Mô hình phù hợp kinh tế học token ABM: Kinh tế học token ảnh hưởng thế nào đến giá trị và sự ổn định của token?
Tuyển chọn TechFlowTuyển chọn TechFlow
Mô hình phù hợp kinh tế học token ABM: Kinh tế học token ảnh hưởng thế nào đến giá trị và sự ổn định của token?
Động lực học kinh tế học mã thông báo cực kỳ phức tạp. Bằng cách sử dụng mô hình ABMs, chúng ta có thể tiến gần hơn đến việc thấu hiểu sự phức tạp này, bắt đầu từ việc phân tích các tương tác giữa các cá thể và cách mà mã thông báo ảnh hưởng đến hành vi của họ.
Chuyên sâu báo cáo Web3Tác giả: MUSTAFA, CARL
Biên dịch: TechFlow
TLDR
Công ty 6MV đã phát triển một số mô hình tác nhân (agent) nhằm hỗ trợ nghiên cứu về token và đưa ra tư vấn cho các công ty trong danh mục đầu tư liên quan đến việc tạo lập, ra mắt và thiết kế cơ chế cho token. Chúng tôi đã mô hình hóa các nền kinh tế "hạ tầng", trong đó sử dụng token tiện ích để thưởng cho các nhà cung cấp dịch vụ và người dùng chi trả phí dịch vụ. Các nền kinh tế này bao gồm Filecoin, Chainlink, The Graph và Helium.
Trong bài viết này, chúng tôi giới thiệu phương pháp của mình và chia sẻ bốn phát hiện ban đầu:
- Nghiên cứu của chúng tôi cho thấy rằng mặc dù yếu tố ảnh hưởng mạnh nhất đến hiệu suất giá token là những thay đổi vĩ mô, nhưng các quyết định về thiết kế token có thể giúp giảm áp lực giảm giá token trong thị trường gấu.
- Khi tất cả các yếu tố khác được giữ bằng nhau, việc khuyến khích bên cung cấp hiệu quả hơn so với khuyến khích bên cầu. Việc thêm các nhà cung cấp dịch vụ vào mạng lưới có thể tăng tính ổn định và nâng cao giá token tổng thể.
- Trong mô hình của chúng tôi, việc điều chỉnh tỷ lệ phát hành token (ví dụ như lạm phát âm) không ảnh hưởng đáng kể đến hiệu suất giao thức. Thay vào đó, chúng tôi khuyến nghị các giao thức nên ưu tiên các yếu tố thúc đẩy giá trị hơn là sử dụng cơ chế giảm phát để đẩy giá token.
- Đối với các mạng có cơ chế staking, tăng phần thưởng staking có thể làm tăng nhà đầu tư bán lẻ và vốn hóa thị trường tổng thể của token, nhưng đồng thời cũng gia tăng độ biến động.
Khi thị trường thuận lợi, giá nhiều token bị ảnh hưởng mạnh bởi đầu cơ, khiến rất khó để đánh giá xem thiết kế kinh tế học token có thực sự hiệu quả hay không. Tuy nhiên, khi thị trường xấu đi, việc tìm kiếm những hiểu biết sâu sắc, dựa trên dữ liệu trở nên ngày càng quan trọng để giúp các giao thức ổn định giá và nâng cao tính hữu ích.
Do chưa có khuôn khổ hoàn chỉnh nào cho kinh tế học token, nhóm nghiên cứu của chúng tôi đang xây dựng các mô phỏng kinh tế token dựa trên tác nhân (agent-based simulation) nhằm hiểu rõ hơn và ứng phó tốt hơn với các điều kiện thị trường khác nhau.
Giới thiệu
Thách thức trong việc hiểu kinh tế học token nằm ở việc hiểu thiết kế cơ chế. Trong kinh tế học, lý thuyết trò chơi nghiên cứu các chiến lược và động lực tồn tại trong một trò chơi. Trong khi đó, thiết kế cơ chế lại giải quyết vấn đề ngược lại – tức là cách một tập hợp các động lực và chiến lược mong muốn sẽ ảnh hưởng đến thiết kế trò chơi. Nhờ khung toán học này, chúng ta có thể xem việc thiết kế kinh tế học token như một dạng thiết kế trò chơi, trong đó token là công cụ chính để thúc đẩy hành vi.
