ABM 토큰 이코노미스 적합 모델: 토큰 이코노미가 토큰 가치와 안정성에 어떻게 영향을 미치는가?
TechFlow 선정TechFlow 추천
ABM 토큰 이코노미스 적합 모델: 토큰 이코노미가 토큰 가치와 안정성에 어떻게 영향을 미치는가?
토큰 경제의 역학은 극도로 복잡하다. 에이전트 기반 모델(Agent-Based Models, ABMs)을 사용하면 토큰이 개개인의 행동에 어떤 영향을 미치는지, 그리고 개별 간의 상호작용을 분석함으로써 토큰 경제의 복잡성을 보다 깊이 이해하는 데 한 걸음 더 가까이 다가갈 수 있다.
Web3 심층 보도에 집중하고 흐름을 통찰작성자: MUSTAFA, CARL
편역: TechFlow
TLDR
6MV는 토큰 연구를 지원하고 포트폴리오 기업에 토큰 생성, 출시 및 메커니즘 설계에 대한 조언을 제공하기 위해 일부 에이전트 기반 모델을 개발했습니다. 우리는 Filecoin, Chainlink, The Graph, Helium 등을 포함하는 '인프라' 경제를 모델링했습니다. 이러한 경제는 유용한 토큰으로 서비스 제공자를 보상하고 사용자가 서비스 이용료를 지불합니다.
본 문서에서는 우리의 접근 방식을 소개하고 네 가지 초기 발견을 공유합니다:
- 우리의 연구 결과, 토큰 가격에 가장 큰 영향을 미치는 요소는 거시경제적 변화임에도 불구하고, 토큰 설계 결정은 약세장에서 토큰 가격 하락을 완화하는 데 도움이 될 수 있습니다.
- 기타 모든 조건이 동일할 경우, 수요 측보다 공급 측을 인센티브 부여하는 것이 더 효과적입니다. 네트워크에 서비스 제공자를 추가하면 안정성과 전체 토큰 가격이 상승합니다.
- 모델 내에서 토큰 발행률(예: 디플레이션)을 조정해도 프로토콜 성과에 실질적인 영향을 주지 못했습니다. 대신, 프로토콜이 디플레이션을 통한 가격 상승보다 가치 창출 요소에 우선순위를 두기를 권장합니다.
- 스테이킹이 있는 네트워크의 경우, 스테이킹 보상을 늘리면 소규모 투자자와 전체 토큰 시가총액이 증가하지만 변동성도 함께 증가합니다.
시장이 호황일 때에는 많은 토큰의 가격이 고도의 투기적 행동에 의해 좌우되어 토큰 경제 설계가 실제로 효과가 있었는지 판단하기 어렵습니다. 그러나 시장이 불황일 때에는 깊이 있고 근거 있는 통찰을 통해 프로토콜이 가격을 안정시키고 실용성을 높이는 것이 점점 더 중요해집니다.
토큰 경제에 대한 완전한 프레임워크가 아직 확립되지 않았기 때문에, 우리 연구팀은 다양한 시장 조건에서 토큰 경제를 이해하고 대응하기 위해 에이전트 기반 토큰 경제 시뮬레이션을 구축하고 있습니다.
서론
토큰 경제학을 이해하는 데 있어 어려운 점은 메커니즘 설계를 이해하는 것입니다. 경제학에서 게임 이론은 게임 내 존재하는 전략과 인센티브를 연구합니다. 반면 메커니즘 설계는 반대로, 일련의 원하는 인센티브와 전략이 어떻게 게임 자체의 설계에 영향을 미치는지를 연구합니다. 이러한 수학적 프레임워크를 통해 우리는 토큰 경제 설계를 토큰이 행동을 유도하는 핵심 도구인 하나의 게임 설계로 볼 수 있습니다.
그러나 게임과 달리 토큰 경제는 외부 요인에 쉽게 영향을 받는 개방형 시스템이며, 따라서 토큰 경제 시스템 내 행동과 결과를 예측하기 어렵습니다. 그러므로 우리는 이러한 복잡한 관계를 더 잘 이해하기 위해 계산적 방법을 활용해야 합니다.
