解读Token经济学的四大支柱与VE Token模型

设计Token经济模型很难

对于项目而言,Token的经济学模型的设计至关重要,同时这也是项目里最困难的事情之一 。因为这实际上是在从头开始创建一个完整的经济系统,并且是在没有任何现实经验依据的情况下进行创建。Token模型设计的一个细微错误可能会影响整个项目,即使该项目的其他设计都很好,智能合约的不可篡改性进一步强调了初始Token设计的重要性。一旦合约发布之后,需要进行分叉才能对协议进行更新。 

尽管Token经济学很复杂,但它仍然受制于经济学的基本定律,即供求关系。简单来讲,Token经济模型的设计都是设计影响短期和长期供需的方法。 理想情况下,最好的设计是在鼓励需求的同时减少供应,但这说起来容易做起来难。 

四大支柱

在深入了解“ve”Token设计的复杂性之前,本文将介绍Token经济学的基础知识。在我看来,每种加密货币都有四个基本的Token经济学支柱,这是投资者在深入研究Token经济学之前应该分析的第一件事 。支柱上的任何设计缺陷都是Token经济模型在未来的隐患,如果缺陷很严重,可能会导致整个经济模型倒塌,或者导致项目慢慢流血,就像一座废弃的建筑物生锈一样。 

供应

没有什么比Token的数量管理更基础更重要的了,Token的数量管理的一部分就是供应。我们可以将供应分为:

流通供应量:

市场上流通的Token的数量

最大供应量:

理论上协议所能产生的最大Token的数量

总供应量 :

已发行的Token数量。这包括销毁和锁定的Token。即使这些Token不属于流通供应。 

供应量越高,价格越低。我相信你经常看到诸如“看看ADA,它只有 1 美元,想象一下如果它只达到比特币价格的 50%,我会赚多少钱!”之类的言论。因为他们没有意识到ADA的供应量为450亿,而比特币的供应量为 2100万。这就是为什么市值是比只看Token价格更准确的指标,因为它会影响价格和供应。 

将流通供应量与总供应量和最大供应量进行比较会发现有趣的现象。比如,如果流通供应量低而总供应量和最大供应量高,这是一个巨大的危险信号,因为你的Token的价值将被稀释,如下图: 

这个Token的流通供应量约为 133M,最大供应量为 10B。对于你的Token来说大约有 8 倍的稀释风险,这是一个重大问题。如果明天所有的Token都被释放,你的Token价值将是昨天的 1/8。假设您今天以 3.05 亿的市值买入,预计 5 年内将达到 100 倍。这将使市值达到 30B(相当高,但在加密货币中并不罕见),但完全稀释后的估值将达到 2.3T(高于今天的加密货币市值)。

此外,即使市值增加,这些Token的定期发行也会增加流通供应量,这将对价格造成下行压力。这并不是说这个Token的一切都很糟糕,他们甚至可能有办法抵消供应压力,但这是长期投资者应该注意的风险因素。短期投资者不太担心最大供应量,因为Token解锁的时候他们可能早就跑了。 

下面是一个相反的例子,流通供应量接近最大供应量。但这并不意味着这个项目是个可靠的项目,但是的确减少了投资者的风险。

Trister's Lend去中心化借贷平台主网已上线:据官方消息,Trister's Lend去中心化借贷平台主网已上线,目前支持12种主流代币进行存借等操作,上线24小时存款地址高达26452次。

Trister's Lend在8月10日-8月20日进行了十天的公测,期间参与测试人数达11万人次,有效参与存款账户超出8万;社交平台Twitter在公测期间粉丝增长了23000人;Telegram增加36700人,每天24小时在线率35%,最高在线人数11550人。[2021/8/25 22:36:01]

 

分发

Token的分发是投资者应该注意的下一个Token经济系统的支柱,这是一个非常简单的支柱。分发是指每个钱包持有特定Token的百分比的分布。你会想要 1 个人持有 70% 的代币供应吗?如果你想的话,那么那个项目将非常集中,他可以无休止地抛售Token,让我们这些散户变得更穷,并且破坏了项目的前途。

一个好的分发设计是尽量将token分配给更多人。这样一来,如果有人想退出,他们的抛售不会对价格产生太大影响。查询Token分布的最佳方法是查看他们的白皮书中的Token分配图表,并在区块链浏览器上检查钱包的分布。 

货币政策 

货币政策决定了Token是通胀还是通缩模型,并且还决定了通胀/通缩程度以及项目的整体共识机制。如前所述,高通胀会导致资产价格随着时间的推移而下跌。低通胀率与POW(例如比特币)相结合可能是一件好事,因为它可以在生态系统中创造生产力。以太坊 2.0 和 EIP 1559 允许在每笔交易中销毁 ETH,理论上应该会让以太坊变得通缩。