Tuy nhiên, khác với trò chơi, kinh tế học token là một hệ thống mở, dễ bị ảnh hưởng bởi các yếu tố bên ngoài, dẫn đến việc khó dự đoán hành vi và kết quả trong hệ thống kinh tế token. Vì vậy, chúng ta cần sử dụng các phương pháp tính toán để hiểu rõ hơn các mối quan hệ phức tạp này.
Phương pháp của chúng tôi là sử dụng mô hình dựa trên tác nhân (agent-based model - ABM), trong đó mô phỏng các tác nhân cá nhân với các đặc điểm khác nhau. Những tác nhân này mang tính lý trí và phản ứng động theo điều kiện thị trường, từ đó giúp chúng tôi hiểu sâu hơn về cách vận hành của hệ thống kinh tế học token.
Mô hình dựa trên tác nhân (ABM) so với các phương pháp khác
Học máy (Machine Learning - ML) hiện là phương pháp tiêu chuẩn ngành cho các mô hình dự đoán. Đơn giản而言, đây là một lớp mô hình dựa trên mối tương quan giữa nhiều loại dữ liệu đầu vào. Khi sử dụng mô hình học máy để dự đoán kinh tế học token, chúng ta có thể dựa vào các chỉ số thực tế như tốc độ áp dụng người dùng, giá token, lượng cung token, giá Bitcoin... để dự đoán giá token.
Bằng cách tổng hợp các dữ liệu đầu vào này, mô hình sử dụng hồi quy trọng số để dự đoán giá token trong một khoảng thời gian. Các mô hình này thường được dùng trong các ứng dụng ngắn hạn như mạng xã hội hoặc quyết định giao dịch ngắn hạn. Ở thang thời gian giây và mili giây, sở thích người dùng hoặc xu hướng thị trường thường có mối liên hệ cao với các xu hướng trước đó. Tuy nhiên, ở thang thời gian dài hơn, các thiên kiến cố hữu trong dữ liệu đầu vào khiến các dự đoán trở nên tương đối thiếu tin cậy. Sự ngẫu nhiên của xu hướng vĩ mô, cú sốc bên ngoài và các xu hướng khác thường rất khó hoặc không thể định lượng, dẫn đến khoảng trống trong khả năng dự đoán của học máy.
Với mô hình dựa trên tác nhân (ABM), chúng ta có thể tính đến yếu tố ngẫu nhiên và cho phép các tác nhân hành động độc lập, không phụ thuộc vào dữ liệu đầu vào. Điều này cho phép chúng ta thu thập và phân tích hàng trăm kết quả mô phỏng, từ đó rút ra các nhận định. Quan trọng nhất, phương pháp ABM giúp chúng ta hiểu được lý do tại sao kết quả xảy ra. Thông qua nhật ký đầu ra chi tiết, chúng ta có thể đi sâu vào mối quan hệ nhân quả giữa hành vi tác nhân và xu hướng thị trường. Ngược lại, mô hình học máy chỉ đưa ra kết quả dự đoán mà không thể cung cấp thông tin về nguyên nhân đằng sau.
Tóm lại, ABM cung cấp khả năng gán hành vi khác nhau cho các đối tượng tham gia khác nhau, cho phép dự đoán dài hạn hơn, không cần thu thập, lưu trữ và gắn nhãn hàng triệu điểm dữ liệu, và có thể suy luận mối quan hệ nhân quả thông qua việc phân tích nhật ký đầu ra.
