เครือข่ายกราฟใช้ฟังก์ชัน Cobb-Douglas เพื่อกระตุ้นพฤติกรรมของผู้ดัชนี ฟังก์ชัน Cobb-Douglas มีประวัติการใช้งานที่แพร่หลายทั้งในด้านทฤษฎีและทฤษฎี โดยที่ผู้ดัชนีส่วนใหญ่มีพื้นฐานทางวิทยาการคอมพิวเตอร์มากกว่าทางเศรษฐศาสตร์ พวกเขาลักษณะทั่วไปจำเป็นต้องเรียนรู้ความรู้บทบาทเชิงบริบทเกี่ยวกับวิธีการทำงานของทุกอย่างในระดับพื้นฐาน

นี่คือการแนะนําฟังก์ชันคอบบ์-ดักลาส นอกจากนี้เช่นเดียวกับเครื่องมืออื่น ๆ มีข้อ จํากัด ที่สําคัญและการแลกเปลี่ยนกับฟังก์ชั่นนี้ เรายินดีรับฟังความคิดเห็นของชุมชน The Graph เพื่อทําการปรับปรุงอย่างต่อเนื่อง

ผ่านโพสต์นี้ ฉันมีเป้าหมายที่จะ:

1. ให้ข้อมูลพื้นหลังแก่ผู้ดำเนินการดัชนีที่มีอยู่และที่อาจเป็นไปได้เกี่ยวกับฟังก์ชันนี้
2. บริการเป็นการเริ่มต้นใหม่บางส่วนของโทเค็นอิคอนอมิกส์ของ The Graph
3. นำเสนอและอภิปราย Cobb-Douglas เป็นพื้นฐานสำหรับโทเค็นงาน
4. เชิญคุณอ่านเพื่อสนทนาเกี่ยวกับการปรับปรุงในอนาคต

ฟังก์ชัน Cobb-Douglas เป็นคำที่ใช้บ่อยใน web3 แต่มักจะเป็นอ่อนแอต่อผู้ใช้ มันเป็นฟังก์ชันหลักในเศรษฐศาสตร์ ด้วยการนำมาใช้โดย0x, The Graphและโกลด์ฟินช์, มันกำลังเป็นรูปแบบพื้นฐานใน tokenomics ฉันจะให้ความรู้พื้นฐานเล็ก ๆ เกี่ยวกับฟังก์ชันนี้ โดยเริ่มต้นด้วยเวอร์ชันที่ถูกตัดเท่านั้น แล้วจึงเข้าใจลึกลงไปในคุณสมบัติของมัน สำคัญที่จะระบุล่วงหน้าว่ามีรูปแบบฟังก์ชันอื่น ๆ ที่เป็นไปได้ที่รับบทบาทเดียวกัน และเหล่านั้นมีความคุ้มค่าในการสำรวจในอนาคตด้วย

สารบัญ

• ส่วนที่ 1: ฟังก์ชัน Cobb-Douglas คืออะไร
• ส่วนที่ 2: การนำเสนอกราฟของฟังก์ชัน Cobb-Douglas: พื้นฐานเกี่ยวกับโทเคนอมิกส์
• ส่วนที่ 3: การนำ Cobb-Douglas Function มาใช้ในกราฟ: กลไกการออกแบบ
• ส่วนที่ 4: การนำฟังก์ชัน Cobb-Douglas มาใช้ในกราฟ: ค่า α
• ส่วนที่ 5: การปรับปรุงฟังก์ชัน Cobb-Douglas
• ทรัพยากร

ส่วนที่ 1: ฟังก์ชัน Cobb-Douglas คืออะไร

คําอธิบายที่จําเป็น

ในระดับฐานเป้าหมายของฟังก์ชัน Cobb-Douglas คือการค้นหาการจัดตําแหน่งแรงจูงใจสําหรับตลาดเจ้าของผู้ใช้เสมือน ลองนึกภาพโลกที่เหรียญแท็กซี่เป็นโทเค็น: คนขับเป็นเจ้าของโทเค็นที่ให้สิทธิ์ในการทํางานบนแพลตฟอร์ม เราจะหากลไกที่สอดคล้องกับการใช้งานและความเป็นเจ้าของได้อย่างไร?

ฟังก์ชัน Cobb-Douglas ให้กลไกเช่นนี้ ในสาระสำคัญ มันให้ความสัมพันธ์ทางคณิตศาสตร์ระหว่างอินพุต (เดิมและค่าธรรมเนียมการค้นหา) กับเอาต์พุต (ส่วนลดค่าธรรมเนียมการค้นหา)

ตัวอย่างที่ดีของ Cobb-Douglas ในการดําเนินการคือ โมเดลตัวชี้งานของ The Graph.

