我们的方法是使用代理人基模型（ABM），我们在其中对具有不同特征的单个代理人进行建模。

原文：Simulating Token Economies: Motivations and Insights（6th Man Ventures）

作者：MUSTAFA，CARL

编译：DeFi 之道，东寻

封面：Photo by Milad Fakurian on Unsplash

TLDR；6MV 已经开发了初始的代理人基模型（Agent-Based Models，ABM），以促进代币研究，并帮助我们的投资组合公司就初始代币生成/发布和机制设计权衡方面提供建议。我们开始对 “基础设施” 经济进行建模，在这种经济中，实用型代币用于奖励服务 “提供商”，并让 “用户” 为服务付费。基础设施经济的例子包括 Filecoin、Chainlink、Graph 和 Helium。

本文介绍了方法并分享四个早期发现：

  • 尽管影响代币价格表现的最强因素是宏观变化，但我们表明，代币设计决策有助于缓解熊市期间的价格下行压力。
  • 在所有条件都相同的情况下，激励供应方（提供商）比激励需求方（用户）更有效率。在网络中增加提供商的效果既能提高稳定性，又能提高整体代币价格。
  • 在我们的模型中，调整代币发行率（例如通货紧缩）不会对协议的性能产生有意义的影响。与其使用通货紧缩来推动代币价格，我们建议协议优先考虑价值驱动因素。
  • 对于具有 Staking（质押）的网络，增加 Staking 奖励会增加散户投资者和整体代币市值，但也会增加波动性。

我们对我们的早期见解持谨慎乐观态度，并期待从代币设计社区获得反馈，并继续扩展模型的功能。

在牛市中，我们观察到许多代币的采用和价格变动在很大程度上受到高度投机行为的影响，这可能会掩盖代币经济设计选择的有效性。

然而，在蟹市或熊市中，找到深刻的、基于证据的见解变得越来越重要，协议可以应用这些见解来稳定价格和推动效用。代币经济的完整经济框架尚未得到巩固，因此在这个缺乏坚实基础的领域中，为理论建设留下了机会。

为了实现这一目标，我们在 6th Man Ventures 的研究团队正在构建基于代理的代币经济模拟。

介绍

理解代币经济学的挑战就是理解机制设计的挑战。在经济学中，博弈论是对博弈中存在的策略和激励的研究。在机制设计中，我们研究的是相反的情况，即一系列理想的激励机制和策略能够引导游戏本身的设计。通过这个数学框架，我们可以将代币经济的设计视为游戏的设计，在游戏中代币是激励行为的最重要工具。

在简单、封闭的游戏（例如国际象棋）中，列举可能的策略和激励措施远比在开放的复杂游戏中更可行。当今代币学设计中的致命缺陷，通常是难以使用逻辑推理来预测的二阶效应。为了捕捉和理解这些复杂的动态，我们可以求助于计算方法。

我们的方法是使用代理人基模型（ABM），我们在其中对具有不同特征的单个代理人进行建模。这些代理人的行为是理性的，并对市场状况作出动态反应。如果建模正确，我们可以深入了解重大事件的发生时间和原因。

代理人基模型与其他方法

预测建模的标准行业方法是机器学习（Machine Learning，ML）。虽然这是一系列算法的广泛术语，但它可以归结为多个输入的相关模型。使用 ML 对代币经济建模，可以根据历史用户采用率、代币价格、代币供应、比特币价格或任何其他现实世界指标来预测代币价格。基于汇总这些输入的大量数据，该模型将使用加权回归来预测一段时间内的代币价格。

这些模型通常用于短期应用——例如社交媒体信息流和短期交易决策。在秒和毫秒的时间尺度上，用户偏好或市场趋势很可能与之前的趋势相关。然而，对于更长的时间段，输入数据的固有偏差会产生相对不可靠的预测。宏观经济趋势、外生冲击（Exogenous Shocks）和其他趋势的随机性根据定义是罕见的，而且通常难以或不可能量化，从而在 ML 预测能力方面造成差距。

通过使用代理人基模型（ABM），我们可以考虑随机的偶然性，并允许代理人单独行动而不受输入数据的影响。这使我们能够收集和分析数百次模拟的输出，并从最常发生的结果中得出见解。最重要的是，ABM 方法使我们能够理解结果发生的原因。通过详细的输出日志，我们可以了解代理人行为与市场趋势之间的因果关系。另一方面，ML 模型输出预测，但不包括其周围的环境。