Thiết kế mô hình
Tổng quan
Mô hình ABM của chúng tôi được thiết kế dành cho các nền kinh tế "hạ tầng", trong đó các nhà cung cấp cung cấp dịch vụ cho người dùng, ví dụ như Helium, Filecoin và Chainlink. Điều này dễ dàng chuyển thành các loại tác nhân với động lực khác nhau. Người dùng trả phí dịch vụ, trong khi các nhà cung cấp nhận phần thưởng để bù chi phí và tối đa hóa lợi nhuận. Tất cả các tác nhân đều tham gia đầu cơ theo xu hướng thị trường nhằm đạt lợi nhuận tối đa. Chúng tôi cũng bao gồm hai loại tác nhân nhà đầu tư — nhà đầu tư tổ chức và nhà đầu tư bán lẻ — những người không tham gia trực tiếp vào mạng lưới, nhưng mua/bán/gửi/staking token để tối đa hóa lợi nhuận.
Để khởi chạy mô phỏng, chúng tôi nhập một bộ "điều kiện ban đầu" gồm giá token, lượng cung token, quy mô mạng lưới... Sau đó, mô phỏng bước vào giai đoạn lặp, nơi một chuỗi sự kiện xảy ra và các tác nhân tiến hành giao dịch. Mỗi chu kỳ đại diện cho một ngày, quá trình lặp lại cho đến khi đạt tổng số ngày quy định. Mô hình sau đó xuất dữ liệu mô phỏng hằng ngày, bao gồm hành vi tác nhân, biến động giá và cung token, cũng như tình hình thị trường.
Người dùng
Trong mô phỏng, chúng tôi thiết lập các tham số người dùng dưới dạng phân bố xác suất, bao gồm số vốn và mức chịu rủi ro. Điều này có thể hiểu là đặc điểm của họ trên thị trường, một số tác nhân thiên về hành vi lợi nhuận cao - rủi ro cao, trong khi những người khác thiên về hành động thận trọng. Tại mỗi bước thời gian, người dùng trả phí dịch vụ, đánh giá thị trường và quyết định có mua hoặc bán token hay không tùy theo tình hình. Nhiều yếu tố ảnh hưởng đến quyết định của họ, bao gồm giá token hiện tại, mức chịu rủi ro bản thân, xu hướng gần đây của token và hành vi quá khứ của chính họ.
Nhà cung cấp
Nhà cung cấp cũng hành xử như các tác nhân, tham gia mô phỏng với mức chịu rủi ro, vốn và tỷ lệ phần trăm tổng năng lực tính toán của mạng, tức là "khối lượng dịch vụ" mà họ cung cấp. Động lực của họ khác với người dùng, vì họ có xu hướng bán token bất cứ lúc nào để thanh toán chi phí vận hành. Nhà cung cấp đánh giá các xu hướng thị trường và vĩ mô giống như người dùng, chịu ảnh hưởng từ các đầu vào tương tự.
Nhà đầu tư
Tác nhân nhà đầu tư bao gồm hai loại: nhà đầu tư bán lẻ và nhà đầu tư tổ chức. Nhà đầu tư bán lẻ không tham gia theo đúng cách mà giao thức kỳ vọng, mà tham gia chủ yếu để đầu cơ nhằm tối đa hóa lợi nhuận. Họ sử dụng các chỉ số tương tự khi quyết định chiến lược giao dịch, bao gồm xu hướng vĩ mô, giá token, hành vi quá khứ và lãi/lỗ của bản thân. Nhà đầu tư tổ chức có thể có thời gian khóa token và mục tiêu đầu tư khác biệt so với nhà đầu tư bán lẻ. Quyết định của họ chịu ảnh hưởng bởi nhiều yếu tố, bao gồm giá mua token, mức độ sẵn sàng bán, thời gian khóa và tỷ suất sinh lời yêu cầu.
Tăng trưởng mạng lưới
Các tác nhân liên tục tham gia và rời khỏi hệ thống kinh tế theo phân bố xác suất thay đổi và xu hướng giá token. Chúng tôi giả định rằng sự tăng trưởng giá liên tục sẽ thúc đẩy nhiều nhà cung cấp và người dùng tham gia thị trường, và ngược lại. Các tham số tăng trưởng mạng lưới cụ thể của giao thức trong mô phỏng thay đổi tùy theo từng giao thức, và chúng tôi sử dụng dữ liệu thực tế để tùy chỉnh mô hình.
