توکنومیکس یک بخش ضروری از یک ایکو یا این اصطلاحات است که به طور کلی به عنوان یک پیشنهاد توکن شناخته می شود (این اصطلاح می تواند پیشنهادات اولیه دگزامتازون یا سایر اشکال پیشنهادات توکن را در بر بگیرد).
ارزیابی توکن سخت است و بسیاری از پیشنهادات توکن ممکن است شکست بخورند. این طبیعی است زیرا عدم اطمینان زیادی در مورد سرمایه گذاری خوب وجود دارد. متاسفانه هیچ مدل استانداردی برای انجام ارزیابی وجود ندارد. در این مقاله من یک نظریه ارزیابی رمز من کار کرده اند در باز کردن, است که می تواند مورد استفاده قرار گیرد برای پاسخ به برخی از سوالات توکن که من دوباره و دوباره خواسته شده است.
این مدل فرضیات زیر را مطرح می کند:
- ما علاقه مند به ایجاد پیش بینی ارزش یک نشانه هستیم.
- تعداد کل نشانه های صادر شده یک پارامتر شناخته شده است.
- پیش بینی هایی در مورد کل ارزش معامله شده در طول دوره بهره وجود دارد.
از این رو, با توجه به پیش بینی های دقیق از کل معامله ارزش ما در حال تلاش برای ایجاد یک مدل قیمت گذاری برای هر نشانه. این مدل در ابتدا برای عرضه اولیه سکه ساخته شد که پس از مقررات پس از سقوط رمزنگاری 2017-2018 از بین رفت. با این حال, درس در اینجا برای هر نوع پروژه رمزنگاری اعمال, حتی کسانی که در حال برنامه ریزی برای انجام یک پیشنهاد رمز.
ما به سادگی از اصطلاح ایکو در اینجا به دلایل سادگی استفاده خواهیم کرد و به قطعه اصلی تحقیق احترام می گذاریم.
معادله مبادله برای ارزیابی نشانه
بیشتر مدلهای ارزیابی پیشنهادی در حال حاضر حول معادله مبادله است. این یک توتولوژی ساده است که از اقتصاد پولی ناشی می شود. به نقل از ویکیپدیا:
جایی که برای یک دوره معین,
مقدار کل اسمی عرضه پول در گردش به طور متوسط در یک اقتصاد است. سرعت پول است که فرکانس متوسط که با یک واحد پول صرف شده است. سطح قیمت است. شاخصی از هزینه های واقعی (برای کالاها و خدمات تازه تولید شده) است.
سمت چپ است که به سادگی مقدار کل پول, ضرب چند بار که دست به دست. سمت راست سطح کل هزینه های اسمی است, به این معنا که, قیمت متوسط یک کالا یا یک سرویس, برابر مقدار کالا یا خدمات.
ویتالیک بوترین سرعت بدبختانه و قیمت به ما معادله زیر:
جایی که ج قیمت یا هزینه یک نشانه است, تعریف شده به عنوان ج=1 / پ, و ح متوسط زمان نگهداری است, تعریف شده به عنوان ساعت=1/و.این باعث می شود محاسبات مفهومی ساده تر برای ایکو.
با توجه به متر, این در حال حاضر تعداد کل سکه, و تی ارزش اقتصادی کل معاملات است.
تخمین سرعت و زمان نگهداری
تخمین سرعت می تواند مشکل باشد. هنگامی که ما متر, تی و ج محاسبه ح (یا پنجم) بی اهمیت است. خوشبختانه نسخه بهبود یافته ای از معادله مبادله وجود دارد: معادله کمبریج.
معادله کمبریج با پول به عنوان ذخیره ارزش رفتار می کند. این برای هدف ما از ارزیابی ایکوها و نشانه ها مناسب تر است. معادله کمبریج فرض می کند که تقاضای پول بخشی از سود اسمی فرد خواهد بود.
