Алгоритмический стейблкоин и рекурсивный оператор: исследование нового типа нек合作ной игры в Блокчейне

В последнее время алгоритмические стейблкоины привлекли широкое внимание. Многие считают, что они могут достичь целей, которых не смог достичь Биткойн: полностью децентрализованной и автоматически регулируемой глобальной валюты. Появление этой идеи, помимо недостаточного понимания концепций блокчейна и валют, также связано с тем, что алгоритмические стейблкоины внедрили новаторские рекурсивные операторы.

Рекурсивный оператор — это процесс, при котором предыдущее состояние используется в качестве входных данных и повторяется в непрерывных преобразованиях смарт-контрактов. Этот дизайн естественен в среде блокчейна, поскольку открытость данных в блокчейне и последовательный характер смарт-контрактов формируют временные ряды. Рекурсивная обработка аналогичных операций может привести к нелинейным структурам и даже к геометрическим эффектам, проявляя сильные позитивные обратные связи, что соответствует свойству самоусиления в блокчейне.

Однако простая рекурсия временных рядов не идеальна, поскольку информация следующего момента полностью определяется предыдущим моментом. Более интересно обратить внимание на множественные рекурсивные операторы: ввод новых данных в процессе двух изменений состояния, что отражает игровую природу и создает непредсказуемость. Эта непредсказуемость также подвержена влиянию рекурсивных операторов, формируя общие ожидания, которые оказывают обратное влияние на другие операторы, создавая контролируемые свойства ожидания.

В качестве примера распространенных алгоритмических стейблкоинов, оператор ценообразования генерирует цену Pt, а общий объем Mt является многоуровневым рекурсивным оператором. Mt является функцией Pt, в то время как Pt+1 зависит от Mt, создавая тем самым косвенные рекурсивные связи между Mt+1 и Mt. В сочетании с оператором ценообразования это приводит к образованию периодической негативной обратной связи, постепенно стремящейся к стабильной цене. Эта концепция основана на равновесии кривых спроса и предложения, а процесс игры осуществляется на вторичном рынке, поэтому он не является точным, что может привести к медленному процессу передачи и затруднить достижение стабильного равновесия.

Рекурсивный оператор может предоставлять не только негативную обратную связь, но и позитивную. Последняя нацелена на самоусиление, а не на стабильность цен. Например, механизм выкупа в определенной системе: выкуп снижает предложение на рынке, что поднимает цены, повышает производительность, удовлетворяет больший спрос, приносит больше доходов, увеличивает выкуп и далее поднимает цены. Этот простой и ясный подход с обратными свойствами Маркова в будущем может привлечь больше разработчиков цепочных протоколов.

С точки зрения чистой математики неясно, может ли рекурсивный оператор построить стабильные свойства короткого периода. Поэтому стейблкоины, зависящие от рекурсивных операторов, трудно привести к стабильной структуре. Особенно алгоритмические стейблкоины, изменяя общее количество, косвенно влияют на соотношение спроса и предложения, имеют более медленную передачу, и условия для достижения стабильного равновесия гораздо больше, что затрудняет реализацию их целей.

В многократных рекурсивных операциях важно вводить новую информацию. Общие свойства равновесия блокчейна легко вводят больше информации, которая имеет определенную неопределенность в структуре игры и обладает рамочными характеристиками. В сочетании с рекурсивными операциями устанавливается общее ожидание, что может привести к иллюзии стабильности. Если не основываться на строгом анализе теории игр, трудно точно понять общие свойства равновесия, что может противоречить ожиданиям. Иногда при введении информации также необходима случайность; предположим, что зависимость от информации равна нулю, это, наоборот, может привести к возникновению стабильных свойств, что является потенциальным направлением исследований алгоритмического стейблкоина в будущем.

При использовании рекурсивных операторов, если вводится слишком много шагов информации или независимых операторов, их эффект будет постепенно ослабевать. Поэтому у рекурсивных операторов существует показатель силы обратной связи. При проектировании DeFi, если необходимо усилить положительную и отрицательную обратную связь, следует уменьшить количество введений новой информации; если целью является долгосрочная регрессия, поток информации сам по себе должен обладать циклическими свойствами.

В области DeFi большинство рекурсивных операторов комбинируют ценовые последовательности, поскольку информация о ценовых играх наиболее сосредоточена и трудно предсказуема или контролируема алгоритмами. Тем не менее, в настоящее время в основном полагаются на механизм AMM, а не на децентрализованные оракулы, что может привести к тому, что рекурсивный процесс станет детерминированным или контролируемым. Атакующее поведение напрямую отражается в сохраненных ценовых последовательностях AMM и не может быть автоматически исключено алгоритмом, что противоречит необходимой неопределенности рекурсивных операторов.

Кроме того, многие проекты, разработанные с использованием рекурсивных величин, не связаны напрямую с переменными спроса и предложения, определяющими ценовые ряды, а связаны с общим объемом активов. Это может привести к тому, что не удастся напрямую достичь вторичного рынка, и может возникнуть отклонение в передаче операторов.

В будущем следует исследовать больше переменных в сочетании с рекурсивными операторами, особенно параметры, отражающие сложность рыночной игры. При проектировании DeFi необходимо провести детальный анализ механизма передачи информации рекурсивных операторов, чтобы избежать предсказуемости и контроля.