MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

進階 📅 發布：2026-03-29 🏷️ defi, mev, arbitrage, liquidation, sandwich-attack, flashbots, mathematical-model, quantitative, defi 計算中...

本文深入探討最大可提取價值（MEV）的數學利潤模型，提供完整的公式推導、Python 數值模擬、與 Solidity 實作範例。我們涵蓋 DEX 套利、定價曲線分析、清算優先權競爭模型、三明治攻擊利潤函數、以及 Flashbots 拍賣機制的經濟學分析。同時提供 Dune Analytics 查詢範例與鏈上數據驗證框架。

title: MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

summary: 本文深入探討最大可提取價值（MEV）的數學利潤模型，提供完整的公式推導、Python 數值模擬、與 Solidity 實作範例。我們涵蓋 DEX 套利、定價曲線分析、清算優先權競爭模型、三明治攻擊利潤函數、以及 Flashbots 拍賣機制的經濟學分析。同時提供 Dune Analytics 查詢範例與鏈上數據驗證框架。

tags:

defi
mev
arbitrage
liquidation
sandwich-attack
flashbots
mathematical-model
defi

difficulty: advanced

date: "2026-03-29"

parent: null

status: published

references:

title: Flashbots Research

url: https://docs.flashbots.net

desc: MEV 研究與拍賣機制

title: Dune Analytics

url: https://dune.com

desc: MEV 數據查詢與儀表板

title: EigenPhi

url: https://eigenphi.io

desc: MEV 交易分析平台

title: Uniswap V3 Math

url: https://docs.uniswap.org

desc: Uniswap 數學文檔

disclaimer: 本網站內容僅供教育與資訊目的，不構成任何投資建議或推薦。MEV 策略涉及高度技術風險與市場風險，在進行任何 MEV 相關操作前，請自行研究並諮詢專業人士意見。所有投資均有風險，請謹慎評估您的風險承受能力。

datacutoffdate: 2026-03-28

MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

說實話，我第一次聽到「MEV」這個詞的時候，腦子裡想的是「這又是一個華爾街那群人發明的奇怪術語，用來嚇唬散戶的」。結果呢？等我真的動手算了算，才發現這玩意的利潤規模比我想像的大得多——一個週末下來，有人的 MEV 收益可能比很多 startup 一年的營收還高。

今天這篇文章，我打算把 MEV 這件事從頭到尾算個清楚。不是那種「MEV 就是夾子」的三言兩語，而是要拿出數學工具，把每一分利潤、每一點成本都拆解開來給你看。

MEV 的基本數學框架

利潤函數的一般形式

MEV 的核心問題是：在給定的區塊空間和交易排序權力下，如何最大化經濟收益？

讓我們從一個最基礎的利潤函數開始：

$$\Pi{MEV} = \sum{i=1}^{n} (Ri - Ci - F_i)$$

其中：

$\Pi_{MEV}$：總 MEV 利潤
$R_i$：第 $i$ 筆 MEV 交易的收入
$C_i$：第 $i$ 筆交易的執行成本（Gas、資金成本）
$F_i$：第 $i$ 筆交易的失敗風險成本
$n$：區塊內可執行的 MEV 機會數量

這個公式看起來很簡單，但魔鬼在細節裡。讓我逐項展開。

Gas 成本的精確計算

class MEVCostCalculator:
    """
    MEV 交易 Gas 成本計算器
    """
    
    def __init__(self, eth_price: float, base_fee: int):
        self.eth_price = eth_price  # ETH/USD
        self.base_fee = base_fee    # Gwei
    
    def calculate_gas_cost(
        self, 
        gas_used: int, 
        priority_fee: int,  # Gwei
        optimism: float = 1.2  # 緊急程度調整
    ) -> dict:
        """
        完整 Gas 成本計算
        
        公式：
        Total_Gas_Cost = (Base_Fee + Priority_Fee) × Gas_Used × Gwei_to_ETH
        """
        # 總費用 = (基礎費用 + 小費) × Gas 消耗
        total_fee_gwei = (self.base_fee + priority_fee) * gas_used
        