คำอธิบายที่เทียบเท่ามากขึ้นทางเทคนิคนิดหน่อย

รูปแบบแรกของฟังก์ชันคือฟังก์ชันการผลิต (ฟังก์ชันการผลิต Cobb-Douglas) Cobb และ Douglas จำลองว่าทุนและแรงงานมีส่วนร่วมในการผลิตสินค้าสุดท้าย (การผลิต) ดูเหมือนว่า

ที่ไหน:

• ผลลัพธ์ P เป็นฟังก์ชันของแรงงาน (L) และทุน (C)
• b เป็นปัจจัยผลิตภาพรวม

นี่เป็นคำบรรยายที่ยาวนาน แต่มันบอกถึงวิธีที่สองปัจจัยหลักของการผลิต คือแรงงานและทุน มีปฏิกิริยากับกันอย่างไร กล่าวคือ ถ้าแรงงานและทุนคือส่วนประกอบสองอย่างของป้อนเข้า แต่ละปัจจัยเหล่านี้มีส่วนส่งเสริมให้กับผลลัพธ์เท่าไหร่

แม้ว่ามันเป็นรูปแบบเดิมของฟังก์ชัน คุณสมบัติทางคณิตศาสตร์ที่เป็นเอกลักษณ์ของฟังก์ชันทำให้มันกลายเป็นเครื่องมือที่มีประโยชน์สำหรับสถานการณ์การวิเคราะห์ทางเศรษฐกิจหลายอย่าง มันกลายเป็นรูปแบบทั่วไป:

α1, α2, α3 และ αn เป็นจำนวนบวก แต่ไม่จำเป็นต้องรวมกันเป็นหนึ่ง (ขึ้นอยู่กับการใช้งาน) มีด้วยกับรูปแบบของพวกเขาในการใช้ทุนแรงงานต้นฉบับ รูปแบบทั่วไปนี้สามารถมีจำนวนของอินพุตใด ๆ ที่อ้างถึงส่วนผสมใด ๆ ได้ คล้ายกับการสร้างเครื่องสลัด คุณจะใส่บางอินพุต (เช่น ทองแดง เหล็ก หน้ากระดาษจาก Gilgamesh) เข้าไปในฟังก์ชันและมันสามารถให้ผลลัพธ์ (หวังว่าจะได้ทอง!)

Cobb-Douglas Production Function is Like Alchemy: Input → Output. Art Generated by การแพร่กระจายที่มั่นคง.

เนื่องจากฟังก์ชันตอนนี้มีรูปแบบทั่วไป จึงใช้ในทฤษฎีผู้ผลิต (เป็นฟังก์ชันการผลิต) และทฤษฎีผู้บริโภค (เป็นฟังก์ชันสมรรถนะ) เมื่อใช้เป็นฟังก์ชันการผลิต ก็คล้ายกับการวัดผลลัพธ์ของการเรียนรู้จากฟังก์ชัน Cobb-Douglas ผู้ผลิตที่มีเหตุผลจะสามารถกำหนดได้ เช่น ใช้ทองเท่าไร

เมื่อใช้เป็นฟังก์ชันที่มีประโยชน์ มันจะวัดการแลกเปลี่ยนของผู้บริโภคในหลาย ๆ ทางเลือก ฉันควรซื้อ CryptoPunks มากกว่าหรือ Bored Apes?

เนื่องจากมีความสอดคล้องกับทั้งทฤษฎีผู้บริโภคและทฤษฎีผู้ผลิตฟังก์ชันนี้จึงกลายเป็นวัตถุดิบหลักในการวิเคราะห์สมดุลทั่วไปประยุกต์ซึ่งพยายามหาจุดหักบัญชีตลาดระหว่างอุปทาน (ทฤษฎีผู้ผลิต) และอุปสงค์ (ทฤษฎีผู้บริโภค)

สรุปแล้ว คุณจะเห็นฟังก์ชัน Cobb-Douglas ในบริบทต่าง ๆ มันอาจเป็นฟังก์ชันการผลิตหากถูกใช้ในการวิเคราะห์ผู้ผลิต หรือเป็นฟังก์ชันโปรดของผู้บริโภค ถ้าถูกใช้ในการวิเคราะห์ผู้บริโภค รูปแบบ (ซึ่งกำหนดคุณสมบัติทางคณิตศาสตร์) คล้ายกัน แต่การกำหนดตัวแปรจะแตกต่างกันในแต่ละบริบท

Consumer Utility. Art Generated by การแพร่กระจายที่เสถียร.

ส่วนที่ 2: การนำฟังก์ชัน Cobb-Douglas มาใช้ในกราฟ: พื้นฐานเกี่ยวกับโทเคโนมิค

กราฟใช้โมเดลเดิมพันเพื่อหารายได้ ผู้เข้าร่วมโปรโตคอลคาดว่าจะเดิมพันโทเค็นของตนเพื่อรักษาความปลอดภัยเครือข่าย กรณีเฉพาะอย่างหนึ่งของเงินเดิมพันต่อรายได้คือรูปแบบโทเค็นการทํางานซึ่งบุกเบิกโดย Augur และอื่น ๆ

โมเดลโทเค็นการทำงานทำงานอย่างนี้:

• ผู้ให้บริการในเครือข่ายจำเป็นต้องมัดจำโทเค็นเพื่อรับสิทธิในการให้บริการสำหรับเครือข่าย
• ปริมาณการบริการที่พวกเขาดำเนินการควรสัมพันธ์กับปริมาณโทเค็นที่พวกเขาเสนอเป็นเงินมัดจำในเครือข่าย