Hiệu chuẩn mô hình
Chúng tôi hiệu chuẩn mô hình bằng cách kiểm tra lại dữ liệu 90 ngày vừa qua. Quá trình này mang tính lặp lại: chúng tôi thiết lập điều kiện ban đầu, chạy mô phỏng, sau đó so sánh với kết quả thực tế. Mục tiêu là xây dựng một mô hình giảm thiểu hiện tượng khớp quá mức (overfitting), có khả năng mô tả nhiều giao thức hạ tầng thực tế khác nhau. Chúng tôi đã kiểm tra ngược lại ba nền kinh tế hạ tầng lớn (Helium (HNT), Filecoin (FIL) và Chainlink (LINK)).
Chúng tôi sử dụng hai chỉ số để đo lường hiệu suất mô hình: tương quan giá token và mức độ phù hợp của mẫu biến động giá tương đối. Mô hình của chúng tôi thể hiện độ chính xác rộng rãi trên các chỉ số này, giúp chúng tôi tin tưởng vào các mối quan hệ toán học đã định nghĩa. Điều này xác nhận mô hình có khả năng mô phỏng dao động giá token thực tế, phản ứng với điều kiện thị trường vĩ mô và mức độ áp dụng mạng.
Nghiên cứu thực nghiệm
Mô hình ban đầu của chúng tôi bao gồm một số tham số có thể cấu hình như xu hướng thị trường, tỷ lệ phát hành token, tăng trưởng mạng và lợi nhuận staking. Một điểm khởi đầu tự nhiên là thử nghiệm các tham số này.
Sức mạnh của ABM nằm ở khả năng mô hình hóa các mối quan hệ tham số phức tạp. Với nghiên cứu sơ bộ này, chúng tôi quyết định cô lập từng tham số để hiểu tác động của nó lên toàn bộ nền kinh tế. Điều này mang lại một số nhận định về các lựa chọn thiết kế kinh tế học token khác nhau.
Trường hợp kiểm soát (Control Case) là một nền kinh tế lạm phát, trong giai đoạn đầu có lượng cung ban đầu 15 triệu token, mỗi tháng đúc khoảng 100.000 token, tương đương tỷ lệ lạm phát hàng năm 8%. Dựa trên tỷ lệ lạm phát của các nền kinh tế hạ tầng khác và các token phổ biến, chúng tôi cho rằng đây là lựa chọn hợp lý. Chúng tôi khởi tạo 10.000 người dùng hoạt động và 1.000 nhà cung cấp, tỷ lệ 10:1, dựa theo tỷ lệ của Filecoin với khoảng 35.000 người dùng hoạt động và 4.000 nhà cung cấp. Mỗi lần chạy, chúng tôi cũng khởi tạo từ 1.000–2.000 nhà đầu tư. Chúng tôi sử dụng ETH làm đại diện cảm xúc thị trường tiền mã hóa vì cả ETH và BTC đều phản ánh tốt các chuyển động vĩ mô.
Chúng tôi chạy mỗi thí nghiệm 25 lần, mỗi lần mô phỏng 90 ngày. Thời gian ngắn được chọn để nắm bắt hình ảnh chi tiết hơn về nền kinh tế mô phỏng và tập trung vào kết quả tức thì của thí nghiệm. Trong mỗi thí nghiệm, chúng tôi thay đổi một tham số chính và nghiên cứu kết quả.
Nghiên cứu 1: Ảnh hưởng của thị trường tiền mã hóa
Trong năm qua, tiền mã hóa phần lớn liên quan mật thiết đến các xu hướng vĩ mô. Thông qua mô hình ABM, chúng tôi có thể đi sâu hơn để bắt đầu hiểu mức độ và cường độ ảnh hưởng này trong các tình huống thị trường khác nhau.