فرض کنید که سیستم در تعادل است و تقاضای پول برابر است با عرضه پول سپس این تبدیل به:
بنابراین سرعت برابر است با 1 / ک یعنی سرعت معکوس نسبت پولی است که به صورت نقدی نگهداری می شود. با توجه به نسخه بوترین از معادله ما استخراج می کنیم که قیمت یک نشانه است:
این معادله دو بینش را فراهم می کند:
- این شهود اولیه بوترین را تایید می کند که افزایش زمان نگهداری می تواند ارزیابی یک نشانه را افزایش دهد.
- این یک روش جدید برای تخمین زمان/سرعت نگهداری به عنوان نسبت نشانه هایی است که به عنوان ذخیره ارزش نگهداری می شوند.
توجه داشته باشید که این معادله کامل نیست زیرا رابطه علی بین متغیرهای مختلف را نادیده می گیرد. بنابراین, در حالی که زمان نگهداری بالاتر باعث افزایش ارزش می شود, در حالت شدید که همه توکن را در دست دارند, سپس ارزش کل معاملات به صفر می رسد. با این حال, این یک شروع خوب و یک مدل بسیار مناسب برای استفاده است. ما فقط می توانیم پارامتر را تنظیم کنیم ک به عنوان نسبت نشانه هایی که در یک بازه زمانی معین به طور فعال رد و بدل نمی شوند و از این رو می توانیم مستقیما سرعت (و زمان نگهداری) را تخمین بزنیم.
انتظارات مدل سازی
برای روکش, در مدل ما فرض می کنیم که ما می دانیم در بر داشت زیر:
- دانش از مقدار کل نشانه در گردش خون.
- پیش بینی کل ارزش معامله شده.
- ما می توانیم از ارزش کل معامله شده استفاده کنیم
توجه داشته باشید که در حالی که نقطه 2 یکی از سخت ترین است, ما همیشه می توانید اجرا حالات مختلف, به منظور کشف کردن که چگونه قیمت واکنش نشان می دهند.
چیزی که این مدل در نظر نمی گیرد این است:
- انتظارات کاربر در اطراف قیمت.
- عدم قطعیت در اطراف قیمت.
انتظارات کاربران به راحتی قابل مدل سازی نیست. یک روش پیشنهادی این است که فرض کنیم کاربران قیمتی بدتر از قیمتی که برای یک دوره خریداری کرده اند را نمی پذیرند. ما می توانیم این را با استفاده از منحنی تصویب اس و معادله زیر مدل کنیم:
فرمول ارزیابی توکن انتظارات
جایی که س(تی) منحنی انتظارات است که به سادگی می تواند به عنوان یک نسخه اصلاح شده از یک تابع لجستیک مدل شود.
جایی که تحقیق عامل انتظارات است. این نقطه زمانی است که وزن بین قیمت اصلی ایکو و ارزیابی واقعی کاملا متعادل خواهد بود. از این رو, اگر, اجازه دهید بگویم, ما با استفاده از یک پنجره زمان ماهانه, و ما مجموعه تحقیق=12, سپس منحنی لجستیک خواهد شد که در طول زمان نگاه.
از این رو, برای چند ماه اول قیمت به قیمت ایکو برابر خواهد بود, به عنوان معادله بالا تقریبا برابر باشد:
در مورد مدل سازی عدم قطعیت دو راه برای بهبود مدل وجود دارد. یک راه این است که شامل یک مدل احتمالی یا اماری از منحنی اس بالا. راه دوم یافتن راهی برای محاسبه فواصل اطمینان در اطراف قیمت توکن ها است. این هنوز در حال پیشرفت است و در پست دیگری پوشش داده شده است.
چارچوب ارزیابی ایکوها
با توجه به اینکه می توانیم قیمت توکن را به صورت زیر محاسبه کنیم. ابتدا این 5 قدم را برمی داریم.
- در مورد یک پنجره زمانی تصمیم بگیرید (به عنوان مثال ماهانه).
- تنظیم تعداد کل نشانه متر .