우리의 접근법은 서로 다른 특성을 가진 개별 에이전트를 모델링하는 에이전트 기반 모델(Agent-Based Model, ABM)을 사용하는 것입니다. 이러한 에이전트들은 합리적이며 시장 조건에 따라 동적으로 반응하여 토큰 경제 시스템의 작동 방식을 더 잘 이해할 수 있도록 합니다.
에이전트 기반 모델 vs 기타 방법
머신러닝(Machine Learning, ML)은 현재 예측 모델의 표준 산업 방식입니다. 간단히 말해, 여러 데이터 입력 간의 상관관계를 기반으로 하는 모델 유형입니다. 머신러닝 모델을 사용해 토큰 경제를 예측할 때, 과거 사용자 채택률, 토큰 가격, 토큰 공급량, 비트코인 가격 등 현실 세계의 다양한 지표를 기반으로 토큰 가격을 예측할 수 있습니다.
이러한 입력 데이터를 종합하여, 모델은 가중 회귀 분석을 통해 특정 기간 동안의 토큰 가격을 예측합니다. 이러한 모델은 일반적으로 시간 범위가 짧은 애플리케이션, 예를 들어 소셜미디어나 단기 거래 의사결정에 사용됩니다. 밀리초 단위의 시간 척도에서 사용자 선호도나 시장 트렌드는 이전 추세와 높은 상관관계를 갖습니다. 그러나 장기적으로는 입력 데이터의 본질적인 편향으로 인해 예측이 상대적으로 신뢰할 수 없게 됩니다. 거시경제적 트렌드의 무작위성, 외부 충격 및 기타 추세는 일반적으로 정량화하기 어렵거나 불가능하여 머신러닝의 예측 능력에 한계를 만듭니다.
에이전트 기반 모델(ABM)을 사용하면 무작위적인 우연을 고려할 수 있으며, 입력 데이터에 영향받지 않고 에이전트들이 독립적으로 행동하도록 할 수 있습니다. 이를 통해 수백 번의 시뮬레이션 결과를 수집하고 분석하여 통찰을 얻을 수 있습니다. 무엇보다 중요한 것은 ABM 방법을 통해 왜 그런 결과가 발생했는지를 이해할 수 있다는 점입니다. 상세한 출력 로그를 통해 우리는 에이전트의 행동과 시장 트렌드 사이의 인과관계를 깊이 탐구할 수 있습니다. 반면 머신러닝 모델은 예측 결과만 출력할 수 있을 뿐, 그 결과의 배경 정보는 제공하지 못합니다.
요약하자면, ABM은 다양한 참여자에게 서로 다른 행동을 할당할 수 있는 능력을 제공하며, 장기 예측이 가능하고 수백만 개의 데이터 포인트를 수집, 저장, 라벨링할 필요가 없으며, 출력 로그를 분석함으로써 인과관계를 추론할 수 있습니다.
모델 설계
개요
우리의 ABM 모델은 Helium, Filecoin, Chainlink처럼 제공자가 사용자에게 서비스를 제공하는 '인프라 경제'를 위해 설계되었습니다. 이는 서로 다른 인센티브를 가진 에이전트 유형으로 쉽게 전환될 수 있습니다. 사용자는 서비스 이용료를 지불하고, 제공자는 비용을 충당하고 수익을 극대화하기 위한 보상을 받습니다. 모든 에이전트는 최대 수익을 달성하기 위해 시장 트렌드에 따라 투기를 수행합니다. 또한 네트워크에 직접 참여하지 않지만 토큰을 매수/보유/스테이킹/매도하여 수익을 극대화하는 두 종류의 투자자 에이전트—기관 투자자와 개인 투자자—도 포함합니다.
시뮬레이션을 시작하기 위해 토큰 가격, 토큰 공급량, 네트워크 규모 등의 일련의 '초기 조건'을 입력합니다. 이후 시뮬레이션은 일련의 사건이 발생하고 에이전트들이 거래를 수행하는 순환 단계로 진입합니다. 각 사이클은 하루를 나타내며, 지정된 총 일수까지 반복됩니다. 모델은 매일 시뮬레이션된 데이터를 출력하며, 이는 에이전트 행동, 토큰 가격 및 공급 변화, 시장 상황 등을 포함합니다.