总之，ABM 提供了将不同行为分配给不同参与者的能力，实现了更长期的预测，无需收集、存储和标记数百万个数据点，并使我们能够通过分析输出日志得出因果关系。

模型设计

概述

ABM 模拟 “基础设施经济（Infrastructure Economies）”，其中提供商为用户提供服务。此类经济体的示例包括 Helium、Filecoin 和 Chainlink。这清楚地转化为具有不同激励的代理类别。用户为服务付费，而提供商则获得用于支付成本和实现利润最大化的奖励。代理人都是根据市场趋势进行投机，所有代理人都以利润最大化为目标。我们还包括两个投资者代理人——机构和散户，他们不直接参与网络，而是购买/持有/质押/出售代币以实现利润最大化。

为了启动模拟，我们输入了一组 “初始条件”，包括代币价格、代币供应、网络规模等。然后模拟进入循环阶段，在此阶段发生一系列事件，代理人进行交易。每个周期代表一天，重复进行，直到指定的总天数完成。然后，该模型会输出模拟的每一天的数据，包括代理人行为、代币价格和供应变化以及市场状况。

用户

用户被引入到模拟中，其参数来自概率分布，包括资本量和风险承受能力。这可以理解为他们在市场上的特点，一些代理人倾向于高回报、高风险的行为，而另一些代理人则倾向于保守的行为。在每个时间点，用户都会为服务付费、评估市场并做出购买或出售代币的决定（如果有的话）。有几个因素会影响他们的决定，包括当前的代币价格、他们自己的风险承受能力、代币的近期趋势以及他们自己过去的行为。

提供商

提供商的行为与代理人类似，并被引入模拟中，具有风险承受能力和资本，以及占总网络计算能力的百分比，或他们提供的 “多少” 服务。他们的动机与用户不同，因为他们更有可能在任何时间步骤中出售代币，并假设他们必须支付运营成本。提供商向用户提供类似的输入，评估相同的市场趋势和宏观趋势。

投资者

投资者代理人包括两类：散户投资者和机构投资者。散户投资者并没有按预期参与协议，而是对代币进行投机以实现利润最大化。他们在决定交易策略时使用类似的指标，包括宏观趋势、代币价格、他们自己过去的行为以及他们的盈亏。

机构投资者可能有与散户投资者不同的代币锁定期和不同的投资目标。他们的决定受到无数因素的影响，包括他们对代币的买入价、他们的出售倾向、锁定期和他们期望的回报。

网络增长

代理人根据不同的概率分布和代币价格趋势流入和流出经济体。我们假设持续的价格增长会导致更多的提供商和用户进入市场，反之亦然。网络增长分布的确切参数随我们模拟的协议而变化；我们使用真实世界的数据来定制我们的模型以适应我们模拟的协议。

模型校准

我们通过超过 90 天的回溯测试来校准模型，这是一个迭代过程，其中模型被填充初始条件、运行并与实际结果进行比较。目标是建立一个模型，最大限度地减少过度拟合并描述各种现实世界的基础设施协议。我们针对三个大型基础设施经济体进行了回测：Helium（HNT）、Filecoin（FIL）和 Chainlink（LINK）。

我们使用两个指标来衡量模型表现：代币价格相关性和相对价格变动模式匹配。我们的模型在这些指标上表现出普遍、准确的性能，这验证了模型模拟现实代币价格变动以响应宏观市场条件和网络采用的能力。

实例探究

一旦我们的模型结果得到了现实世界数据的验证，我们便开始探索其生成可操作见解的能力。我们的初始模型包括几个可配置的参数：市场趋势、代币发行率、网络增长和质押回报。一个自然的起点是对这些参数进行实验。

ABM 的优势在于能够对复杂的参数间关系进行建模。对于这个初始部分，我们决定隔离每个参数以了解其对整体经济的影响。这产生了关于不同代币经济学设计选择的一些见解。

控制案例是一个处于早期阶段的通货膨胀经济，起始供应量为 1500 万个代币，每月铸造约 10 万个代币。考虑到流行代币和其他基于基础设施的经济体的通货膨胀率，这大约是 8% 的年通货膨胀率，我们认为这是一个合理的方法。