- عامل انتظارات را تعیین کنید. ما به راحتی می توانیم فرض کنیم که در تی ا_0 قیمت توکن برابر با قیمت فروش در طول ایکو است. برای خوب / خدمات توسط شرکت برای دوره تمام وقت فراهم شده است.
- برای خدمات ارایه شده توسط شرکت یک قیمت متوسط تعیین کنید. برای سادگی, ما می توانیم فرض کنیم این پایدار بیش از پنجره تمام وقت است.
موضوع ما روبرو هستند وابستگی متقابل بین زمان برگزاری و قیمت رمز در یک لحظه معین در زمان است. برای گذراندن این کار فقط باید از مقادیر متغیر مرحله زمانی قبلی استفاده کنیم. یک راه ساده (البته ساده) برای انجام این کار این است که به سادگی فرض کنیم که زمان نگهداری بین زمان بندی ها به شدت تغییر نمی کند و ما می توانیم به سادگی از زمان نگهداری از زمان قبلی استفاده کنیم.
سپس می توانیم مقدار واقعی نشانه را به صورت زیر محاسبه کنیم:
یک راه حل مناسب ما را ملزم می کند که مشتق اچ_ت را محاسبه کنیم یا به سادگی محاسبات را در بسیاری از مراحل زمانی کوچک تجزیه کنیم (به عنوان مثال مدل هر تراکنش فردی). با این حال, این چیزی است که به تحقیق و در حال حاضر ما می توانیم با این ساده رفتن.
هنگامی که ما ارزش واقعی از رمز, ما می توانیم فرمول ارزیابی رمز به منظور اجرای حالات مختلف استفاده کنید (بسته به انتظارات) که چگونه قیمت رمز حرکت خواهد کرد. در زیر می توانیم نمونه ای از اجرای چنین فرمول را مشاهده کنیم.
نمونه ای از اجرای فرمول ارزیابی توکن برای یک ایکو فرضی.
در شکل بالا یک ایکو فرضی داریم که با قیمت 0.25 دلار به فروش می رسد. پیش بینی ها پیش بینی می کنند که ارزش پولی کل معاملات برای 1-2 سال اول پایین خواهد بود اما بعد از این مقدار افزایش می یابد. می بینیم که با توجه به عامل انتظار 12 ماه یک دوره بحرانی در حدود ماه های 10 تا 18 وجود دارد که کاهش انتظارات می تواند باعث افت قیمت شود.
ارزیابی اقتصادهای توکن: مراحل بعدی
مدل ارایه شده در اینجا راهی برای اجرای ارزشگذاری ایکوها و اقتصادهای توکن فراهم میکند. این هنوز یک کار در حال انجام است و برخی از موضوعات باقی مانده است. برخی از این موارد عبارتند از:
- منحنی انتظارات می تواند بر اساس داده های واقعی باشد. شاید یک مدل رگرسیون یا اسپلین مناسب تر از یک منحنی لجستیک باشد.
- این مدل هنوز به طور کامل از فواصل اطمینان پشتیبانی نمی کند. راهی برای رسیدن به این هدف در پست دیگری پوشش داده شده است.
- این مدل دلالان یا سایر شوک های برون زا به اقتصاد را در نظر نمی گیرد. این می تواند به عنوان یک مولفه نویز اضافی بر اساس داده های تاریخی مدل شود.
با این حال ارزیابی اقتصاد توکن گام نهایی در طراحی توکنومیک نیست. شما همچنین نیاز به اطمینان حاصل شود که یک نشانه می تواند در ارزش درک, و همچنین به ممیزی اقتصاد رمز به اطمینان حاصل شود که هر نقطه ضعف وجود ندارد.
در این مقاله بیشتر در مورد چگونگی استفاده از معادله مبادله به منظور مطالعه سناریوهای مختلف توضیح می دهیم: از قدردانی تا استهلاک.
با توجه به حسابرسی توکنومیک, من بسیار افتخار می گویند که من ممیزی برای اولین بار از نوع خود برای رمز بانککس انجام هستم, که شما می توانید در اینجا پیدا کنید. هدف حسابرسی این است که اطمینان حاصل شود که اقتصاد نشانه قوی و عاری از هر گونه نقص است.
