Дизайн та оптимізація токенів на основі даних

Outlier Ventures нещодавно випустила відео, яке поглиблено розглядає питання сталого розвитку токен-екосистеми. Відео акцентує увагу на принципах і методах токен-інженерії, пропонуючи нові погляди на побудову надійних токен-систем. Одночасно представлені ряд практичних інструментів, таких як симуляційні інструменти на основі агентів та кількісні моделі токенів (QTM) та інші, які можуть надати цінну інформацію на різних стадіях проекту, допомагаючи приймати обґрунтовані рішення.

Відео містить інформацію про ключову роль токенів та супутніх інструментів у адаптації проектів до змін, ці інструменти довели свою ефективність у боротьбі з постійно змінюваним токен-екосистемою. Це усвідомлення походить з глибокого вивчення та практики токен-екосистеми, що дозволяє учасникам краще зрозуміти динаміку екосистеми та приймати більш обґрунтовані та перспективні рішення.

Дизайн та оптимізація токенів на трьох етапах

Етап виявлення

Щоб побудувати успішну екосистему токенів, необхідно виконати кілька ключових кроків на макрорівні:

1. Чітко визначити проблему та виклики, з якими стикаєтеся
2. Пояснити потік вартості між зацікавленими сторонами
3. Глибоке обговорення екосистеми та доцільності її Токенів
4. Розробити високорівневий план, що включає використання токенів та проекти всіх елементів.

Ці кроки є вирішальними для створення успішної екосистеми Токенів.

Етап проектування

Параметризація є ще одним ключовим етапом у будівництві екосистеми токенів, що включає в себе застосування кількісних інструментів, таких як електронні таблиці, інструменти моделювання (cadCAD, Token Spice, Machinations тощо ). Ці інструменти можуть допомогти отримати оптимізовані верифіковані моделі, проводити аналіз ризиків і прогнозування, отримувати глибше розуміння тенденцій постачання токенів і оцінки. За допомогою цих кількісних інструментів можна краще зрозуміти роботу екосистеми, забезпечуючи потужну підтримку для її проектування та оптимізації.

Етап розгортання

На етапі впровадження теоретичний аналіз та проектування перетворюються на практику, а екосистема розгортається на блокчейні. Цей етап потребує використання різних інструментів, включаючи різні мови програмування (, такі як Solidity, Rust тощо ), а також середовища розгортання (, такі як Hardhat тощо ). Завдяки цьому процесу в результаті створюються реальні токени екосистеми або продукти, що дозволяє їм справді реалізуватися та функціонувати на блокчейні.

Інструмент проектування Токенів

На різних етапах ( виявлення, проєктування та впровадження ) потрібно використовувати ряд інструментів, акцент і типи яких також різняться в різних сферах. Ці інструменти підходять не лише для сфери DeFi, а й для різних проєктів застосувань, інфраструктури, ігор тощо.

З точки зору якісного підходу до екосистеми, достатньо використовувати ринкові стандарти, без необхідності в будь-якому моделюванні. Інша точка зору вважає, що необхідно створити цифровий двійник для 1:1 моделювання всієї екосистеми, оскільки це пов'язано з великими фінансовими ризиками. Зі зміщенням у бік більшої точності, необхідні знання програмування зростають, одночасно з цим зростають вимоги до користувачів.

У екосистемі токенів є безліч інструментів, які можуть допомогти зрозуміти та спроектувати цю систему:

• Модель електронних таблиць та якісні інструменти (, такі як формулювання проблеми, формулювання проблеми зацікавлених сторін, картування зацікавлених сторін тощо )
• AI-управлюване міркування ( як моделі машинного навчання формують початковий Токен дизайн )
• QTM( кількісний Токен модель )
• Інструменти моделювання (, такі як cadCAD тощо )

Вибір відповідних інструментів і методів є надзвичайно важливим для успіху стартапів. Різні типи інструментів можуть надавати цінну інформацію на різних етапах, допомагаючи підприємствам приймати обґрунтовані рішення та сприяти сталому розвитку екосистеми.

