清算路径上，主要的外部性是速度竞赛和加剧系统拥堵的重复提交；将适度的税收与严格的优先级窗口结合起来可以减少垃圾信息，同时保持及时的偿付能力清算。在预言机更新路径上，操纵风险和订单流不稳定聚集在更新周围；限制可接受的优先级并在此窗口中收取略微凸的税，可以抑制掠夺性赛跑，而不会审查合法的更新。在每种情况下，损害都是本地的，这就是为什么税收和回扣也应该是本地的。

为什么庇古税适合 MEV，以及为什么应用层 (ACS) 是正确的地方

庇古逻辑出奇地简单：如果一个行动产生了行为者无需支付的损害，则收取等于该损害的费用，即庇古税，以使私人激励与社会福利保持一致。在 MEV 中，大多数损害对一块状态和一个代码路径来说是本地的，一个 AMM“Take”路径，即会诱导接受者的滑点和 LP 的不利选择；一个清算路径，该路径可能会以破坏借款人稳定的方式进行竞争；一个预言机更新路径，该路径成为操纵的焦点。因为外部性是本地的，所以应用具有计量它的最佳信息，并且具有将收益返还给实际受害方的最清晰的途径。 ACS 在不更改 L1/L2 规则的情况下，为应用程序提供了两个实用且可组合的杠杆：首先，优先级窗口强制执行各类交易执行的顺序；其次，合约内税收检查要求在敏感指令运行之前转移到应用程序的金库。准确地为外部性定价，并将其返还给受到伤害的确切人员，是教科书式的庇古设计。

如果你有兴趣了解有关 ACS 的更多信息，你可以阅读我的好朋友 Fikumni 最近的 关于 ACS 的文章。

庇古税的简史

阿瑟·C·庇古 认为，当私人成本和社会成本出现分歧时，等于边际损害的纠正性收费，即庇古税，可以恢复到最佳状态。罗纳德·科斯（1960） 后来强调，如果受影响的各方可以以低成本进行议价，他们有时可以通过重新分配权利来达成有效的成果，而无需征税——但在无需许可的区块链中，各方是众多的、匿名的和全球分布的，因此议价是昂贵和不完整的。马丁·魏茨曼（1974） 表明，在成本和收益不确定的情况下，价格工具（税收）通常比数量上限更稳健。鲍莫尔和奥茨 的环境经济学综合阐述了外部性定价如何运作以及何时选择价格而不是标准。在存在其他扭曲的“次优”世界中，Bovenberg & de Mooij (1994) 表明，除非明智地循环利用收入，否则最佳纠正性税收可能低于原始边际损害，这突出了如何使用收入的重要性。

数学 - 庇古税

让我们从一个单一的提取机会开始，对于任何赢得排序的人来说，价值 $k$。 为了先行动，搜索者向平台支付优先级价格 $x$，并向 dApp 支付应用端 MEV 税。 如果应用使用一个简单的线性规则 $T(x)=\tau x$ （可以这样想：“应用收取的费用是你支付的优先级的 $\tau$ 倍”），搜索者选择 $x$ 直到总成本等于价值：

$$ x+\tau x=k \quad\Rightarrow\quad x=\frac{k}{1+\tau}. $$

用简单的英语来说：平台保留了份额的 $1/(1+\tau)$；应用获取份额的 $\tau/(1+\tau)$。 增加 $\tau$，更多的租金流向应用的金库。 对于许多搜索者来说，竞争是一场头价拍卖，其中每个竞标者的竞标成本都统一地增加了 $1+\tau$。 标准的均衡结果仍然成立：出价按 $1/(1+\tau)$ 的比例缩小，但它们仍然严格地随着私人价值的增加而增加。 价值最高的竞标者仍然获胜，因此有效的分配得以保留 —— 很好，不会阻止纠正价格的套利。

下一个问题是 $\tau$ 应该有多大。 设 $\lambda$ 表示此路径上的损害份额：机会的一部分表现为对接受者（滑点）、LP（不利选择）和旁观者（失败 tx 燃烧）的可衡量损害。 线性规则中的庇古目标是

$$ \tau^*=\frac{\lambda}{1-\lambda}, $$

因为那样的话，应用的份额 $\tau/(1+\tau)$ 等于 $\lambda$。 如果大的机会造成不成比例的损害，该应用可以采用凸计划，例如 $T(x)=\tau x^\alpha$，其中 $\alpha>1$，这使得非常大、非常有危害的攫取支付的价格高于按比例支付的价格，同时对小型、良性的更正征收少量税款。

在损害为凸时设计非线性计划

线性税是一个很好的默认选项，但许多应用面临凸损害：最大的提取造成的损害超过了按比例的损害。 一个实用的设计是一个双斜率计划：在阈值 $x^\star$ 以下收取 $T(x)=\tau{\text{low}}x$，在其之上收取 $T(x)=\tau{\text{high}}x$，其中 $\tau{\text{high}}>\tau{\text{low}}$。 这近似于凸税，同时保持验证的简单性。 在该路径上观察到的优先级支付的 80-90 个百分点左右选择 $x^\star$，并设置 $\tau_{\text{high}}$，以便应用在 $x^\star$ 之上的边际份额与尾部中测量的更高损害相匹配。