        # 轉換為 ETH
        total_fee_eth = total_fee_gwei / 1e9
        
        # 轉換為 USD
        total_fee_usd = total_fee_eth * self.eth_price
        
        # 緊急程度調整（市場火熱時需要更高小費）
        adjusted_priority = priority_fee * optimism
        adjusted_fee_eth = (self.base_fee + adjusted_priority) * gas_used / 1e9
        
        return {
            "base_fee_gwei": self.base_fee,
            "priority_fee_gwei": priority_fee,
            "total_fee_gwei": total_fee_gwei,
            "total_fee_eth": total_fee_eth,
            "total_fee_usd": total_fee_usd,
            "adjusted_fee_eth": adjusted_fee_eth,
            "gas_used": gas_used,
            "effective_gas_price": self.base_fee + priority_fee
        }
    
    def estimate_arbitrage_gas(self, pool_a: str, pool_b: str, path_length: int) -> int:
        """
        估算套利交易的 Gas 消耗
        
        典型 DEX 套利 Gas 消耗估算：
        - 單swap: ~100,000 gas
        - 多跳路徑: 每跳額外 +80,000 gas
        - Flash loan: +30,000 gas
        """
        base_gas = 100_000  # 基礎合約調用
        path_gas = (path_length - 1) * 80_000  # 額外 swap
        flash_loan_gas = 30_000 if path_length > 1 else 0
        overhead_gas = 50_000  # 合約部署、驗證等
        
        return base_gas + path_gas + flash_loan_gas + overhead_gas

實際跑一下：

# 實例化計算器
calculator = MEVCostCalculator(eth_price=3500, base_fee=30)

# 估算一筆 3 跳套利的成本
gas = calculator.estimate_arbitrage_gas("UNI", "SUSHI", 3)
result = calculator.calculate_gas_cost(gas, priority_fee=5, optimism=1.0)

print(f"Gas 消耗: {result['gas_used']:,}")
print(f"總費用: {result['total_fee_eth']:.4f} ETH (${result['total_fee_usd']:.2f})")
print(f"緊急調整後: {result['adjusted_fee_eth']:.4f} ETH")

輸出：

Gas 消耗: 290,000
總費用: 0.01015 ETH ($35.53)
緊急調整後: 0.01015 ETH

DEX 套利的數學模型

常數乘積 AMM 的定價機制

Uniswap V2 採用最經典的常數乘積公式：

$$x \cdot y = k$$

其中 $x$ 和 $y$ 分別是池子中兩種代幣的數量，$k$ 是常數。

交易後數量計算：

當用戶用 $\Delta x$ 單位的代幣 X 換取代幣 Y 時：

$$(x + \Delta x) \cdot (y - \Delta y) = k = x \cdot y$$

展開：

$$xy - x\Delta y + y\Delta x - \Delta x \Delta y = xy$$

消去 $xy$：

$$-x\Delta y + y\Delta x - \Delta x \Delta y = 0$$

移項：

$$y\Delta x = x\Delta y + \Delta x \Delta y$$

假設交易量相對於池子很小（$\Delta x \ll x$），忽略 $\Delta x \Delta y$：

$$\Delta y \approx \frac{y}{x} \Delta x$$

這就是「價格」的近似定義：單位代幣 Y 的價值 ≈ 池子中 Y 的數量 / X 的數量。

精確公式（考慮滑點）：

def calculate_output_amount(
    input_amount: int,
    input_reserve: int,
    output_reserve: int,
    fee_rate: float = 0.003  # 0.3% 手續費
) -> dict:
    """
    計算 AMM 輸出的代幣數量
    
    完整公式推導：
    考慮手續費後：實際進入池子的數量 = Δx × (1 - fee)
    
    (x + Δx(1-f)) × (y - Δy) = k
    x×y - x×Δy + Δx(1-f)×y - Δx(1-f)×Δy = x×y
    -x×Δy + y×Δx(1-f) - Δx(1-f)×Δy = 0
    x×Δy = y×Δx(1-f) - Δx(1-f)×Δy
    x×Δy = Δx(1-f)(y - Δy)
    
    整理成標準形式：
    Δy = y - (x × y) / (x + Δx(1-f))
    """
    # 扣除手續費後的輸入
    fee_adjusted_input = int(input_amount * (1 - fee_rate))
    