Огляд QTM

QTM є моделлю кількісного Токену, яка використовує 10-річний фіксований симуляційний час, де кожен крок часу триває один місяць. Модель включає модулі стимулювання, модулі належності Токену, модулі аеродропу тощо. Токени з цих модулів розподіляються в кілька основних бочок, а потім підлягають більш детальному перерозподілу загальної корисності. Модель також враховує аспекти поза ланцюгом, такі як фінансовий стан, знищення або викуп, рівень прийняття користувачами тощо.

Необхідно підкреслити, що якість виходу QTM залежить від якості введення. Перед використанням необхідно провести достатнє дослідження ринку, щоб отримати точну інформацію для введення. QTM розглядається як освітній інструмент для стартапів, який допомагає отримати початкове уявлення про екосистему, але не слід робити фінансові висновки або покладатися лише на його результати.

Аналіз даних

З точки зору аналізу даних можна витягувати різні типи даних:

1. Макропогляд на ринок: спостереження за загальною ситуацією на ринку
2. Показники раунду збору коштів: дізнайтеся про фінансування проєкту
3. Моделі поведінки учасників: глибше розуміння інвестиційних звичок
4. Дані на ланцюгу: отримання показників зростання користувачів, TVL, обсягу торгівлі тощо
5. Дані соціальних мереж: аналіз інформації на платформах Twitter, Reddit, Discord та Telegram

Ці відкриті та цінні дані повинні бути повністю використані для кращого розуміння параметрів екосистеми та перевірки моделей.

Наприклад, можна проаналізувати дані про терміни належності, спостерігаючи за термінами належності різних груп зацікавлених сторін. Також можна відстежувати всі транзакції в екосистемі, класифікуючи їх у конкретні "Токен відра", такі як адреси, пов'язані з проектом, адреси централізованих бірж та адреси децентралізованих бірж тощо. Таким чином, можна переглядати баланси кожної з зацікавлених сторін і спостерігати за тим, що відбувається в усій екосистемі.

Крім того, можна аналізувати поведінку певних адрес, щоб зрозуміти ситуацію з ліквідністю токенів. Наприклад, коли токени надсилаються з контракту стейкінгу на певну адресу, можна спостерігати, як отримувач обробляє ці токени. Ця інформація допомагає зрозуміти поведінку кожного зацікавленого боку та може бути використана для коригування даних у моделі.

Використовуючи ці дані, можна здійснювати прогнози, такі як прогнозування балансу постачання різних токенів в екосистемі протягом наступних десяти років, включаючи фонди, команди, розподіл стейків, загальну обігова постачання та ліквідні пулі тощо. Крім того, можна здійснити симуляцію або прогноз цін. Ці прогнози допомагають зрозуміти взаємозв'язок між належністю постачання та попитом на токени, а також зрозуміти баланс цих двох факторів.

Модель, керована даними

Новий підхід до плану належності полягає у впровадженні механізму належності токенів з коригуванням, який не підлягає впливу ринкового попиту. Випуск належності контролюватиметься контролером відповідно до заздалегідь визначених ключових показників ефективності, до яких можуть входити TVL, обсяг торгівлі, рівень прийняття користувачами, прибутковість бізнесу тощо.

У моделі можна змоделювати три різні сценарії попиту: логічна функція, лінійна функція та експоненційний ріст. Контролер управляє різними обсягами викидів у різні моменти часу, що дозволяє спостерігати за змінами обсягів викидів у кожному з різних сценаріїв зростання та попиту.

Коли ціна токенів зростає, у екосистему буде випущено більше токенів, що може призвести до продажу токенів ранніми інвесторами, що, у свою чергу, викличе зниження ціни. Навпаки, коли ціна нижча за встановлену, обсяг випуску токенів зменшиться. Завдяки цьому механізму контролю ціна токенів знову зросте, врешті-решт зменшуючи волатильність і стабілізуючи екосистему.

Крім того, можна здійснити різне вагове розподілення належності. Наприклад, на початковому етапі екосистемні стимули можуть отримати більше розподілу належності токенів, тоді як команда отримує меншу частку. З плином часу ситуація може змінитися, оскільки ми прагнемо встановити стійку модель зростання, а не лише покладатися на належність токенів для розвитку екосистеми.