校准指南（如何估计 $\lambda$ 并设置 $\tau$）

要校准 $\tau$，请估计路径的损害份额 $\lambda$。 从标记的事件（夹击、反向运行、JIT 流动性、失败的重复项）开始，并在滚动窗口中计算（i）接受者滑点与竞争报价相比，（ii）LP 不良选择（相对于中间价的库存加权 P&L），以及（iii）来自失败或重复交易的外部性。 将此总和除以该路径上的已实现 MEV 总额，以获得 $\widehat{\lambda}$。 设置初始税 $\tau_0=\widehat{\lambda}/(1-\widehat{\lambda})$，然后缓慢（例如，每周）更新，并设置上限和平滑。 即使是粗略的初步估计也可以大大减少损害，因为回扣会到达正确的各方。 如果测量结果嘈杂，请首先将 $\widehat{\lambda}$ 视为下限；收费不足比收费过度更安全，并且你可以随着归因管道的改进而逐步提高。

ACS 在这种机制中实际做什么

ACS 允许应用实施协议本身无需了解的两件事。 首先，它为每个代码路径强制执行优先级窗口，“取消在接受之前”是通过为取消路径提供更高的可接受优先级范围并限制接受路径的范围来实现的，因此接受根本无法超越取消。 其次，它强制执行原子支付检查：合约紧挨着敏感指令验证是否已向应用的金库（或路径的本地金库）转移了等于 $T(p)$ 的金额。 如果缺少付款或付款错误，则调用将恢复。 由于这些检查位于应用程序代码中，因此它们今天就可以工作，保留了可组合性，并且可以按路径和按状态范围（例如，每个池、预言机或金库）进行调整。

溢出效应和跨程序协调

税收既会改变策略，也会改变总数。 当一个应用增加其税收时，一小部分尝试通常会迁移到相邻的场所。 可以将此视为位移矩阵：一部分活动会发生转移，而不是消失。 如果两个 AMM 共享流量，则两者都可以通过协调适度的、路径本地的税收并将其返还给自己的 LP 和接受者来改善福利。 每个目标的正确目标是其本地损害份额以及从邻居导入的损害的少量调整。 在实践中，协调可以像两个应用发布其当前的 $\lambda$ 和 $\tau$，并在可预测的时间表上进行更新一样简单。

庇古机制的重要属性

中心属性是分配不变性。线性 MEV 税会将每个人的出价成本缩放相同的因子，因此出价的顺序不会改变；生产力最高的提取者仍然获胜。 这至关重要：我们想要减少有害的 MEV，而不是减少有用的套利。 一个近亲是收入分解。 在线性税下，预期收入在平台和应用之间以固定的比率 $\tau:1$ 分配，并且从获胜者那里提取的总收入与无税世界中的收入相同。 因此，税收的作用类似于 MEV 租金去向的路由规则，而不是破坏它的钝器。

第三个属性是线性情况下的 庇古最优性。 当路径上的测量损害是已实现机会的恒定比例 $\lambda$ 时，设置 $\tau=\lambda/(1-\lambda)$ 会在简单的基准中达到最佳目标，并且在竞争环境中在线性规则中是次优的。 如果测量的损害在规模上是凸的，则非线性计划通过使边际税随边际损害而增长来实现相同的想法。 该机制也是尊重订单的：你可以表达为优先级空间中的分割点的任何单调排序策略都可以使用 ACS 窗口来实现，并且税收只是重新调整激励措施，同时保持可行性不变。

一个实际的优势是路径本地预算平衡。 因为应用在生成损害的精确代码路径上收取税款，所以它可以将收益返还给受到伤害的确切各方：AMM 路径上的 LP、交换路径上的接受者、清算路径上的借款人等等。 在本地费用市场下，该方法是包含安全的；提高你自己的路径上的 $\tau$ 不会让你的用户无法访问该区块，因为只要支付了基本资源费用，包含就在本地决定。

威胁模型和鲁棒性

由于税收验证是原子的并且与敏感指令相邻，因此链下回扣或拆分支付技巧不会绕过费用；如果缺少或不匹配税款转移，则调用将恢复。 头价勾结是脆弱的——任何卡特尔成员都可以通过偏离来获利，因此系统性的出价阴影不太可能持续存在。 为了防止恶意行为（支付税款但无意执行的垃圾邮件），请在敏感时刻周围保持优先级窗口较窄，并对容易受到垃圾邮件攻击的路径征收少量、不可退还的基本费用。 最后，在 UX 中透明地显示税收（“此交换包括回扣给 LP/接受者的保护性 MEV 费用”），以便用户了解该费用为其自身的保护提供资金，而不是协议寻租。