มันคล้ายกับตลาดเหรียญแท็กซี่ที่เหรียญให้สิทธิ์คนขับรถแท็กซี่ดําเนินการในตลาด ในตลาดแท็กซี่คนขับซื้อเหรียญเพื่อให้สามารถดําเนินการในเมืองได้ เหรียญเหล่านี้สามารถโอนได้และยังมีบริการทางการเงินพิเศษที่ให้สินเชื่อเหรียญแก่ผู้ขับขี่เพื่อให้พวกเขาสามารถซื้อเหรียญจากผู้เล่นคนอื่นได้

เมื่อตลาดรถแท็กซี่ในพื้นท้องได้รับความกระแสเนื่องจากเหตุผลเช่นการเพิ่มจำนวนประชากร การทำธุรกรรมเหรียญหรรษาในตลาดรองมูลค่าเพิ่มขึ้น เมื่อตลาดเผชิญกับปัญหาที่เกิดขึ้นเป็นระยะหรือโครงสร้าง (เช่น การเข้ามาของ Uber) เหรียญหรรษาลดค่าลง มีกลไกสมดุลเอง

กราฟสามารถถือว่าเป็นระบบเหรียญทองเสมือน ๆ โดยที่ GRT ทำหน้าที่เป็นสิทธิในการให้บริการบนแพลตฟอร์ม

คล้ายกับเหรียญรางวัล GRT จะถูกซื้อเพียงในสัดส่วนตามระดับของงานที่ทำและบริการที่ซื้อ (ค่าคำถาม) บนโปรโตคอล หากคุณมีคนขับรถสองคน คุณจะได้รับเหรียญรางวัลหนึ่ง (ในกรณีที่มีสองกะในหนึ่งวัน) หากคุณมีคนขับรถ 6 คน คุณควรได้รับสาม

ความท้าทายที่สําคัญสําหรับโมเดลนี้คือการสร้างความสัมพันธ์ที่เชื่อถือได้ระหว่างโทเค็นที่เดิมพันและงานที่ทํา ตามหลักการแล้วเมื่อมีการสืบค้นเพิ่มเติมในเครือข่ายจํานวนโทเค็นที่เดิมพันควรเพิ่มขึ้น ใช้การเปรียบเทียบแท็กซี่คุณไม่ต้องการให้คนนั่งบนเหรียญและไม่ไปทํางาน!

คนซื้อเหรียญเพราะพวกเขาต้องการหารายได้โดยการพาผู้โดยสารจากจุด A ไปยังจุด B ซึ่งเป็นสิทธิที่ได้รับจากเหรียญ

โมเดลโทเคนการทำงานตามตลาดเมดัลลิอง ศิลปะที่ถูกสร้างขึ้นโดยการแพร่กระจายที่เสถียร.

กราฟนี้อาจจะบังคับความสัมพันธ์ตัวเลขนี้ แต่ความเกรงงอนอาจสร้างปัญหาหลายอย่าง

1. Limits the amount of work a smaller staker can perform, which is not conducive to the growth of the network
2. ขอกลไกให้ผู้ถือหุ้นขนาดใหญ่ทำงานเมื่อพวกเขาไม่ต้องการ (หรือถอนการถือหุ้น) ซึ่งอาจซับซ้อนมากเมื่อต้องประสานงานบนเชื่อมโยง

กล่าวอีกอย่างว่า หลักการออกแบบของ The Graph คือ Indexers ควรได้รับเสรีภาพในการให้บริการสำหรับจำนวนคำค้นที่ต่างกันโดยไม่สนใจเงินเดิมพันของพวกเขา อีกครั้งโดยใช้การอุทาหรณ์เหรียญเหลือง คนไม่ควรถูกบังคับให้ทำงานเมื่อพวกเขารู้สึกไม่สบายใจ แม้ว่าพวกเขาเป็นเจ้าของเหรียญเหลืองขนาดใหญ่ ไอเดียของ Cobb-Douglas คือการสร้างกลไกสรรพสรรค์เพื่อทำให้มีเหตุผลทางเศรษฐกิจมากขึ้นในการทำงานโดยไม่บังคับคนให้ทำเช่นนั้น

ส่วนที่ 3: การนำกราฟไปใช้กับฟังก์ชันคอบ-ดั๊กลาส: กลไกการออกแบบ

ตามที่ Edge & Node’s ร่วมกับผู้ก่อตั้งและประธาน​ Brandon Ramirez กล่าวไว้ The Graph ใช้ Cobb-Douglasได้รับแรงบันดาลจากการนำมาใช้ที่ 0x. (Bandeali et al 2019; Ramirez 2019)

ปัญหาที่มันตั้งใจจะแก้ไขคือ: เราจะออกแบบระบบอย่างไร ที่ผู้ใช้เป็นเจ้าของ และพวกเขาเป็นเจ้าของ GRT ในปริมาณที่เหมาะสมตามการใช้งานของพวกเขา

โปรโตคอลคาดการณ์ว่าเจอาร์ที่เป็นเจอาร์ทจะเดิมพันโทเค็นของพวกเขาในสัญญาและมีส่วนร่วมในการกำหนดนโยบายโปรโตคอล ในทางตรงกันข้าม มันเหมือนการออกแบบสหกรณ์และสหภาพในตลาดเสมือนจริง คอบ-ดั๊กลาสเป็นกลไกการสมดุลระหว่างมอบหมายคู่ของการเป็นเจ้าของและการใช้

การออกแบบโมเดลการร่วมกิจกรรมเสมือนจริง ศิลปะที่สร้างขึ้นโดยการแพร่กระจายที่มั่นคง.