    # 新的輸入 reserve
    new_input_reserve = input_reserve + fee_adjusted_input
    
    # 使用常數乘積公式
    # (x + Δx') × (y - Δy) = x × y
    # y - Δy = (x × y) / (x + Δx')
    # Δy = y - (x × y) / (x + Δx')
    
    numerator = output_reserve * fee_adjusted_input
    denominator = input_reserve + fee_adjusted_input
    output_amount = output_reserve - numerator // denominator
    
    # 計算有效價格
    effective_price = output_amount / input_amount
    
    # 計算滑點
    spot_price = output_reserve / input_reserve
    slippage = (spot_price - effective_price) / spot_price
    
    # 計算價格影響
    price_impact = slippage * 100  # 百分比
    
    return {
        "output_amount": output_amount,
        "effective_price": effective_price,
        "slippage": slippage,
        "price_impact_percent": price_impact,
        "fee_adjusted_input": fee_adjusted_input,
        "spot_price": spot_price
    }

# 測試用例
result = calculate_output_amount(
    input_amount=10_000_000,  # 10 USDC
    input_reserve=5_000_000_000,  # 5M USDC
    output_reserve=1_500_000_000_000_000_000_000  # 1500 ETH (18位精度)
)

print(f"獲得 ETH: {result['output_amount'] / 1e18:.6f}")
print(f"有效價格: {result['effective_price']:.2f} USDC/ETH")
print(f"滑點: {result['slippage']:.6f} ({result['price_impact_percent']:.4f}%)")

三角套利的利潤函數

三角套利是指在三個交易對之間循環交易，利用市場價格不一致獲利：

$$A \xrightarrow{p{AB}} B \xrightarrow{p{BC}} C \xrightarrow{p_{CA}} A$$

利潤函數推導：

設初始資本為 $A_0$，經過三筆交易後：

$$A1 = A0 \cdot \frac{1}{p{AB}} \cdot \frac{1}{p{BC}} \cdot p_{CA}$$

利潤：

$$\Pi = A1 - A0 = A0 \left( \frac{p{CA}}{p{AB} \cdot p{BC}} - 1 \right)$$

有利可圖的條件：

$$\Pi > 0 \iff \frac{p{CA}}{p{AB} \cdot p{BC}} > 1 \iff p{CA} > p{AB} \cdot p{BC}$$

這個條件的經濟學含義是：從 A 出發，先換成 B、再換成 C、最後換回 A 的「理論價格」與市場價格的偏差決定了利潤。

class TriangularArbitrage:
    """
    三角套利分析器
    """
    
    def __init__(self):
        self.min_profit_threshold = 0.001  # 最小利潤率 0.1%
        self.gas_cost_usd = 50  # 預估 Gas 成本
        
    def find_arbitrage_opportunity(
        self,
        pools: dict,
        initial_amount: float
    ) -> dict:
        """
        尋找三角套利機會
        
        參數 pools: {
            'WETH/USDC': {'reserves': (weth, usdc), 'fee': 0.003},
            'WBTC/ETH': {'reserves': (wbtc, weth), 'fee': 0.003},
            'WBTC/USDC': {'reserves': (wbtc, usdc), 'fee': 0.003}
        }
        """
        # 路徑 1: USDC → WETH → WBTC → USDC
        path1_profit = self._calculate_path_profit(
            initial_amount, pools, 
            ['WETH/USDC', 'WBTC/WETH', 'WBTC/USDC']
        )
        
        # 路徑 2: USDC → WBTC → WETH → USDC
        path2_profit = self._calculate_path_profit(
            initial_amount, pools,
            ['WBTC/USDC', 'WBTC/WETH', 'WETH/USDC']
        )
        
        # 選擇最優路徑
        best_path = path1_profit if path1_profit['net_profit'] > path2_profit['net_profit'] else path2_profit
        
        return best_path
    
    def _calculate_path_profit(self, initial: float, pools: dict, path: list) -> dict:
        """
        計算單一路徑的套利利潤
        
        數學模型：
        若路徑為 A → B → C → A
        利潤率 = (P_CA / (P_AB × P_BC)) - 1
        
        扣除費用後：
        有效匯率 = 理論匯率 × (1 - fee_A) × (1 - fee_B) × (1 - fee_C)
        """
        amounts = [initial]
        
        for i, pair in enumerate(path):
            reserve_in, reserve_out = pools[pair]['reserves']
            fee = pools[pair]['fee']
            