사용자
시뮬레이션에서 사용자의 매개변수는 자본 금액과 위험 감수성 등을 포함한 확률 분포로 설정됩니다. 이는 시장 내에서의 특성으로 이해할 수 있으며, 일부 에이전트는 고수익-고위험 행동을 선호하고, 다른 에이전트는 보수적인 행동을 선호합니다. 각 시간 단계에서 사용자는 서비스 이용료를 지불하고 시장을 평가하며 상황에 따라 토큰을 매수하거나 매도할지 결정합니다. 현재 토큰 가격, 자신의 위험 감수성, 토큰의 최근 추세, 자신의 과거 행동 등 다양한 요인이 그들의 결정에 영향을 미칩니다.
공급자
공급자 역시 위험 감수성과 자본으로 시뮬레이션에 참여하며, 전체 네트워크 컴퓨팅 능력의 비율, 즉 제공되는 '서비스 양'도 포함됩니다. 그들의 인센티브는 사용자와 다릅니다. 운영비를 지불하기 위해 언제든지 토큰을 매도할 가능성이 더 큽니다. 공급자가 평가하는 시장 트렌드와 거시경제 트렌드는 사용자와 동일하며, 유사한 입력 요소의 영향을 받습니다.
투자자
투자자 에이전트는 개인 투자자와 기관 투자자 두 가지 유형을 포함합니다. 개인 투자자는 프로토콜의 예상 목적에 따라 참여하지 않고 토큰 투기를 통해 수익을 극대화합니다. 거래 전략을 결정할 때 거시 트렌드, 토큰 가격, 자신의 과거 행동, 수익과 손실 같은 유사한 지표를 사용합니다. 기관 투자자는 토큰 락업 기간과 소매 투자자와 다른 투자 목표를 가질 수 있습니다. 그들의 결정은 토큰 구매 가격, 매도 성향, 락업 기간, 요구 수익률 등 다양한 요인의 영향을 받습니다.
네트워크 성장
에이전트들은 변화하는 확률 분포와 토큰 가격 추세에 따라 계속해서 경제 시스템에 진입하고 퇴출합니다. 지속적인 가격 상승은 더 많은 공급자와 사용자가 시장에 진입하게 하고, 그 반대의 경우는 반대로 작용한다고 가정합니다. 우리가 시뮬레이션하는 프로토콜의 네트워크 성장 파라미터는 프로토콜마다 다르며, 실제 데이터를 사용해 모델을 맞춤화합니다.
모델 교정
우리는 지난 90일간의 후측정 검증(backtesting)을 통해 모델을 교정했습니다. 이 과정은 반복적인 작업으로, 초기 조건을 설정하고 시뮬레이션을 실행한 후 실제 결과와 비교합니다. 우리의 목표는 과적합을 최소화하면서 다양한 실제 인프라 프로토콜을 설명할 수 있는 모델을 구축하는 것입니다. 우리는 Helium(HNT), Filecoin(FIL), Chainlink(LINK) 세 가지 대형 인프라 경제체에 대해 후측정 검증을 수행했습니다.
모델 성능을 측정하기 위해 두 가지 지표를 사용했습니다: 토큰 가격 상관관계와 상대 가격 움직임 패턴 일치도. 우리의 모델은 이러한 지표에서 광범위한 정확성을 보였으며, 이는 정의된 수학적 관계에 대한 신뢰를 줍니다. 이는 모델이 거시경제 조건과 네트워크 채택에 반응하여 실제 토큰 가격 변동을 시뮬레이션할 수 있음을 확인시켜 줍니다.
사례 분석
초기 모델은 시장 트렌드, 토큰 발행률, 네트워크 성장, 스테이킹 보상 등 몇 가지 구성 가능한 매개변수를 포함합니다. 이러한 매개변수들을 실험하는 것이 자연스러운 출발점입니다.
ABM의 강점은 복잡한 매개변수 관계를 모델링할 수 있다는 점입니다. 이번 초기 작업에서는 각 매개변수를 분리하여 전체 경제에 미치는 영향을 이해하기로 결정했습니다. 이를 통해 다양한 토큰 경제 설계 선택에 대한 통찰을 얻었습니다.