这引出了我的下一个想法,即应该如何一起分析Token经济学的四个支柱中以及它们的相互作用。让我们回看本文供应部分中高度稀释的Token的示例。虽然它具有很高的FDV,但假设它的货币政策是每年消耗 7% 的循环供应量和每年 5% 的代币释放计划,所以即使 7/8 的供应被锁定并且存在通胀压力,这也导致通缩率同比下降 2%。在这种货币政策下,token将不会面临任何锁定的通胀压力,但实际上,由于流通供应的减少,因此存在负面的供应压力。

寻找各种Token经济学支柱的相互作用能够让我们弄清楚Token经济学的优点。单纯只看一个支柱经常会被误导。(请注意,关于销毁是否是资金的有效使用存在争议,所以本文中仅使用Token销毁作为一个简化的示例来解释这个概念。) 

价值捕获

最后一个支柱是协议捕获了多少价值以及价值应该如何分配。在 Web 2 中,所有获得的价值都回到了 Facebook、Google 和 Twitter 等公司。他们从用户的数据和社交媒体互动中赚取了数十亿美元,而用户则获得了零美元的回报。用户最多会得到一个蓝色复选标记。Web 3 颠覆了这一点,因为协议捕获了它们提供的价值,并将其分配给Token持有者。您可以成为协议的用户,并且同时获得回报。 

并非所有协议都能有效地捕捉价值,我认为在我们拥有一个可以捕捉协议提供的 100% 价值的Token架构之前,仍然需要大量的研究和实验。 

最简单的比较例子是 2020 年的 Uniswap 与 Sushiswap 之战。Uniswap 发布了他们的 AMM(自动做市商),但没有发布Token。当然,他们提供了具有大量价值的创新产品,但他们为网络参与者获取了 0% 的价值。然后 Sushiswap 分叉了 Uniswap 并随之创建了 SUSHI  Token。

SUSHI 持有者可以对治理问题进行投票,并将他们的 SUSHI 质押为 xSUSHI,并获得协议产生的交易费用。虽然这种模式远非完美,但让Token持有者分享收入比 Uniswap 的模式获得的价值要多得多。如果 Uniswap 在 AMM 发布时推出了一种能够获取价值的Token,那么 Sushiswap 获得新用户将更加困难。 

VeToken经济模型

以上是基础知识,那么Ve是什么?

Ve 是“voter escrowed”,自提出以来已经迅速成为一种流行的Token经济学模型,采用更新的 DeFi 协议。有趣的是,ve 模型是 Curve Finance 发明的,它是“DeFi 1.0”。 

它的工作方式是锁定您的 CRV 代币,然后将其转换为具有协议治理能力的 veCRV。锁定期不是固定的,Token持有者可以决定他们想要锁定他们的 CRV 多长时间,最长 4 年。

随着时间的推移,持有者拥有的 veCRV 数量在其锁定期间线性衰减。这会激励持有者定期为 veCRV 重新锁定他们的 CRV,以最大限度地提高治理和奖励。主要创新是如何创建加权投票和加权奖励。此外,一旦您将 CRV 转换为 veCRV,您就会被锁定在指定的时间段内。不能像其他协议那样提早解除锁定。 

假设Bill 和 Alice各有 100 个 CRV。Bill 决定将他的 CRV 锁定 2 年,而 Alice 将她的锁定 4 年。即使他们一开始拥有相同数量的 CRV,Alice 将获得比 Bill 多一倍的 veCRV,这意味着她将获得比他多一倍的治理投票和奖励。 

VeToken经济模型的效果

veToken经济模型解决的主要问题之一就是 1 token = 1 vote 问题。在非 ve 模型下,大鲸鱼可以购买大量代币进行短期治理并获得回报,而无需在博弈中承担除了短期价格之外的任何风险。因此一个同类协议可以购买数百万美元的竞争者协议Token并投票支持糟糕的提议,然后抛售Token。

在 ve 模型下,这种类型的鲸鱼操纵效果要差得多,因为他们的选票不会像长期持有者那样有价值。如果一个协议或鲸鱼想要对另一个协议产生重大影响,他们将不得不锁定他们的Token一段时间。一旦他们的Token被锁定,这就产生了以符合协议最佳利益的方式行事的动力。CRV战争就是最好的例子。 

此外,选择最长锁定期的协议的铁杆支持者将比在 1 token = 1 vote模型下拥有更大的发言权。与短期投机者相比,这些铁杆的支持者获得了更多的收益和被动收入。只要协议继续推进,质押者就会明白,在可预见的未来,他们将获得被动收入,而不是在不确定的情况下从一个协议跳到另一个协议。 

最后,ve 模型对 4 个支柱中的 3 个有直接影响,分发是和Ve模型唯一关系较弱的支柱。 

Ve模型通过Token的长期锁定来影响供应。持有者被激励长期锁定他们的代币,以最大限度地提高影响力和收益。当这些Token被锁定时,它们会在很长一段时间内退出市场,从而减少抛售压力。因为供应较少,随着时间的推移,这应该会有机地导致价格上涨。与 1 token = 1 vote的模型相比,这个流通供应表现非常出色。 