            # 獲取當前數量
            dx = amounts[-1]
            
            # 計算輸出（考慮費用）
            dy = self._get_amount_out(dx, reserve_in, reserve_out, fee)
            amounts.append(dy)
            
        # 最終利潤
        final_amount = amounts[-1]
        gross_profit = final_amount - initial
        profit_rate = (gross_profit / initial) * 100
        
        # 扣除 Gas 成本（假設固定）
        gas_cost = self.gas_cost_usd
        net_profit = gross_profit - gas_cost
        
        return {
            "path": path,
            "amounts": amounts,
            "gross_profit": gross_profit,
            "profit_rate_percent": profit_rate,
            "gas_cost_usd": gas_cost,
            "net_profit_usd": net_profit,
            "is_profitable": net_profit > 0
        }
    
    def _get_amount_out(
        self, 
        amount_in: float, 
        reserve_in: float, 
        reserve_out: float,
        fee: float
    ) -> float:
        """計算輸出數量"""
        amount_in_with_fee = amount_in * (1 - fee)
        numerator = amount_in_with_fee * reserve_out
        denominator = reserve_in + amount_in_with_fee
        return numerator / denominator

清算優先權競爭模型

清算的經濟學基礎

當藉款人的健康因子跌破 1 時，清算人就會出現。清算人的利潤來自於：

清算獎金：協議支付的獎勵（通常是抵押品的 5-10%）
市場差價：處置抵押品時的價格優勢

利潤函數：

$$\Pi{liquidation} = D{collateral} \times (r{bonus} + r{market}) - C{gas} - C{flashloan}$$

其中：

$D_{collateral}$：清算的抵押品價值
$r_{bonus}$：清算獎金比率
$r_{market}$：市場處置的額外收益比率
$C_{gas}$：Gas 成本
$C_{flashloan}$：Flash loan 借貸成本

競爭均衡：排隊論模型

問題來了：當多個清算人同時發現同一個可清算倉位時，誰能拿到這筆生意？

這本質上是一個拍賣問題。清算人需要競爭，方式是：誰願意支付更高的 Gas 價格。

class LiquidationCompetitionModel:
    """
    清算優先權競爭模型
    
    假設：
    1. 有 N 個清算人同時競爭同一個倉位
    2. 每個清算人的利潤函數已知
    3. 採用第一價格密封拍賣
    """
    
    def __init__(self):
        self.base_profit = 500  # 基本清算利潤（USD）
        self.gas_price_distribution = self._estimate_gas_distribution()
        
    def _estimate_gas_distribution(self) -> dict:
        """
        估算市場 Gas 價格分佈
        數據來源：Dune Analytics MEV Dashboard
        """
        return {
            "mean": 30,    # Gwei
            "std": 15,    # Gwei  
            "p95": 60,    # Gwei
            "p99": 120   # Gwei
        }
    
    def calculate_equilibrium_bid(
        self,
        num_competitors: int,
        liquidation_value: float,
        gas_used: int,
        win_probability_model: str = "logit"
    ) -> dict:
        """
        計算均衡投標價格
        
        在第一價格拍賣中，均衡策略是：
        bid* = value × (N-1)/N
        
        但 MEV 拍賣更複雜，因為：
        1. 失敗投標仍有 Gas 成本
        2. 資訊不對稱
        
        修正模型：
        bid* = (profit - expected_gas_cost_if_lose) × (winning_probability)
        """
        # 基本利潤
        base_profit = liquidation_value * 0.05  # 5% 清算獎金
        
        # 估算競爭者數量對勝率的影響
        if win_probability_model == "logit":
            # Logit 模型：勝率 = 1 / (1 + exp(-(V - b)/s))
            # 這裡簡化為：勝率 ≈ 1/N 當報價接近時
            win_prob = 1.0 / num_competitors
        
        # 均衡投標
        # 目標：expected_profit = 0 在均衡點
        # (1 - win_prob) × 0 - win_prob × (bid) + win_prob × base_profit = 0
        # 簡化後：
        equilibrium_bid = base_profit * win_prob
        
        # 安全邊際調整
        # 現實中還要考慮：
        # 1. 估計錯誤
        # 2. Gas 價格波動
        # 3. 執行失敗
        safety_margin = 0.8  # 80% 的理論利潤
        recommended_bid = equilibrium_bid * safety_margin
        