ในระดับสูง กลไกดูเหมือนกับนี้: ค่าธรรมเนียมค้นหาจะเข้าไปยังสระกลุ่มสหวัสดิ์ (สระเงินคืน) โดยที่จะใช้สูตร Cobb-Douglas เพื่อนับสัดส่วนของแต่ละ Indexer ในสระกลุ่มสหวัสดิ์ ที่ขึ้นอยู่กับจำนวนของ GRT ที่พวกเขาเป็นเจ้าของและจำนวนของงานที่พวกเขาทำ (ค่าธรรมเนียมค้นหา) ที่สิ้นสุดของช่วงเวลา โปรโตคอลจะใช้สูตร Cobb-Douglas เพื่อนับสัดส่วนของแต่ละ Indexer ในสระกลุ่มสหวัสดิ์ ที่ขึ้นอยู่กับจำนวนของ GRT ที่พวกเขาเป็นเจ้าของและจำนวนของงานที่พวกเขาทำ (ค่าธรรมเนียมค้นหา)

ฟังก์ชันถูกแสดงดังนี้:

ที่ไหน:

• ค่าตอบแทนคือค่าธรรมเนียมที่สามารถเรียกเก็บได้โดย Indexer คนเดียว
• totalRewards คือค่าธรรมเนียมทั้งหมดสําหรับ Indexers ทั้งหมดในช่วงยุคหนึ่ง (ปัจจุบันยุคคือ 6,646 บล็อกหรือประมาณ 22 ชั่วโมงหลัง Ethereum Merge มันได้รับการจัดการโดย สัญญา EpochManager)
• อัตราค่าธรรมเนียม = ค่าธรรมเนียมที่จัดสรรให้กับพูลเสมือน / ค่าธรรมเนียมรวมทั้งหมดที่รวบรวมจากพูลทั้งหมดที่ได้รับรางวัล,
• stakeRatio = สัดส่วนของการเสี่ยงโดยส่วนตัวที่เป็นของสระน้ำ / ยอดเสี่ยงรวมข้ามทุกสระน้ำที่ได้รับรางวัล,
• α เป็นตัวประกอบของ Cobb-Douglas (เดิมชื่อ k ในกระดาษ Cobb-Douglas)

เราสามารถเห็นความคล้ายคลึงกันได้ง่าย ๆ ระหว่างฟังก์ชันดังกล่าวและรูปแบบเดิมของฟังก์ชัน

นอกจากนี้ที่นี่เรามีตัวแปรสองตัวคือ feeRatio และ stakeRatio ฟังก์ชันมีจุดประสงค์เพื่อแก้ไขส่วนแบ่งระหว่าง GRT ที่ถืออยู่ (เงินทุนซึ่งตั้งใจจะให้ความปลอดภัยทางเศรษฐกิจ) และค่าธรรมเนียม query (แรงงานที่เป็นรางวัลสำหรับการให้บริการ query)

ในโลกที่ไม่มี Cobb-Douglas หลังจากที่ Indexer ได้ให้บริการคำค้นหาแล้ว เขาจะเก็บค่าธรรมเนียมคำค้นหาที่เขาได้ให้บริการ มาเราเรียกมันว่าโมเดล 'คุณกินสิ่งที่คุณฆ่า'

“คุณกินสิ่งที่คุณฆ่า” ศิลปะที่สร้างขึ้นโดยDiffusion ที่เสถียร.

ในโลกที่มี Cobb-Douglas เมื่อ Indexer ได้รับคำถามบางครั้งค่าธรรมเนียมคำถามจะเข้าไปในกองทุนร่วม ส่วนแบ่งสุดท้ายของ Indexer จากกองทุนกำหนดโดยจำนวนที่พวกเขาเดิมและจำนวนคำถามที่พวกเขาได้รับบริการ

คำถามที่ชัดเจนคือ: มีจำนวนเดิมพันที่เหมาะสมต่อค่าบริการหรือไม่ที่ทำให้กำไรสูงสุดสำหรับผู้ดัชนี?

เราสามารถใช้ตัวชี้วัดที่เรียกว่าความหนาแน่นในการจ้างเงิน ในการอธิบายปัญหานี้:

มันคือ จำนวนของ GRT ที่ถูกเดิมพันเทียบกับค่าธรรมเนียมที่ได้รับจาก Indexer ดังนั้นคำถามด้านบนสามารถจะถูกเพิ่มเติมว่า: มีความหนาแน่นในการเดิมพันที่เหมาะสมสำหรับ Indexers หรือไม่?