VeToken的持有者是决定协议货币政策的人,就像在 1 token = 1 vote模型下一样。不同之处在于 veToken模型是一种升级,因为它将协议的长期激励与质押者的激励保持一致。如前所述,这会激励拥有最多既得利益的持有者投票支持协议的有利货币政策,而不是让潜在的恶意第三方或只考虑自己利益的第三方来支持损害协议的政策。 

Ve模型产生巨大影响的最后一个支柱是协议如何将捕获的价值分配给其持有者。该模型根据您被锁定的时间来分配捕获的价值。但是仍然还有大量空间可以创新以最大限度地获取价值回报给用户。 

创新

DeFi 领域的很多协议都在努力实现 veToken经济模型,这很棒!与传统的token经济模型相比,这是一个进步,但 veTokenomics 不会成为token设计的巅峰之作。本节将介绍一些项目正在使用 veToken经济模型作为基础构建的创新设计。(注意,我并不是说要把你的全部净资产投入我在下面讨论的Token中,我只是在讨论他们正在研究的 veToken经济模型的创新,它仍然是一个未知的实验。) 

Cartel 目前正在为他们的 BTRFLY 代币创建一个 ve 版本,但有一点不同。他们计划发布 blBTRFLY 和 dlBTRFLY 代替 veBTRFLY,分别代表贿赂锁定和 DAO 锁定 BTRFLY。blBTRFLY 是面向零售的Token,可为持有者最大化收益,而 dlBTRFLY 专注于希望最大化其 DeFi 治理的 DAO 和协议。简化理解:

blBTRFLY = 更高的产量

dlBTRFLY = 更高的 DeFi 治理权

这是一个以 veToken经济模型为基础的有趣设计,我将关注它在实践中的运作方式。 

下一个创新协议是 Trader Joe。他们发布了新的Token经济学模型,引入了三个 Joe 衍生品来替代 xJOE,分别是: rJoe, sJoe, veJoe。

为 rJOE 质押 JOE 让 rJOE 持有者可以在 JOE 生态系统中参与项目的launch。(Rocket Joe 比这更微妙,但这超出了本文的范围) 

为 sJOE 质押 JOE 让 sJOE 持有者从平台支付的收入中分得一杯羹。这笔收入以稳定币的形式支付,这让用户可以获得被动收益。 

为 veJOE 质押 JOE 让 veJOE 持有者在 Joe 农场中获得更高的奖励,以及治理权。 

veToken经济模型目前处于发展期。我们看到协议开始创建其主要Token的多个衍生品,每个衍生品都有一个特定的用例。这允许用户在他们最想参与的协议部分上最大化他们的投资策略。 

结论

总之,Token经济学很难,协议需要确保四个支柱与经济系统的正确搭配。此外,他们还需要在这四大支柱之上进行创新,以保持竞争力。VeToken经济模型向前迈出了一大步,是对以前的Token经济系统的巨大改进。它减少了供应,奖励长期投资者,并将协议和投资者激励措施结合在一起。2022 年,更多协议将继续将 veToken经济模型添加到其设计架构中,并以 veToken经济模型作为四大支柱之上的中间件基础进行创新以创建独特的经济系统。

撰文:Captain BTC

编译整理:0xzshanzhan

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

区块分享

BTCDAO治理中的惩罚机制探讨

社区是一个长期的过程.创造暂时的关注是一回事,但培养有意义的关系群体并团结整个社区在一段时间内贡献他们的时间和精力是另一回事。 短期内大量较为明确的工作目标有可能会让成员体会到强制的意味而对社区产生抵触从而离开(因为人们的差异,对于这一点的标准也有很大不同),这也与DAO文化中:让贡献者从事他们喜欢的任务这一点背离。

比特币价格无聊猿创作者 27岁华裔女孩的NFT之旅

“无聊猿” Bored Ape Yacht Club无疑是目前加密世界中最明亮的一颗新星,但绝大多数人可能完全没听说过这个头部 NFT 项目的创作者——年仅 27 岁的亚裔美国艺术家塞内卡(Seneca)。 当然,对于塞内卡来说,她自己也没想过这套作品竟然推动了一场技术革命。

Bitcoin在元宇宙里怎么交朋友?Meta发布跨语种交流语音模型 支持128种语言无障碍对话

改名 Meta 之后,Facebook 的元宇宙愿景正在一点点实现。这一次,Facebook 把目光投在了元宇宙社交上。 Meta 发布语音处理模型 XLS-R 近日,Meta 正式发布 XLS-R——一套用于各类语音任务的新型自监督模型。据悉,XLS-R 由海量公共数据训练而成(数据量是过去的十倍),能够将传统多语言模型的语言支持量增加两倍以上。

[0:0ms0-0:484ms