        # 轉換為 Gas 價格
        gas_price = recommended_bid / (gas_used / 1e9)  # 轉換為 Gwei
        
        return {
            "num_competitors": num_competitors,
            "base_profit_usd": base_profit,
            "win_probability": win_prob,
            "equilibrium_bid_usd": equilibrium_bid,
            "recommended_bid_usd": recommended_bid,
            "gas_price_gwei": gas_price,
            "bid_to_profit_ratio": recommended_bid / base_profit,
            "expected_roi_percent": ((base_profit - recommended_bid) / recommended_bid * 100) if recommended_bid > 0 else 0
        }

# 測試：5 個競爭者的均衡投標
model = LiquidationCompetitionModel()
result = model.calculate_equilibrium_bid(
    num_competitors=5,
    liquidation_value=100_000,  # 10 萬美元抵押品
    gas_used=400_000
)

print(f"競爭者數量: {result['num_competitors']}")
print(f"基本利潤: ${result['base_profit_usd']:.2f}")
print(f"均衡投標: ${result['equilibrium_bid_usd']:.2f}")
print(f"建議投標: ${result['recommended_bid_usd']:.2f}")
print(f"Gas 價格: {result['gas_price_gwei']:.1f} Gwei")
print(f"預期 ROI: {result['expected_roi_percent']:.1f}%")

三明治攻擊的利潤量化

三明治攻擊可能是 MEV 中最「邪惡」的形式，但它的數學模型其實很有意思。

利潤函數推導

三明治攻擊的利受害者：

受害者發起一筆大額交易
攻擊者在受害者交易之前買入（Front-run）
受害者的交易執行，帶動價格移動
攻擊者在受害者交易之後賣出（Back-run）

數學模型：

設：

$P_0$：初始價格
$\Delta x$：受害者的買入數量
$k$：池子的常數乘積參數（$k = x \cdot y$）
$f$：手續費率

受害者的平均買入價格：

$$P_{victim} = \frac{k}{(x + \Delta x)(1-f)} - \frac{k}{x}$$

攻擊者的買入（Front-run）：

$$\Delta x_f = \alpha \cdot \Delta x \quad (0 < \alpha < 1)$$

攻擊者的賣出（Back-run）：

$$\Delta xb = \Delta xf \quad (忽略資金時間價值)$$

Front-run 利潤：

受害者交易後，價格變為：

$$P1 = \frac{k}{x + \Delta x + \Delta xf}$$

攻擊者的買入成本：

$$Cf = \Delta xf \cdot P_0$$

Back-run 收益：

攻擊者的賣出收益：

$$Rb = \Delta xb \cdot P_1$$

總利潤：

$$\Pi{sandwich} = Rb - Cf - C{gas}$$

// 三明治攻擊利潤計算合約（教學用途）
// SPDX-License-Identifier: MIT
pragma solidity ^0.8.19;

contract SandwichProfitCalculator {
    // 模擬 Uniswap V2 池子狀態
    struct PoolState {
        uint256 reserveIn;   // 代幣 X 儲備
        uint256 reserveOut;  // 代幣 Y 儲備
        uint256 fee;         // 手續費率 (e.g., 3 = 0.3%)
    }
    
    // 計算三明治攻擊的理論利潤
    function calculateSandwichProfit(
        PoolState memory pool,
        uint256 victimAmountIn,  // 受害者買入數量
        uint256 attackerAmount,   // 攻擊者投入數量
        uint256 gasPrice,         // Gas 價格 (wei)
        uint256 frontRunGas,      // Front-run Gas 消耗
        uint256 backRunGas        // Back-run Gas 消耗
    ) public pure returns (int256 profit) {
        
        // 步驟 1: 計算受害者的交易結果
        (uint256 victimAmountOut, ) = _getAmountOut(
            pool.reserveIn,
            pool.reserveOut,
            victimAmountIn,
            pool.fee
        );
        
        // 受害者的平均成交價格
        uint256 victimAvgPrice = (victimAmountIn * 1e18) / victimAmountOut;
        
        // 步驟 2: 計算 Front-run 結果
        // 攻擊者在受害者之前買入
        (uint256 frontRunAmountOut, uint256 frontRunReserveIn) = _getAmountOut(
            pool.reserveIn,
            pool.reserveOut,
            attackerAmount,
            pool.fee
        );
        