ในขณะนี้ยังมีความเห็นร่วมกันที่จำกัดเกี่ยวกับคำถามนี้ โรงเรียนหนึ่งอ้างว่าไม่มีความเข้มงวดในการจำนำที่เหมาะสม ผู้คนไม่มีสิ่งขับเคลื่อนให้เพิ่มขนาดของสระเงินเงินคืนโดยรวม พวกเขามีเพียงแรงจูงใจในการเพิ่มส่วนของตนเอง ซึ่งหมายความว่าพวกเขาจะเสี่ยงเดิมพันอย่างต่อเนื่อง

โรงเรียนอีกแห่งอ้างว่ามีความหนาแน่นในการจับคุณภาพที่เหมาะสม สาเหตุที่มีคือมีค่าใช้จ่ายที่ไม่ชัดเจนสำหรับการจับคุณภาพ จำนวนเกินของ GRT ที่ถูกจับคุณภาพจะได้รับค่าธรรมเนียมน้อยกว่าทางเลือกของมัน

มีทางเลือกบ้างหรือไม่? หนึ่งทางเลือกคือการมอบหมายให้แข็งแรงต่อผู้ดัดแปลงอื่นที่ไม่มีการเสี่ยง (stakingIntensity < 1) กล่าวคือผลผลิตของทุนสูงกว่าในการให้ยืมเหรียญเหล่านี้ออกมากว่าการเสี่ยงตัวเอง

วิธีอื่น ๆ ในการคิดเกี่ยวกับมันคือผลผลิตต่อหน่วยทุนลดลงที่นำมาจากฟังก์ชัน Cobb-Douglas ในขณะที่มันมีค่าเสมอ (เช่น การลงทุนเพิ่มเติบโดยตลอดจะได้รับผลตอบแทนมากขึ้น) ผลประโยชน์ที่เพิ่มขึ้นลดลงเมื่อคุณลงทุนเพิ่มขึ้น การจะใช้ทุนไปที่อื่นเพื่อรับผลตอบแทนที่สูงกว่า

ตัวเลือกที่เหมาะสมที่สุดคือการเดิมพันจํานวน GRT เท่ากันเมื่อเทียบกับการสืบค้นที่พวกเขาให้บริการ กล่าวอีกนัยหนึ่งเมื่อ feeRatio = stakeRatio (เช่น stakingIntensity = 1) Indexers จะได้รับสิ่งที่พวกเขาจะได้รับกลับมาในโลก "คุณกินสิ่งที่คุณฆ่า" ไม่มีความไร้ประสิทธิภาพในสถานะนี้

การตัดสินใจขาว-ดำระหว่างการจัดการและรางวัล (บางที) ศิลปะที่สร้างขึ้นโดยDiffusion มั่นคง.

นี่คือสถานะสมดุลเหมาะสมของตลาดค่าธรรมเนียมค้นหาตามที่ตั้งใจโดย Cobb-Douglas function กล่าวคือในระยะยาว Indexers ควรจะจัดส่วนของเงินเดิมพันเทียบเท่ากับส่วนของค่าธรรมเนียมค้นหาที่พวกเขาสร้างขึ้นทุกอย่างอื่นเท่า ๆ กัน

โดยประมาณจากประสบการณ์ โรงเรียนครั้งแรก (ว่าไม่มีความหมายที่ดีที่สุด) ถูกต้องตอนนี้ เพราะเหตุผลที่เราจะพูดถึงในส่วนที่ 5 เรายังจะพูดถึงปัญหาบางประการที่เราพบในการใช้งานฟังก์ชัน

ส่วนที่ 4: การนำกราฟมาใช้ในฟังก์ชันคอบ-ดั๊กลาส: ค่า α คือ

นอกจาก stakingIntensity แล้ว พหุผลที่เป็นส่วนกำหนด อัลฟา และ (1-อัลฟา) ก็เป็นตัวแปรที่สำคัญด้วย พวกเขาเรียกว่าส่วนแบ่งของฟังก์ชันการผลิต: พวกเขากำหนดส่วนแบ่งของเงินทุน (GRT ที่ถูกเสี่ยง) และแรงงาน (ค่าธรรมเนียมคิวรี่) ในตลาดการผลิตค่าค้นหานี้

โปรดทราบว่าดัชนียกกำลังบวกกันเป็น 1: α + (1-α) = 1 นี้เรียกว่า "การคืบคลา" ซึ่งหมายความว่าหากเราเพิ่มทั้ง feeRatio และ stakeRatio ขึ้นด้วยเปอร์เซ็นต์ที่กำหนด ส่วนแบ่งของ Indexer ในพูลร่วมก็จะเพิ่มขึ้นด้วยเปอร์เซ็นต์เดียวกัน

กล่าวอีกอย่างว่า ไม่ว่าจะเป็นดัชนีเล็กหรือดัชนีใหญ่ หากดัชนีเพิ่มส่วนร่วมของทั้งทุน (stakeRatio) และแรงงาน (feeRatio) พร้อมกันขึ้น 20% ส่วนแบ่งของพวกเขาในสระน้ำตอบแทนก็จะเพิ่มขึ้น 20% โดยเช่นเดียวกัน หากทั้งสองอินพุตถูกเพิ่มขึ้น 35% ผลลัพธ์ก็จะเพิ่มขึ้น 35% เช่นเดียวกัน

ดังนั้น ดัชนีขนาดใหญ่ก็จะไม่ได้รับการตอบแทนอย่างไม่สมเพช และในทางกลับกัน คุณลักษณะนี้ยังเป็นอุปสรรคที่ยกเลิกความเป็นไปได้ที่ผู้เข้าร่วมจะเล่นระบบโดยการรวมหรือแยกกระเป๋า

Return to Scale? Art Generated by Diffusion Stable.