Chúng tôi chỉ thay đổi tham số "xu hướng thị trường tiền mã hóa":
Trong các nghiên cứu khác, chúng tôi sử dụng cùng một bộ dữ liệu giá token ETH thực tế cho mỗi lần chạy. Trong nghiên cứu này, chúng tôi thay đổi các tập con này, chọn ba giai đoạn lịch sử 90 ngày khác nhau về giá ETH: xu hướng giảm, tăng trưởng ổn định và tăng trưởng cao. Chúng tôi nhận thấy ảnh hưởng của xu hướng vĩ mô có tương quan cao với biến động giá token trong mô phỏng.
Ngay cả trong các trường hợp cực đoan như giảm phát mạnh hoặc phần thưởng staking rất cao, mỗi loạt chạy có cùng điều kiện ban đầu và tham số ngoại trừ xu hướng vĩ mô, chúng tôi vẫn thấy tương quan cao giữa chuyển động token L1 và giá token của chúng tôi. Khi nhìn lại các nghiên cứu khác, ảnh hưởng của thị trường vẫn rõ ràng ngay cả trong các trường hợp cực đoan. Chúng tôi quan sát rõ ràng các tác nhân bị ảnh hưởng mạnh bởi tâm lý thị trường chung và giao dịch tương ứng.
Ảnh hưởng này có thể khiến người ta nghĩ rằng thiết kế token ít ảnh hưởng đến kết quả thực tế. Nhưng chúng tôi cho rằng vấn đề phức tạp hơn. Mặc dù ảnh hưởng của xu hướng thị trường không thể loại bỏ hoàn toàn, nhưng thiết kế token kém có thể làm trầm trọng thêm sự sụp đổ trong thị trường gấu, trong khi thiết kế thông minh có thể tăng tính ổn định và hiệu suất giá token, ngay cả trong thị trường biến động. Những lợi ích từ thiết kế token tốt khiến lĩnh vực này đáng để theo đuổi, giúp nhà thiết kế giao thức có quyền kiểm soát mạng lưới trong mọi điều kiện vĩ mô.
Nghiên cứu 2: Kế hoạch phân phối token
Một thành phần quan trọng trong thiết kế token là tỷ lệ lạm phát. Một dạng thiết kế token phổ biến là tăng lượng phát hành token lên mức tối đa, sau đó token trở nên giảm phát hoặc ổn định. Các giao thức khác có thể sử dụng cân bằng thuật toán, tức là giao thức đốt token khi tỷ lệ đúc dao động. Chúng tôi chia thành bốn loại: lạm phát cao, lạm phát ổn định (nhóm kiểm soát), lạm phát bằng 0 và giảm phát.
Thông qua mô phỏng, chúng tôi thấy nhóm kiểm soát (lạm phát khoảng +8%) có tính ổn định cao nhất. Lạm phát cao (khoảng +37%) làm giảm nhẹ giá token nhưng không làm mất nhiều tính ổn định, trong khi giảm phát (khoảng -37%) khiến giá token tăng nhẹ nhưng tính ổn định kém hơn.
Điều đáng ngạc nhiên là các kết quả này mâu thuẫn với trực giác khan hiếm trong kinh tế học token. Chúng tôi làm token giảm phát để tăng tính khan hiếm, nhưng chỉ thấy tăng nhẹ giá token và tính ổn định giảm nhẹ. Không có sự thay đổi đáng kể về giá token giữa lạm phát bằng 0 và lạm phát cao, nhưng chúng tôi nhận thấy tính ổn định tăng nhẹ ở mức lạm phát cao. Có thể nguyên nhân là mô phỏng ngắn hạn 90 ngày không thể nắm bắt ảnh hưởng dài hạn của lạm phát đến giá token.