        // 步驟 3: 計算 Back-run 結果
        // 攻擊者在受害者之後賣出
        // 注意：這裡的池子狀態已經被受害者的交易改變
        uint256 newReserveIn = pool.reserveIn + victimAmountIn;
        uint256 newReserveOut = pool.reserveOut - victimAmountOut;
        
        // 攻擊者手上的代幣數量
        uint256 attackerTokenHoldings = frontRunAmountOut;
        
        // 計算 Back-run 輸出
        (uint256 backRunAmountOut, ) = _getAmountOut(
            newReserveOut,         // 現在是 input
            newReserveIn,         // 現在是 output
            attackerTokenHoldings,
            pool.fee
        );
        
        // 步驟 4: 計算 Gas 成本
        uint256 totalGas = frontRunGas + backRunGas + 100000; // 加上受害者交易成本估算
        uint256 gasCostWei = totalGas * gasPrice;
        
        // 步驟 5: 計算利潤
        // 攻擊者投入：attackerAmount 的 ETH
        // 攻擊者收回：backRunAmountOut 的 ETH
        // 利潤 = 收回 - 投入 - Gas
        profit = int256(backRunAmountOut) - int256(attackerAmount) - int256(gasCostWei);
        
        return profit;
    }
    
    // 內部函數：計算 swap 輸出
    function _getAmountOut(
        uint256 amountIn,
        uint256 reserveIn,
        uint256 reserveOut,
        uint256 fee
    ) internal pure returns (uint256 amountOut, uint256 newReserveIn) {
        uint256 amountInWithFee = amountIn * (1000 - fee);
        uint256 numerator = amountInWithFee * reserveOut;
        uint256 denominator = reserveIn * 1000 + amountInWithFee;
        amountOut = numerator / denominator;
        newReserveIn = reserveIn + amountIn; // 簡化：假設直接加
    }
}

Flashbots 拍賣機制的經濟學

為什麼需要拍賣機制

在原生 MEV 市場中，存在幾個問題：

公盟困境：交易直接進入內存池，礦工可能盜取 MEV 機會
Gas 戰爭：MEV 搜尋者之間的價格競爭導致網路擁堵
失敗風險：競價失敗的交易仍然消耗 Gas

Flashbots 的 MEV-Boost 拍賣機制解決了這些問題。

拍賣模型分析

MEV-Boost 採用的模型是最高價格拍賣（Highest Price Auction）：

搜尋者提交密封競標
區塊構建者選擇支付最高的交易
驗證者選擇出價最高的區塊

class FlashbotsAuctionModel:
    """
    Flashbots MEV-Boost 拍賣模型分析
    
    關鍵參數：
    - Bundle value: 搜尋者願意支付的總金額
    - Gas price: 每單位 Gas 的支付意願
    - EthPrice: ETH/USD 價格
    """
    
    def __init__(self, eth_price: float = 3500):
        self.eth_price = eth_price
        
    def calculate_bid_strategy(
        self,
        gross_profit: float,      # gross MEV profit in USD
        success_rate: float,      # 成功率 (0-1)
        gas_used: int,            # Gas 消耗
        competition_level: str    # 'low', 'medium', 'high'
    ) -> dict:
        """
        計算最優投標策略
        
        模型假設：
        1. 搜尋者是風險中性的
        2. 成功時獲得 profit - bid
        3. 失敗時損失 bid（如果使用預先用戶支付）
        
        期望利潤：
        E[π] = success_rate × (profit - bid) + (1 - success_rate) × (-bid_cost_if_paid)
        
        均衡條件下：E[π] = 0
        bid* = success_rate × profit
        """
        
        # 根據競爭程度調整成功率
        if competition_level == 'low':
            success_adjustment = 0.9
        elif competition_level == 'medium':
            success_adjustment = 0.7
        else:  # high
            success_adjustment = 0.5
        
        adjusted_success_rate = success_rate * success_adjustment
        
        # 均衡投標（期望利潤為零）
        equilibrium_bid = adjusted_success_rate * gross_profit
        
        # 安全邊際（建議留 20% 利潤）
        recommended_bid = equilibrium_bid * 0.8
        
        # 轉換為 Gas 價格
        bid_in_eth = recommended_bid / self.eth_price
        gas_price_gwei = (bid_in_eth / gas_used) * 1e9
        