เพียงเพื่อเสริมภาพ ในกรณีที่ผลรวมของดีกรีมีค่า > 1 เราจะได้รับผลตอบแทนในการขยายขนาด เช่นเกิดขึ้นกับธุรกิจบางประเภทที่มีแนวโน้มการครอบครอง (เช่น ตลาดพลังงานขนาดใหญ่ส่วนใหญ่) ในกรณีที่ผลรวมของดีกรีมีค่า < 1 เราจะได้รับผลตอบแทนในการลดขนาด ในสถานการณ์ที่ไม่มีความเชื่อถือกันทั้งสองของการตั้งค่าเหล่านี้สามารถถูกเล่นได้ ดังนั้น The Graph สมมติ Return to Scale คงที่ (ผลรวมของดีกรี= 1)

เพื่อให้เข้าใจกลไกอย่างสมบูรณ์จำเป็นต้องมีพื้นฐานในวิชาคณิตศาสตร์พื้นฐานบ้าง คุณสามารถตรวจสอบคณิตศาสตร์ได้ในบันทึกบรรยายนี้ในส่วน "Return to Scale" (Cottrell 2019)

แต่ α หมายความว่าอย่างไรจริง ๆ เราสามารถมองได้ว่าเป็นส่วนแบ่งของแรงงาน (ค่าธรรมเนียมคิวรี่) จากผลลัพธ์ทั้งหมด (1-α) เป็นส่วนแบ่งของทุน (GRT staking) กล่าวอีกอย่างในสมัยเฉพาะแรงงานมีสิทธิในการได้รับ α จากรายได้ค่าธรรมเนียมและทุน (GRT staking) มีสิทธิได้รับ (1-α)

หากเรามองไปข้างหน้า โดยสมมติว่าตลาดยังคงอยู่ในสมดุล จะมีรายได้จากค่าธรรมเนียมที่ได้รับจากเงินทุน (การฝาก GRT) ที่เกี่ยวข้อง ค่าของเจ้าของ GRT สามารถได้มาจากการวิเคราะห์มูลค่าปัจจุบันที่ได้รับส่วนลดนี้ได้ จงสมมติว่า ความสมบูรณ์ของมูลค่าปัจจุบันที่ได้รับส่วนลดของค่าธรรมเนียมการสอบถามโปรโตคอลคือ X มูลค่าของเงินทุนคือ (1-α) * X มันคล้ายกับสิ่งที่เรามีในการเงินธุรกิจ: มูลค่าของ บริษัท คือมูลค่าปัจจุบันที่ได้รับส่วนลดของกระแสเงินสดในอนาคตของมัน (การกระจายมูลค่าเงินสด, หรือ DCF)

การสร้างดัชนีเป็นงานที่ต้องใช้ความพยายาม ศิลปะที่สร้างขึ้นโดย การแพร่กระจายที่เสถียร.

ในทางที่อื่น ๆ ค่าธรรมเนียมการค้นหาคือ "รายได้" ของโปรโตคอล ในขณะที่การสเตก/สัญญานั้นเป็น "รายได้" ของโปรโตคอลอ้อม อีกครั้ง นี่เป็นอุปมาของ GRT เป็นตัวระบุการใช้งาน

ข้อดีของ DCF คือเราสามารถทําการวิเคราะห์มูลค่ายุติธรรมด้วยเมตริกการประเมินมูลค่าแบบเดิมได้ เราสามารถวิเคราะห์ขนาดของตลาดที่ The Graph อาจให้บริการ (คําใบ้: มากกว่าการจัดทําดัชนีบล็อกเชน) ถือว่าโครงสร้างตลาดและส่วนแบ่งการตลาดสําหรับโปรโตคอล Graph ใช้มาร์จิ้นโปรโตคอล (1-α) และใช้อัตราคิดลดที่แน่นอนเพื่อให้ได้ค่าเทอร์มินัล อย่างไรก็ตามเราต้องระมัดระวังเนื่องจากการวิเคราะห์นี้ถือว่าตลาดอยู่ในสภาวะสมดุลที่ตั้งใจไว้โดย StakingLargest ที่ดีที่สุดของ Cobb-Douglas มันไม่ทํางานในตลาดปัจจุบันที่ผู้ถือโทเค็นจํานวนมากไม่ได้เข้าร่วมในเครือข่าย