一个例子

想象一下一个价值 $k=100$ 个单位的三明治机会。 你的归因管道估计有 90% 的价值表现为对受害者接受者的损害，因此 $\lambda=0.9$。 然后，庇古线性选择是 $\tau=\lambda/(1-\lambda)=9$。 在平衡状态下，平台收到 $x=k/(1+\tau)=10$，而应用收到 $\tau x=90$。 如果你将这 90 个单位返还给受害的接受者，你就消除了损害，同时仍然允许价值最高的提取者在这样做对社会有益时进行竞争并获胜。 如果你担心非常大的机会会产生超过线性损害，请使时间表略微凸起，以便最大的攫取支付的价格高于按比例支付的价格。

如何衡量成功

使用之前/之后以及在可能的情况下进行路径级别的 A/B 实验来评估此策略。 主要结果包括与竞争报价相比的接受者执行情况、LP 有效价差和库存 P&L、重复/失败交易率以及返还给受害者的已实现 MEV 的份额。 次要结果包括普通用户的包含延迟和填充率。 观察到的应用：平台收入分成应大致跟踪 $\tau:1$，并且 $\tau/(1+\tau)$ 应收敛到测量的 $\widehat{\lambda}$。 发布这些仪表板可以建立对该策略可以保护用户而不是对他们征税的信心。

如何在不将你的应用程序变成研究项目的情况下实施此策略

首先定义特定于路径的优先级窗口，以编码你想要的顺序，取消在接受之前，清算领先于普通交易，将预言机更新与自己的依赖项的前期运行隔离开来。 为每个路径添加一个线性 MEV 税 $T_j(p)=\tau_j p$，并在敏感指令之前直接连接一个原子支付检查。 将收益路由到路径本地金库，以便自动向 LP、接受者或意图池提供补偿。 构建一个简单的估算器循环，以在滚动窗口中测量每个路径的损害份额 $\widehat{\lambda}_j$，使用标记的三明治、相对于竞争报价的测量接受者滑点、不利选择的 LP P&L 分解以及失败交易的外部性，并缓慢地将 $\tau_j$ 更新为 $\widehat{\lambda}_j/(1-\widehat{\lambda}_j)$，并设置上限和平滑。 如果你的链支持，请使用时间优势销售来补充，以便以微秒为单位杀死垃圾邮件速度竞赛。 每个步骤都是递增的和可组合的；任何一个步骤都不需要协议更改。

治理和收入使用

如果对收入使用没有明确、可信的计划，那么庇古逻辑是不完整的。 在代码中承诺进行路径本地回扣：AMM-Take 税按比例分配给 LP 金库和接受者回扣池；清算路径税支持借款人保险或后备；预言机路径税为缓冲区和断路器提供资金。 如果必须分配一部分资金用于维护，请明确地设置上限，并使其接受具有明确 SLA 的透明管理。 当用户可以看到税收为其自身的保护提供资金时，政治摩擦会急剧下降。

用户体验入门

将优先费用视为“速度价格”。 应用程序会添加一小笔透明费用，这些费用将路由到如果交易具有提取性，则可能受到损害的人员。 这并不能阻止最佳交易的发生；它只是使有害的比赛付出代价。 随着时间的推移，税收水平会进行调整以匹配测量的损害，并且用户会看到退款或更好的 LP 收益，因为费用会流回给他们。

限制和未解决的问题

三个限制很重要。 首先，实时测量损害是嘈杂的；估算器应保持保守和缓慢移动，以避免波动激励。 其次，当某些“良好的 MEV”（真正的跨场所套利）与有害策略共享路径时，可能会偶然征税；分离代码路径并对良性路径使用较低的税可以缓解这种情况。 第三，全局拥塞外部性存在于 L1/L2 中；应用程序级别的 ACS 可以补充协议级别的工具，但不能代替它们，例如温和的异常费用或时间优势拍卖。 每一个都针对同一问题的不同层。

延伸阅读

有关最佳庇古逻辑，请参阅庇古的《福利经济学》和鲍莫尔和奥茨的现代综合。 有关不确定性下的工具选择，魏茨曼的“价格与数量”仍然是试金石。 有关次优结果和收入回收，Bovenberg & de Mooij 解释了为什么在存在扭曲性税收的情况下，最佳纠正性税收可能低于原始边际损害。

结束语

庇古 MEV 政策的目的不是向提取者宣战；而是让提取者在其成本发生的地方承担他们强加给其他人的成本，并将收益返还给受害者。 ACS 允许应用程序今天使用熟悉的链上工具来做到这一点：用于排序的优先级窗口和用于支付的原子税收检查。 数学确保你保持良好、高效、纠正价格的套利，同时将不良的、有害的提取和浪费的竞赛定价到合理的水平。 以这种方式构建，该策略不像“另一项费用”，而更像是市场设计的最后一英里：完成一个不完整的市场，以便保护你的用户和 LP，使你的机制更清洁，并且你应用程序的状态可以捕获其存在所创造的价值。

• 原文链接： github.com/thogiti/thogi...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～