Según arXiv q-fin, un estudio reciente presenta un modelo matemático que describe cómo evoluciona la distribución de liquidez en plataformas como Uniswap V3, donde los usuarios mantienen posiciones en rangos específicos de precios. Este comportamiento se modela mediante una ecuación parcial estocástica con integral (SPIDE), que combina un operador de Sturm–Liouville degenerado, que refleja la tendencia natural de la liquidez a volver al precio de mercado, y un operador integral de Hilbert–Schmidt, que captura la reorganización no local de posiciones cuando los proveedores ajustan sus rangos. El trabajo demuestra la existencia y unicidad de soluciones en un espacio L² ponderado construido sobre una base de eigenfunciones de Gegenbauer, y reduce la complejidad del modelo a un sistema de ecuaciones diferenciales estocásticas lineales. Estas ecuaciones permiten describir con precisión la forma de la curva de liquidez, específicamente su nivel, pendiente y curvatura. Al integrar el modelo con un proceso de precios logarítmico, se obtienen expresiones prácticas para las reservas del pool, el valor del mismo y las pérdidas asociadas a reajustes de liquidez, bajo tipos de ruido como Ornstein–Uhlenbeck y Black–Scholes. Una calibración de bajo rango, aplicada a tres pools de Uniswap, produce estimaciones claras y mejora significativamente el error de predicción en comparación con un modelo de martingala, especialmente en dos de los casos analizados. En el tercer caso, los resultados fuera de muestra indican ausencia de estacionariedad, lo que sugiere la necesidad de incorporar ajustes dinámicos basados en el precio y en el tiempo.
Este enfoque, aunque desarrollado en entornos de criptoactivos, ofrece una perspectiva útil para inversores peruanos que gestionan activos en mercados digitales o que buscan entender cómo se distribuyen los recursos en plataformas de intercambio. Aunque el modelo no se aplica directamente a bolsas tradicionales como la BVL, su estructura matemática puede inspirar el diseño de estrategias de gestión de liquidez en fondos o en operaciones de inversión. Por ejemplo, los inversores que participan en plataformas de trading automatizado pueden usar estos principios para anticipar cómo se reorganizan los recursos en función de los cambios de precio. Además, el hallazgo de que ciertos sistemas no son estacionarios subraya la importancia de adaptar las estrategias de inversión a condiciones cambiantes, algo que también se aplica en mercados locales donde las volatilidades pueden cambiar rápidamente por factores macroeconómicos. En un contexto peruano, donde la economía está expuesta a fluctuaciones por temas como la política monetaria o la inflación, esta visión matemática resalta que los modelos de predicción deben ser dinámicos, no estáticos, para mantenerse efectivos en el tiempo.