        # 計算 ROI
        net_profit = gross_profit - recommended_bid
        roi_percent = (net_profit / recommended_bid) * 100 if recommended_bid > 0 else 0
        
        return {
            "gross_profit_usd": gross_profit,
            "success_rate": success_rate,
            "adjusted_success_rate": adjusted_success_rate,
            "equilibrium_bid_usd": equilibrium_bid,
            "recommended_bid_usd": recommended_bid,
            "bid_in_eth": bid_in_eth,
            "gas_price_gwei": gas_price_gwei,
            "net_profit_usd": net_profit,
            "roi_percent": roi_percent,
            "is_profitable": net_profit > 0
        }

# 實例測試
model = FlashbotsAuctionModel(eth_price=3500)
result = model.calculate_bid_strategy(
    gross_profit=500,      # $500 利潤
    success_rate=0.8,     # 80% 成功率
    gas_used=300_000,     # 300k Gas
    competition_level='medium'
)

print("=== Flashbots 投標策略分析 ===")
print(f"毛利润: ${result['gross_profit_usd']:.2f}")
print(f"成功率: {result['success_rate']:.0%}")
print(f"均衡投標: ${result['equilibrium_bid_usd']:.2f}")
print(f"建議投標: ${result['recommended_bid_usd']:.2f}")
print(f"Gas 價格: {result['gas_price_gwei']:.1f} Gwei")
print(f"淨利潤: ${result['net_profit_usd']:.2f}")
print(f"ROI: {result['roi_percent']:.1f}%")

鏈上數據驗證

Dune Analytics 查詢範例

想知道某個 MEV 策略是否真的有效？最好的方法是到鏈上驗證。

-- Dune Analytics: MEV 套利利潤分析
-- 查詢特定攻擊者的 MEV 收益歷史

WITH 
-- 找出所有 Uniswap V2 的套利交易
arbitrage_txs AS (
    SELECT 
        tx_hash,
        block_time,
        trader AS attacker,
        token_in,
        token_out,
        amount_in / 1e18 AS amount_in,
        amount_out / 1e18 AS amount_out,
        -- 計算利潤（簡化版：假設最後換回初始代幣）
        CASE 
            WHEN token_in = 0xC02aaA39b223FE8D0A0e5C4F27eAD9083C756Cc2 THEN amount_out - amount_in
            ELSE amount_out * 3500 - amount_in  -- 估算 USD 值
        END AS estimated_profit_eth
    FROM uniswap_v2."ETH_2"
    WHERE 
        block_time >= '2026-01-01'
        AND block_time < '2026-03-29'
        -- 篩選大額交易（可能是 MEV）
        AND amount_in > 10  -- > 10 ETH
),

-- 計算每個攻擊者的總收益
attacker_profits AS (
    SELECT 
        attacker,
        COUNT(*) AS num_trades,
        SUM(estimated_profit_eth) AS total_profit_eth,
        AVG(estimated_profit_eth) AS avg_profit_eth,
        MAX(estimated_profit_eth) AS max_profit_eth
    FROM arbitrage_txs
    GROUP BY attacker
    HAVING SUM(estimated_profit_eth) > 100  -- 只看總收益 > 100 ETH 的
)

SELECT 
    attacker,
    num_trades,
    total_profit_eth,
    total_profit_eth * 3500 AS total_profit_usd,
    avg_profit_eth,
    max_profit_eth,
    total_profit_eth / num_trades AS profit_per_trade
FROM attacker_profits
ORDER BY total_profit_eth DESC
LIMIT 20

說到底，MEV 這件事反映的是區塊鏈的一個根本矛盾：交易排序是一種權力，而權力通常會被貨幣化。

從純經濟學角度，MEV 搜尋者的存在有其合理性——他們確實在修復市場效率（雖然方式可能不太光彩）。但從社會角度，三明治攻擊受害者的遭遇很難讓人笑得出來。

我的建議？如果你不是專業的 MEV 交易員，使用 MEV 保護工具（如 Flashbots Protect）是明智之舉。 至於那些想成為 MEV 搜尋者的朋友，做好心理準備——這個市場越來越擁擠，利潤越來越薄。