Sau khi hợp nhất Ethereum, nó trở thành token giảm phát, nhưng giá không tăng liên tục mà lại giảm do cú sốc mạnh từ thị trường tiền mã hóa, điều này tương tự với phát hiện của mô hình chúng tôi. Chúng tôi nhận thấy một số token áp dụng chiến lược lạm phát hoặc giảm phát. Nhìn chung, chúng tôi không khuyến khích nhà thiết kế token sử dụng tốc độ phát hành làm yếu tố thúc đẩy giá, mà nên tập trung vào các động lực liên quan đến token. Token nên khuyến khích hành vi cụ thể nào? Hành vi cụ thể nào gây hại cho nền kinh tế của bạn? Token có thể giảm thiểu ảnh hưởng của những hành vi đó như thế nào? Nếu không trả lời và triển khai các chi tiết cơ bản này, ảnh hưởng thực tế của lượng phát hành token đến hiệu suất giá sẽ rất nhỏ.
Nghiên cứu 3: Ảnh hưởng của việc áp dụng người dùng và nhà cung cấp
Trong thị trường hai mặt, một câu hỏi lâu đời là: nên khuyến khích phía nào của thị trường? Trong nền kinh tế hạ tầng mà chúng tôi mô phỏng, việc hiểu rõ loại người tham gia nào có lợi hơn cho nền kinh tế — người dùng hay nhà cung cấp — là rất hữu ích. Chúng tôi tiến hành hai mô phỏng, điều chỉnh tham số "tăng trưởng mạng" để đưa sóng nhà cung cấp hoặc người dùng vào.
Chúng tôi phát hiện rằng việc tăng nhà cung cấp mang lại tăng trưởng token cao hơn và ổn định thấp hơn một chút, trong khi tăng người dùng mang lại tăng trưởng token rõ rệt thấp hơn nhưng ổn định cao hơn một chút.
Các xu hướng này có thể được giải thích qua động lực giữa người dùng và nhà cung cấp: khi số lượng nhà cung cấp tăng, sẽ thu hút dòng người dùng mới ổn định hơn, dẫn đến giá token tăng trong hầu hết các lần chạy. Khi mô phỏng lượng lớn người dùng mới, số lượng nhà cung cấp tham gia nền kinh tế ít hơn khoảng 23% so với khi đưa người dùng mới vào theo tỷ lệ.
Rõ ràng là trong bất kỳ giao thức nào, vẫn cần cân bằng giữa tăng trưởng người dùng và tăng trưởng nhà cung cấp. Tùy theo mô hình kinh doanh, có thể ưu tiên tăng trưởng người dùng hoặc nhà cung cấp. Kết quả của chúng tôi cho thấy trong nền kinh tế hạ tầng, tác động từ việc thêm nhà cung cấp lớn hơn so với thêm người dùng.
Các nhà thiết kế token trong nền kinh tế hạ tầng nên cân nhắc kỹ cách khuyến khích người dùng và nhà cung cấp. Ví dụ, phần thưởng cho nhà cung cấp nên đủ hấp dẫn để thu hút số lượng nhà cung cấp cần thiết, đồng thời tránh dư thừa tài nguyên không được sử dụng, dẫn đến thất bại trong đầu tư của nhà cung cấp.
Ví dụ, vấn đề phổ biến với mô hình Filecoin năm 2020 là thiếu thanh khoản và lưu lượng người dùng để đáp ứng nhu cầu tài chính của các nhà cung cấp lưu trữ. Việc quá nhấn mạnh dòng nhà cung cấp khiến mạng bị sử dụng kém hiệu quả, ảnh hưởng đến hiệu suất giá token. Tương tự, tăng trưởng người dùng cũng cần được khuyến khích cẩn thận để phù hợp với năng lực mạng, tránh nhu cầu tăng vọt vượt quá khả năng của nhà cung cấp.
Nghiên cứu 4: Các mức staking khác nhau
Staking cho phép người nắm giữ token khóa token trong một thời gian để nhận phần thưởng bổ sung. Trong mô hình của chúng tôi, người nắm giữ token có thể staking tại mỗi bước thời gian. Quyết định của họ dựa trên lợi nhuận kỳ vọng, chi phí cơ hội của việc khóa, và một số yếu tố khác như xu hướng thị trường và hành vi quá khứ. Để nghiên cứu ảnh hưởng của các mức khuyến khích staking khác nhau, chúng tôi thay đổi lợi suất staking trong khoảng 0%, 5%, 12% và 20%.