เราสามารถก้าวไปอีกขั้นและคิดว่าการวิเคราะห์กระแสเงินสดคิดลดถูกนําไปใช้ในบริบทการประเมินมูลค่าบริษัทแบบดั้งเดิมอย่างไร กระแสเงินสดของแต่ละงวดสุทธิของการจ่ายเงินคือกระแสเงินสดที่บริษัทจับได้ กระแสเงินสดที่ไม่ได้จับโดย บริษัท ไปยังปัจจัยอื่น ๆ ของการผลิต (เงินเดือนซัพพลายเออร์และอื่น ๆ ) เปอร์เซ็นต์ที่ บริษัท รักษาไว้จากรายได้ท็อปไลน์ทั้งหมดคืออัตรากําไรของบริษัท เนื่องจากค่าสัมประสิทธิ์ Cobb-Douglas α กําหนดส่วนแบ่งผลผลิตของทุน (รายได้ topline) ในแต่ละช่วงเวลาจากมุมมองของงบกําไรขาดทุนจึงกําหนดอัตรากําไรของ บริษัท

กล่าวอีกอย่างในสภาพแวดล้อมของ The Graph คือ พหุนบทบาทของ stakeRatio (1-α) เป็นขอบข่ายที่เป็นความจริงของโปรโตคอล ยืมภาษาจากการบัญชี

Das Kapital. ศิลปะที่สร้างขึ้นโดยDiffusion ที่เสถียร.

ในปัจจุบัน ค่าฮอร์นัน α ถูกประเมินที่ 0.77 ซึ่งถูกคำนวณในสมาร์ทคอนแทรค

สำหรับข้อมูลเรียลไทม์ ดู alphaNumerator และ alphaDenominator ที่Etherscan. นั่นหมายความว่าสำหรับ Indexer การ stake GRT คาดว่าจะได้รับ 23% ( = 1 - 0.77) ของค่าคำถาม

Indexer Office Hour #73มีการสนทนาเชิงลึกเกี่ยวกับฟังก์ชัน ชุมชนยังมีเครื่องมือสำหรับการสร้างกราฟที่มีบน Desmos.

ส่วนที่ 5: การปรับปรุงฟังก์ชัน Cobb-Douglas

ยังมีปริมาณงานที่ต้องทำเพื่อปรับปรุงกรอบการทำงานอย่างเหมาะสมอยู่ ตัวอย่างเช่นฟังก์ชันนั้นหมายถึงการวิเคราะห์ทฤษฎีเกมที่ซับซ้อนของผู้เล่นในตลาดเมื่อพวกเขามีส่วนร่วมในเงินทุน (พวกเขาต้องมีส่วนร่วมอย่างเหมาะสมโดยสัมพันธ์กับผู้เล่นในตลาดคนอื่น) ผู้เข้าร่วมถูกลงโทษในกรณีที่ไม่เล่นเกมอย่างถูกต้อง อย่างไรก็ตาม นี่คือที่ทฤษฎีเกมพบกับกลยุทธวิทยา ความซับซ้อนของเกมได้กีดกั้นผู้เล่นจากการเล่นเกมในที่ที่มีความตั้งใจ

นอกจากนี้ โปรโตคอลยังออกรางวัลเงินเฟ้อให้กับ Indexers ในปัจจุบัน ในขั้นตอนของการพัฒนาโปรโตคอลนี้รางวัลมีขนาดใหญ่กว่าค่าธรรมเนียมการสืบค้นมาก โดยธรรมชาติแล้ว Indexers กําลังปรับพฤติกรรมของตนให้เหมาะสมต่อรางวัลเงินเฟ้อมากกว่ากลุ่มเงินคืนค่าธรรมเนียมการสืบค้น เราจะปรับสิ่งจูงใจอย่างเหมาะสมในระยะแรกของตลาดค่าธรรมเนียมการสืบค้นได้อย่างไร?

นอกจากนี้ ที่สำคัญของฟังก์ชัน Cobb-Douglas คือการวิเคราะห์การถดถอย เราต้องมองข้อมูลประจักษ์เพื่อหาค่าของ α นี่สามารถทำได้เมื่อตลาดค่าธรรมเนียมของคิวรีมีขนาดเพียงพอและมีชุดข้อมูลชุดเวลาที่เกี่ยวข้องมากขึ้น

สุดท้ายการมีส่วนร่วมของนักเก็งกําไรในตลาดค่าธรรมเนียมแบบสอบถาม ศาสตราจารย์ด้านเศรษฐศาสตร์ Sockin และ Xiong ชี้ให้เห็นว่าการปรากฏตัวของนักเก็งกําไรอาจนําไปสู่การพังทลายของความสมดุลของตลาดในตลาดโทเค็นสาธารณูปโภค (Sockin และ Xiong 2020) ผู้ใช้สามารถแออัดได้เนื่องจากการมีส่วนร่วมของนักเก็งกําไร เราควรออกแบบตลาดที่ดีขึ้นอย่างไรเมื่อพิจารณาถึงการปรากฏตัวของนักเก็งกําไร?

ความสมดุลทั่วไปถูกทำลายโดยนักลงทุนสเปก. ศิลปะที่สร้างขึ้นโดยDiffusion Gate.