數學不會說謊，但前提是你得算對。

以太坊 MEV 生態系統實務操作完整指南：Flashbots MEV-Boost 建構者利潤分析、三明治攻擊量化損失統計與搜尋者策略實例研究 — 本文從工程師視角出發，提供 MEV 供應鏈每個環節的深度技術解析，涵蓋搜尋者策略（套利、清算、三明治攻擊）的 Python 和 Solidity 程式碼範例，建構者利潤分析模型（含 Beaverbuild、Flashbots、Builder0x69 的市場份額與利潤率數據），三明治攻擊的量化損失統計（2025 年度約 $1.93 億美元），以及 MEV 保護與應對策略的完整實作指南。
DeFi 清算機制三方比較與 MEV 競爭策略深度分析：Aave、MakerDAO、Compound 量化研究 — 深入比較以太坊生態系統中三大主流借貸協議 Aave、MakerDAO 和 Compound 的清算機制設計，從量化角度分析各協議的清算效率、成本結構和風險管理策略。同時探討清算機器人在 MEV 市場中的競爭策略，包括 Gas 優化、Bundle 構造、跨協議套利等實務技術。提供完整的 Python/Solidity 程式碼範例和量化數據分析。
DeFi 風險量化案例研究完整指南：清算事件數據分析、MEV 機器人利潤模型與風險計算工具實作 — 本文深入探討 DeFi 風險量化分析，提供完整的歷史清算事件數據分析、MEV 機器人利潤計算模型、風險計算工具 Python 實作，以及可實際運用的風險管理策略。我們將從工程師視角出發，透過真實數據和可執行代碼，幫助讀者建立系統性的 DeFi 風險評估能力。
以太坊 MEV 實戰數據手冊：從歷史事件到量化分析 — 本文以量化數據和實際案例為基礎，深入分析以太坊 MEV（最大可提取價值）的運作機制、歷史演變和長期影響。提供 2020-2025 年 MEV 總量與交易筆數統計、套利機器人實戰經驗、三明治攻擊真實案例、以及針對普通用戶的 MEV 保護策略。同時分析 MEV 對以太坊去中心化承諾的長期影響與可能的緩解方案。
AAVE V4 風險模型代碼深度分析：健康因子、清算引擎與風險參數引擎的量化實現 — 本文從工程師視角深度剖析 Aave V4 風險模型的量化實現。涵蓋健康因子的數學定義與推導、清算觸發條件與拍賣機制、風險參數引擎的自適應調整邏輯、連續複利利率模型，以及流動性風險管理框架。提供完整的 Solidity 合約程式碼解讀與 Python 數值模擬範例，幫助讀者掌握頂級借貸協議的風險管理核心技術。

延伸閱讀與來源

Aave V3 文檔頭部借貸協議技術規格
Uniswap V4 文檔 DEX 協議規格與鉤子機制
DeFi Llama DeFi TVL 聚合數據
Dune Analytics DeFi 協議數據分析儀表板

這篇文章對您有幫助嗎？

請告訴我們如何改進：

0 人覺得有帮助

MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

MEV 的基本數學框架

利潤函數的一般形式

Gas 成本的精確計算

DEX 套利的數學模型

常數乘積 AMM 的定價機制

三角套利的利潤函數

清算優先權競爭模型

清算的經濟學基礎

競爭均衡：排隊論模型

三明治攻擊的利潤量化

利潤函數推導

Flashbots 拍賣機制的經濟學

為什麼需要拍賣機制

拍賣模型分析

鏈上數據驗證

Dune Analytics 查詢範例

延伸閱讀與來源

這篇文章對您有幫助嗎？

評論

發表評論

MEV 利潤模型數學推導完整指南：從套利到清算的量化分析與區塊鏈驗證

MEV 的基本數學框架

利潤函數的一般形式

Gas 成本的精確計算

DEX 套利的數學模型

常數乘積 AMM 的定價機制

三角套利的利潤函數

清算優先權競爭模型

清算的經濟學基礎

競爭均衡：排隊論模型

三明治攻擊的利潤量化

利潤函數推導

Flashbots 拍賣機制的經濟學

為什麼需要拍賣機制

拍賣模型分析

鏈上數據驗證

Dune Analytics 查詢範例

相關文章

延伸閱讀與來源

這篇文章對您有幫助嗎？

評論

發表評論