Như kỳ vọng, trong mô hình không có phần thưởng staking, không tác nhân nào chọn staking. Chúng tôi thấy rằng tăng lợi suất staking lên 5% không ảnh hưởng đáng kể đến giá token hay tính ổn định. Tăng lên 12% và 20% đều làm tăng giá token, nhưng ở mức 20% quan sát thấy độ bất ổn cao hơn.
Khi lợi suất staking tăng, tốc độ tăng trưởng mạng nhanh hơn, lượng của cải lưu thông trong nền kinh tế tăng. Hệ quả tự nhiên là giá token tăng. Tuy nhiên, chúng tôi cũng quan sát thấy rằng do kết quả từ giao dịch đầu cơ, số lượng tác nhân nhà đầu tư bán lẻ tăng lên, dẫn đến tính ổn định thấp hơn ở mức lợi suất staking 20%.
Kết quả này cho thấy tồn tại một "điểm cân bằng" ở mức lợi suất staking, nơi nhà thiết kế giao thức phải cân bằng giữa dòng vốn và số lượng nhà đầu cơ tăng lên. Trong nền kinh tế thí nghiệm của chúng tôi, 12% là mức gần với điểm cân bằng nhất, mang lại tăng trưởng giá token rõ rệt với tổn thất ổn định rất nhỏ. Khi sử dụng mô phỏng làm công cụ tư vấn, chúng tôi có thể quét thêm nhiều mức staking hoặc mô phỏng các kế hoạch thưởng khác để đạt độ chính xác phân tích cao hơn.
Mặc dù 12% có thể thúc đẩy tăng trưởng mạng với tổn thất ổn định nhỏ, điều này không có nghĩa mọi giao thức nên dùng 12%. Ví dụ, các giao thức ở giai đoạn đầu đời có thể muốn giảm số lượng nhà đầu tư bán lẻ để tập trung vào người dùng và nhà cung cấp cốt lõi, và bị khuyến khích giữ token, giữ staking thấp hoặc tắt hẳn. Chúng tôi khuyến nghị các giao thức giám sát tỷ lệ hoạt động đầu cơ trong nền kinh tế của mình và cân nhắc điều chỉnh staking để khuyến khích tổ hợp người nắm giữ token như mong muốn.
Rộng hơn, chúng tôi khuyến khích các giao thức cung cấp cho người staking các chức năng hữu ích khác ngoài lợi nhuận tài chính (APY), ví dụ như quyền biểu quyết lớn hơn trong quản trị, đóng góp vào an ninh mạng và các phần thưởng vô hình khác. Việc staking chỉ vì động cơ tài chính, đặc biệt với các giao thức non trẻ, có thể bóp méo cơ bản và thu hút thanh khoản đầu cơ sẽ rời đi ngay khi phần thưởng staking giảm.
Tổng kết và Triển vọng
Động lực của kinh tế học token cực kỳ phức tạp. Sử dụng mô hình ABM, chúng ta có thể tiến gần hơn đến việc hiểu sự phức tạp này, bắt đầu từ việc phân tích tương tác giữa các cá thể và cách token ảnh hưởng đến hành vi của họ.
Chúng tôi tuân theo câu nói nổi tiếng: “Tất cả các mô hình đều sai, nhưng một số lại hữu ích”. Bước quan trọng nhất trong việc tạo mô hình dự đoán là hiểu rõ các hạn chế và giả định của nó. Một số điểm yếu của mô hình ban đầu này có thể bao gồm thời gian chạy 90 ngày và chỉ hiệu chuẩn với ba token. Khi khả năng thử nghiệm mô hình này được mở rộng, chúng tôi sẽ không ngừng hoàn thiện các giả định, đồng thời nỗ lực bổ sung các loại tác nhân mới, năng lực tác nhân và thiết kế giao thức mới.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