شما می خواهید اقتصاد رمز طراحی یا حسابرسی?
توکنومیکس زمینه جدیدی است و هر گامی در مسیر درست فقط می تواند به جامعه کمک کند.
اگر به موضوعاتی مانند توکنومیک علاقه دارید, بلاکچین, دفی, بلکه علم داده و هوش مصنوعی, حتما در تماس باشید. من خواهد بود بیش از خوشحال به صحبت با شما. همچنین, لطفا اطمینان حاصل کنید که برای بررسی صفحه از فرهنگستان تسرکت, مشاوره من می پردازد که با تحصیلات و خدمات در هر دو حوزه هوش مصنوعی و بلاکچین. همچنین یک چارچوب عالی برای توکنومیک وجود دارد که می توانید در این صفحه پیدا کنید.
همچنین حتما این مقاله را در مورد نحوه خواندن مقالات سفید ایکو بررسی کنید. در حالی که ایکوها اکنون به ایو (پیشنهادات مبادله اولیه) و ایدوس (پیشنهادات اولیه دگزامتازون) تبدیل شده اند اما درسهای این مقاله هنوز هم مرتبط هستند.
احساس رایگان برای در تماس گرفتن با هر گونه افکار, نظرات و یا اگر شما نیاز به هر گونه کد.
می خواهم به تبدیل شدن به یک دانشمند داده در 3 ماه ها, و یک کار تضمین شده? سپس شما نیاز به بررسی این !
مرتبط
دکتر استیلیانوس کامپاکیس مالک و نویسنده دانشمند داده است.
0 دیدگاه
ترک یک پاسخ
برای ارسال نظر باید وارد سیستم شوید.
ثبت نام کنید و یک نسخه رایگان از کتاب راهنمای تصمیم گیرنده در علوم داده دریافت کنید!
زمین یک کار در علم داده!
به برنامه اختصاصی علوم داده من بپیوندید و شخصا توسط من راهنمایی شوید.
ما را دنبال کنید
درباره من
دکتر استیلیانوس (استلیوس) کامپاکیس دانشمند داده با بیش از 10 سال تجربه است. او با تصمیم گیرندگان از شرکت از تمام اندازه ها کار می کرد: از راه اندازی به سازمان هایی مانند, نیروی دریایی ایالات متحده , وودافون و زمین بریتانیا . کار خود را گسترش می دهد بخش های مختلف از جمله فینتک (تشخیص تقلب و مدل های ارزیابی), تجزیه و تحلیل ترافیک ورزشی, بهداشت و درمان, هوش مصنوعی عمومی, ارقام پزشکی, تعمیر و نگهداری پیش بینی و دیگران. او با انواع مختلفی از فناوری ها کار کرده است, از مدل های اماری, به یادگیری عمیق به بلاکچین و او دارد 2 اختراع ثبت شده در انتظار به نام او.
او همچنین به بسیاری از افراد کمک کرده است تا حرفه ای در علم و فناوری داده را دنبال کنند.
او عضو انجمن سلطنتی است, پژوهشگر افتخاری در مرکز فناوری های بلاک چین, مشاور علوم داده برای دانشکده بازرگانی لندن و مدیر عامل دانشگاه تسرکت.
او همچنین یکی از اولین محققان در زمینه بلاکچین بود که به مطالعه و بحث در مورد توکنومیک پرداخت. کار اصلی او در اقتصاد توکن منجر به بسیاری از طرح های موفق اقتصادی توکن با استفاده از ابزارهایی مانند مدل سازی مبتنی بر عامل و نظریه بازی شده است.
یک علم طبیعی, با دکترا در یادگیری ماشین و درجه در هوش مصنوعی, ارقام, روانشناسی, و اقتصاد او را دوست دارد با استفاده از مهارت های گسترده خود را برای حل مشکلات دشوار و کمک به شرکت های بهبود بهره وری خود را.