Control Case는 초기 공급량 1500만 토큰, 매월 약 10만 토큰 발행(연간 8% 인플레이션율)을 갖는 인플레이션 경제 시스템입니다. 다른 인프라형 경제체와 주요 토큰들의 인플레이션율을 고려할 때, 이는 타당한 선택입니다. Filecoin이 약 35,000명의 활성 사용자와 4,000명의 공급자를 보유한 비율을 기반으로, 10,000명의 활성 사용자와 1,000명의 공급자를 초기화했으며 비율은 10:1입니다. 각 실행 시 1,000~2,000명의 투자자도 초기화했습니다. ETH를 암호화폐 시장 심리 대리 변수로 사용했습니다. 왜냐하면 ETH와 BTC 모두 거시경제 움직임을 잘 반영하기 때문입니다.
각 실험을 25회 실행하고, 매번 90일간 시뮬레이션했습니다. 보다 섬세한 시뮬레이션 경제 이미지를 포착하고 실험의 즉각적인 결과에 집중하기 위해 짧은 기간을 선택했습니다. 각 실험마다 하나의 주요 매개변수를 변경하고 결과를 분석했습니다.
사례 연구 1: 암호화폐 시장의 영향
지난 1년간 암호화폐는 크게 거시경제 트렌드와 연관되어 왔습니다. ABM 모델을 통해 더 깊이 파고들어 다양한 시장 상황에서 이러한 영향의 정도와 강도를 이해할 수 있습니다.
"암호화폐 시장 트렌드" 매개변수만 변경했습니다:
다른 사례 연구에서는 각 실행에 동일한 실제 ETH 토큰 가격 데이터 세트를 사용했습니다. 그러나 이번 연구에서는 이 하위 집합을 변화시켜 ETH 가격의 세 가지 다른 90일 역사적 기간—하락세, 안정적 성장세, 고성장세—를 선택했습니다. 거시경제 트렌드의 영향이 시뮬레이션된 토큰 가격 변동과 매우 높은 상관관계를 갖는다는 것을 발견했습니다.
강한 디플레이션이나 매우 높은 스테이킹 보상률과 같은 극단적인 경우에도, 거시경제 트렌드를 제외한 모든 초기 조건과 매개변수가 동일한 실행군에서도 L1 토큰 움직임과 우리의 토큰 가격 사이에 높은 상관관계를 여전히 관찰했습니다. 다른 사례 연구를 되돌아볼 때, 극단적인 상황에서도 시장 움직임의 영향은 명확히 드러납니다. 우리는 에이전트들이 전반적인 시장 감정에 강하게 영향을 받아 이에 따라 거래한다는 것을 분명히 관찰했습니다.
이러한 영향은 토큰 설계가 실제 결과에 거의 영향을 미치지 않는다고 생각하게 만들 수 있습니다. 그러나 우리는 상황이 더 복잡하다고 생각합니다. 시장 트렌드의 영향을 완전히 제거할 수는 없지만, 나쁜 토큰 설계는 약세장 붕괴를 가속화시키고, 똑똑한 토큰 설계는 변동성 있는 시장에서도 안정성과 토큰 가격 성과를 높일 수 있습니다. 좋은 토큰 설계의 이점은 이 분야를 추구할 가치 있게 만들며, 프로토콜 설계자들이 다양한 거시경제 환경에서도 네트워크에 대한 통제력을 가질 수 있도록 해줍니다.
사례 연구 2: 토큰 배분 계획
토큰 설계의 중요한 구성 요소 중 하나는 인플레이션율입니다. 일반적인 토큰 설계 중 하나는 토큰 발행량을 최대치까지 늘린 후 토큰을 디플레이션 상태 또는 안정 상태로 전환하는 것입니다. 다른 프로토콜은 알고리즘적으로 균형을 이루는 방식, 즉 프로토콜이 토큰 발행율이 변동할 때 토큰을 소각하는 방법을 사용할 수 있습니다. 우리는 이를 네 가지 유형으로 나누었습니다: 고 인플레이션, 안정 인플레이션(컨트롤 그룹), 제로 인플레이션, 디플레이션.