我们初始化 10,000 个活跃用户和 1000 个提供商，比例为 10:1，这是基于 Filecoin  大约 35,000 个活跃用户与 4000 个提供者的比例。我们还在每次运行时初始化 1000-2000 之间的投资者的可变数量，并使用 ETH 作为我们的加密货币市场情绪的代理，因为 ETH 和 BTC 都能很好地跟踪宏观走势。

每个实验运行 25 次，每次运行模拟 90 天。选择较短的时间段是为了捕捉模拟经济的更精细图像，并关注我们实验的直接结果。对于每个实验，我们都会改变一个关键参数并研究结果。

案例研究 1：加密货币市场的影响

过去一年，加密货币在很大程度上与宏观经济趋势相关联。通过分析现实世界的历史价格，我们可以看到宏观因素与加密货币价格之间存在很强的相关性。通过 ABM，我们可以更深入地挖掘，并开始了解这种影响在各种市场条件下的范围和强度。

我们只改变 “加密货币市场趋势” 参数：

对于所有其他案例研究，我们在每次运行中都使用相同的真实世界 ETH 代币价格数据子集。在本案例研究中，我们改变了这些子集，选择了三个不同的 90 天 ETH 价格历史时期：下降趋势、稳定增长和高增长。我们发现宏观趋势的影响与我们模拟的代币价格走势高度相关。

尽管除了宏观趋势外，每批次的运行都具有完全相同的初始条件和参数，但我们发现 L1 代币走势与我们的代币价格之间存在高度相关性。

在回顾其他案例研究时，即使在严重通货紧缩或极高的质押回报等极端情况下，市场走势的影响也是明显的。我们清楚地观察到代理商受到整体市场情绪的强烈影响，并相应地进行交易。

这种程度的影响可能会让人相信，代币设计作为一个领域对现实世界的结果影响不大。我们认为情况更加微妙。尽管市场趋势的影响肯定不能完全减轻，但糟糕的代币设计有助于加速熊市的崩盘，而智能代币设计可以提高稳定性和代币价格表现，即使在动荡的市场中也是如此。良好的代币设计的好处使该学科值得追求，使协议设计者能够在各种宏观环境中对其网络进行一定程度的控制。

案例研究 2：代币发行计划

代币设计的一个主要部分是通货膨胀率。一种常见的代币设计是使经济膨胀直到代币供应量达到最大值，之后代币会通货紧缩或保持稳定。其他协议可能使用算法平衡，在这种情况下，协议使用一些方法来销毁代币，以响应铸币率的波动。我们将它们分为四种类型：高通胀、稳定通胀（我们的控制案例）、零通胀和通货紧缩。

通过模拟，我们发现控制运行 (~ +8%) 具有最高的稳定性。高通胀 (~ +37%) 使代币价格小幅下降，稳定性损失很小，通货紧缩 (~ -37%) 使代币价格略有上涨，但稳定性较差。

令人惊讶的是，这些变化与代币经济中稀缺性的直观理解相矛盾。

当我们使代币通货紧缩并因此变得更加稀缺时，我们看到代币价格只有小幅上涨，稳定性略有下降。代币价格在净零通胀和高通胀之间没有显着变化，但我们注意到随着通胀上升，稳定性有所提高。人们可能认为高通胀会使货币贬值，从而降低代币价格，但我们的结果显示影响不大。这可能是因为较短的 90 天运行没有捕捉到通货膨胀对代币价格的长期影响。

由于 ETH  在合并后变得通缩，其价格没有持续上涨，而是由于对整个加密市场的更强烈的外生冲击而下跌，这与我们的模型的结果相似。

我们已经看到一些代币追求通货膨胀或通货紧缩策略。一般来说，我们不鼓励代币设计者使用排放率作为代币价格增长的驱动力，而是鼓励关注与其代币相关的激励措施。

你的代币应该激励哪些具体行为？哪些具体行为会损害你的经济？代币如何缓解这些行为？如果不回答和实施这些基本细节，代币发行对代币价格表现的实际影响很小。

案例研究 3：用户和提供商采用的影响

双边市场中长期存在的问题是，应该激励市场的哪一方？对于我们模拟的基础设施经济，了解哪种代理人增长对经济更有利——用户或提供商，将是非常有用的。我们执行两个模拟，改变 “网络增长” 参数来引入进来的提供商或用户:

我们发现，增加提供商带来了更高的代币增长和略低的稳定性，而增加用户带来的代币增长明显减少，但稳定性略高。

这些趋势可以通过用户和提供商之间的动态来解释，其中提供商的涌入导致新用户的流动更加稳定，导致代币价格在大多数运行中上涨。当模拟大量用户涌入时，进入经济的提供商数量比引入固定比例的用户时少约 23%。

显然，在任何协议中，用户增长和提供商增长之间仍然需要取得平衡。根据业务的不同，人们可能会偏向于优先考虑用户的增长而不是提供商，反之亦然。我们的结果表明，在基础设施经济中，提供商的引入比用户的引入具有更大的影响。

基础设施经济中的代币设计者应该仔细考虑他们的代币如何激励用户和提供商。例如，提供商奖励应该带来足够多的提供者来满足网络的需求，而不会出现过剩。在这种情况下，多余的资源仍然是不需要的，而提供者的投资会蒙受损失。

2020 年，对 Filecoin 模式的普遍抱怨是缺乏流动性和用户流量来支持存储提供商的财务需求。通过过分强调提供商流入，网络未得到充分利用，代币价格表现受到影响。同样，应仔细激励用户增长以匹配网络容量，避免需求激增，导致提供商数量过少的网络不堪重负。

案例研究 4：不同的质押率

Staking（质押）允许代理人锁定代币一段时间以获得额外奖励。在我们的模型中，代理人可以选择在每个时间段内进行 6 个月的锁定期质押。他们根据预期回报和锁定代币的机会成本，以及市场趋势和他们自己过去的行为等一系列其他因素做出决定。为了研究不同质押激励的影响，我们在 0%、5%、12% 和 20% 之间改变质押回报率。

正如预期的那样，对于 0% 质押奖励的运行，没有代理人做出质押决定。我们发现增加到 5% 对代币价格几乎没有影响，并且对稳定性有一些边际改善。将质押奖励增加到 12% 和 20% 都提高了总体代币价格，但在 20% 的运行中观察到更高的不稳定性。

随着质押回报的增加，网络发展得更快，增加了更多财富在经济中的流动。自然，这种活动的结果是代币价格上涨。然而，我们也看到散户投资者代理人的增加，由于投机交易的结果，在 20% 的质押回报率下，给我们带来了更多的不稳定性。

这些结果可能意味着质押回报存在一个 “平衡” 点，协议设计者必须在增加的资本流动与增加的投机代理人数量之间取得平衡。

在我们的实验经济中，12% 是我们运行中最接近这种平衡的，这使我们的代币价格显着上涨，而稳定性几乎没有损失。当将我们的模拟用作咨询工具时，我们可以扫描更多级别的质押或模拟不断变化的奖励计划，从而使我们的分析具有更高的粒度。

虽然 12% 提供了网络增长而稳定性损失很小，但这并不意味着每个协议都应该使用 12%。例如，在其生命周期早期的协议可能希望减少散户投资者以关注核心网络用户和提供商，并会被激励保留代币以保持低质押或关闭质押。我们建议协议监控参与经济体与投机投资者的比例，并考虑调整质押以激励他们所需的代币持有者组合。

更广泛地说，我们鼓励协议为 Stakers 提供金融 APY 之外的额外效用。示例包括更大的治理权重、对网络安全的贡献以及其他无形奖励等。出于纯粹的财务动机进行质押，尤其是对于新生协议，可能会扭曲基本面并吸引唯利是图的流动性，一旦质押奖励减少，这种流动性就会流失。

总结与展望

代币经济的动态极其复杂。借助 ABM，我们可以更深入地了解其中的一些复杂性，从分析个人之间的互动以及代币如何影响他们的行为开始。

我们遵循着著名的格言：“所有模型都是错误的，但有些是有用的”。创建一个预测模型最重要的一步是清楚地了解其局限性和假设。这个初始部分的一些缺点可能是 90 天的运行时间和仅针对三个代币的校准等。当我们试验这个模型的功能时，我们将迭代地改进这些假设，并将努力增加新的代理类型、代理功能和协议设计。

免责声明：作为区块链信息平台，本站所发布文章仅代表作者及嘉宾个人观点，与 Web3Caff 立场无关。文章内的信息仅供参考，均不构成任何投资建议及要约，并请您遵守所在国家或地区的相关法律法规。