시뮬레이션을 통해 컨트롤 그룹(약 +8% 인플레이션율)이 가장 높은 안정성을 보였다는 것을 발견했습니다. 고 인플레이션율(약 +37%)은 토큰 가격을 약간 낮췄지만 안정성에 큰 손실은 없었으며, 디플레이션(약 -37%)은 토큰 가격을 약간 올렸지만 안정성이 더 낮았습니다.
놀랍게도, 이러한 결과는 토큰 경제에서의 희소성 직관과 모순됩니다. 토큰을 디플레이션 상태로 만들어 희소성을 높였음에도 불구하고 토큰 가격은 약간 상승했고 안정성은 약간 저하되었습니다. 제로 인플레이션과 고 인플레이션 실행 사이에는 토큰 가격에 큰 차이가 없었지만, 고 인플레이션율에서 오히려 안정성 증가를 관찰했습니다. 가능한 이유는 90일이라는 짧은 시뮬레이션 기간이 인플레이션의 장기적 영향을 포착하지 못했기 때문일 수 있습니다.
이더리움의 머지 이후 디플레이션 토큰이 되었지만, 강한 외부 충격으로 인해 지속적인 상승 대신 하락했으며, 이는 우리 모델의 발견과 유사합니다. 일부 토큰이 인플레이션 또는 디플레이션 전략을 취한다는 점을 주목합니다. 전반적으로 토큰 설계자들에게 발행 속도를 토큰 가격 성장의 주요 동력으로 삼는 것을 권장하지 않으며, 대신 토큰과 관련된 인센티브에 초점을 맞추기를 권장합니다. 토큰은 어떤 구체적인 행동을 유도해야 합니까? 어떤 행동이 경제에 해로울 수 있습니까? 토큰은 이러한 행동의 영향을 어떻게 완화할 수 있습니까? 이러한 기본적인 질문들을 해결하고 실행하지 않으면, 토큰 발행량이 토큰 가격 성과에 미치는 실제 영향은 매우 제한적일 것입니다.
사례 연구 3: 사용자 및 공급자 채택의 영향
양면 시장에서 오래된 질문은 어느 쪽 시장을 인센티브해야 하는가입니다. 우리가 시뮬레이션한 인프라 경제에서, 사용자와 공급자 중 어느 쪽의 성장이 경제에 더 유익한지 이해하는 것은 유용합니다. 우리는 "네트워크 성장" 매개변수를 조정하여 공급자 또는 사용자 유입을 각각 시뮬레이션했습니다.
공급자를 늘리면 더 높은 토큰 성장과 약간 낮은 안정성을 가져왔으며, 사용자를 늘리면 토큰 성장은 명백히 줄었지만 안정성은 약간 높았습니다.
이러한 추세는 공급자와 사용자 간의 역학 관계로 설명할 수 있습니다. 공급자 수가 증가하면 더 안정적인 새로운 사용자의 유입이 촉진되어 대부분의 실행에서 토큰 가격이 상승합니다. 많은 새로운 사용자를 시뮬레이션할 때, 네트워크에 유입되는 공급자 수는 비례적으로 새로운 사용자를 유입할 때보다 약 23% 적었습니다.
분명히 어떤 프로토콜이라도 사용자 성장과 공급자 성장 사이에 균형을 유지해야 합니다. 비즈니스에 따라 사용자 성장이나 공급자 성장을 우선시할 수 있습니다. 우리의 결과는 인프라 경제에서 공급자 유입의 영향이 사용자 유입보다 더 크다는 것을 시사합니다.
인프라 경제의 토큰 설계자들은 사용자와 공급자에게 어떻게 인센티브를 제공할지 신중히 고려해야 합니다. 예를 들어, 공급자 보상은 충분한 수의 공급자가 네트워크에 가입하도록 유도해야 하지만, 과잉 자원이 활용되지 않아 공급자 투자가 실패하는 것을 피해야 합니다.
예를 들어, 2020년 Filecoin 모델의 흔한 문제는 저장 공급자의 재정적 요구를 충족시킬 만한 유동성과 사용자 유입이 부족했다는 점입니다. 공급자 유입에 과도하게 초점을 맞추면서 네트워크는 비효율적으로 이용되었고, 토큰 가격 성과에 부정적인 영향을 미쳤습니다. 마찬가지로, 수요 급증이 공급자의 네트워크 능력을 초과하지 않도록 사용자 성장도 신중하게 인센티브를 제공해야 합니다.
사례 연구 4: 다양한 스테이킹 비율
스테이킹은 토큰 보유자가 일정 기간 동안 토큰을 잠그고 추가 보상을 받는 방식입니다. 우리 모델에서 토큰 보유자는 각 시간 단계에서 스테이킹을 수행할 수 있습니다. 결정은 기대 수익과 잠금의 기회비용, 시장 트렌드, 자신의 과거 행동 등 다른 요소들을 기반으로 합니다. 다양한 스테이킹 인센티브의 영향을 연구하기 위해 스테이킹 수익률을 0%, 5%, 12%, 20% 사이에서 변화시켰습니다.
예상대로, 스테이킹 보상이 없는 모델에서는 어떤 에이전트도 스테이킹을 선택하지 않았습니다. 스테이킹 보상을 5%까지 높여도 토큰 가격과 안정성에 큰 영향이 없었습니다. 그러나 12%와 20%로 높이면 토큰 가격이 모두 상승했으며, 20% 실행에서는 더 높은 불안정성이 관찰되었습니다.
스테이킹 수익률이 증가함에 따라 네트워크 성장 속도가 빨라지고 경제를 흐르는 부가 증가했습니다. 자연스럽게 토큰 가격이 상승했습니다. 그러나 동시에 투기적 거래 결과로 인해 개인 투자자 에이전트 수가 증가하여 20% 스테이킹 수익률에서 안정성이 낮아졌습니다.
이러한 결과는 스테이킹 보상률에 '균형점'이 존재함을 보여주며, 프로토콜 설계자는 자본 유입과 투기자 수 증가 사이에서 균형을 맞춰야 함을 의미합니다. 우리의 실험 경제에서 12%가 이 균형점에 가장 가까웠으며, 뚜렷한 토큰 가격 상승과 함께 작은 안정성 손실을 제공했습니다. 컨설팅 도구로 시뮬레이션을 사용할 때, 더 많은 스테이킹 수준을 스캔하거나 다양한 보상 계획을 시뮬레이션하여 분석 정밀도를 높일 수 있습니다.
비록 12%가 네트워크 성장을 제공하고 안정성 손실이 작지만, 모든 프로토콜이 12%를 사용해야 한다는 의미는 아닙니다. 예를 들어, 초기 생명주기의 프로토콜은 핵심 네트워크 사용자와 제공자에 집중하기 위해 소규모 투자자 수를 줄이고, 토큰을 보유하며 스테이킹을 낮게 유지하거나 중단하는 인센티브를 받을 수 있습니다. 우리는 프로토콜이 경제 내 투기 활동 비율을 모니터링하고, 원하는 토큰 보유자 조합을 유도하기 위해 스테이킹 조정을 고려할 것을 권장합니다.
더 광범위하게, 우리는 프로토콜이 스테이커들에게 금융 APY 외에도 더 큰 거버넌스 권한, 네트워크 보안 기여, 기타 무형의 보상과 같은 다른 실용 기능을 제공할 것을 권장합니다. 특히 신생 프로토콜의 경우 순전히 금융적 동기에 의한 스테이킹은 근본 요소를 왜곡시키고, 스테이킹 보상이 낮아지면 즉시 떠나는 투기적 유동성을 유입시킬 수 있습니다.
결론 및 전망
토큰 경제의 역학은 극도로 복잡합니다. ABM 모델을 사용하면 개별 간의 상호작용과 토큰이 그들의 행동에 미치는 영향을 분석함으로써 토큰 경제의 복잡성을 더 잘 이해할 수 있습니다.
우리는 "모든 모델은 틀리지만, 일부는 유용하다"는 유명한 격언을 따릅니다. 예측 모델을 만드는 가장 중요한 첫걸음은 그것의 한계와 가정을 명확히 이해하는 것입니다. 이 초기 모델의 일부 단점으로는 90일 실행 시간과 세 가지 토큰에 대한 교정만 수행되었다는 점 등이 있습니다. 이 모델을 실험하는 능력이 향상됨에 따라 우리는 이러한 가정을 지속적으로 개선하고, 새로운 유형의 에이전트, 에이전트 능력, 프로토콜 설계를 추가하기 위해 노력할 것입니다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