ส่วนหนึ่งของประโยชน์ในการสร้างในโลกแห่งความโปร่งใส (วิธีตลาด) คือเราสามารถได้รับความคิดเห็นจากผู้คนหลากหลายและทุกคนมีส่วนร่วมในการพัฒนาโปรโตคอลเอกซ์เราคิดว่าการจัดการโทโนมิกซ์อยู่ในส่วนกลางของตลาดเช่นอะไรก็ตามในชุดนั้น โดยการคิดอย่างลึกซึ้งเกี่ยวกับประวัติของโปริมิทีฟและการใช้งานและข้อจำกัดของมันเรามีส่วนร่วมร่วมกันในกองความรู้และเป็นไปได้ที่จะทำให้โปรโตคอลก้าวหน้าขึ้นเราเชิญชวนทุกคนที่จะท้าทายและอภิปรายในโปรโตคอลนี้

สร้างบางสิ่งบางอย่างในตลาดสด ศิลปะที่สร้างขึ้นโดย การแพร่กระจายที่เสถียร.

งานศิลปะ

งานศิลปะได้รับการเครดิตจากโครงการ AI โอเพ่นซอร์สต่อไปนี้:

• InvokeAI Stable Diffusion Toolkit (InvokeAI nd),
• จุดเช็กเพ็ชเชินต์ CompVis/stable-diffusion-v1-4 โฮสต์บนเฮฟฟี้งเฟซ (Rombach et al 2022; CompVis at Ludwig Maximilian University of Munich),
• runwayml/stable-diffusion-v1-5 checkpoint ที่โฮสต์บน Hugging Face (Rombach et al 2022; การวิจัย Runway),
• ชุดข้อมูลเปิด LAION-5BN, เซ็ตข้อมูลฟรีขนาด 5 พีเทระไบต์ของภาพและข้อความ (Beaumont 2022); LAION Aesthetics, ส่วนย่อยของ LAION-5BN (Schuhmann 2022)

ทรัพยากร

Bandeali, Avi, Will Warren, Weijie Wu, และ Peter Zeitz. 2019. “ค่าธรรมเนียมโปรโตคอลและสิทธิพิเศษในโปรโตคอล 0x.” กระดาษทำการของโปรโตคอล 0x. เข้าถึงเมื่อ 22 ตุลาคม 2022.https://gov.0x.org/t/research-on-protocol-fees-and-liquidity-incentives/340.

Barmat, Ariel, et al. n.d. “กราฟโปรโตคอลคอนแทรค - LibCobbDouglas.” GitHub. เข้าชมเมื่อวันที่ 22 ตุลาคม 2022.https://github.com/graphprotocol/contracts/blob/dev/contracts/staking/libs/Cobbs.sol.

Barmat, Ariel และ David Kajpust. n.d. “กรอบโปรโตคอลคู่สัญญา - ส่วนลด.” 2022. GitHub. เข้าถึงเมื่อ 22 ตุลาคม 2022.https://github.com/graphprotocol/contracts/blob/dev/contracts/staking/libs/Rebates.sol.

Beaumont, Romain. 2022. “LAION-5B: A NEW ERA of OPEN LARGE-SCALE MULTI-MODAL DATASETS | LAION.” Laion.ai. Accessed November 5, 2022https://laion.ai/blog/laion-5b/.

Biddle, Jeff. 2021. ความก้าวหน้าผ่านการถดถอย: ชีวประวัติของฟังก์ชันการผลิต Cobb-Douglas ที่เชื่อมโยงข้อมูล. เคมบริดจ์, สหราชอาณาจักร; นิวยอร์ก, รัฐนิวยอร์ก: สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์

Biddle, Jeff. 2012. “Retrospectives: The Introduction of the Cobb–Douglas Regression.” Journal of Economic Perspectives 26, no. 2 (May): 223–36. https://doi.org/10.1257/jep.26.2.223.

Cottrell, Allin. 2019. "ฟังก์ชันผลิตคอบ-ดั๊กลาส" เข้าชมเมื่อ 22 ตุลาคม 2022https://users.wfu.edu/cottrell/ecn207/cobb-douglas.pdf.

“Desmos | Graphing Calculator | Untitled Graph.” n.d. Desmos. Accessed October 22, 2022. https://www.desmos.com/calculator/exrkmlfmr4.

Douglas, Paul, and Charles Cobb. 1928. “A Theory of Production.” The American Economy Review, Mar., Vol, 18, No. 1, Supplement: 139-65.

Etherscan.io. n.d. "The Graph: Proxy 2 | Address 0xF55041E37E12cD407ad00CE2910B8269B01263b9 | Etherscan." Ethereum (ETH) Blockchain Explorer. Accessed October 22, 2022.https://etherscan.io/address/0xF55041E37E12cD407ad00CE2910B8269B01263b9#readProxyContract

โกลด์ฟินช์. 2022. "GIP-13 Tokenomics Update Phase 1: ห้องนิรภัยสําหรับสมาชิก" ฟอรั่มธรรมาภิบาล Goldfinch 7 มิถุนายน 2022 เข้าถึงเมื่อ 22 ตุลาคม 2565. https://gov.goldfinch.finance/t/gip-13-tokenomics-update-phase-1-membership-vaults/996.

Indexer Office Hours. 2022. “Indexer Office Hours #73.” Accessed October 22, 2022.https://www.youtube.com/watch?v=cc0o7AiFUpA&t=2099s.

InvokeAI. n.d. “InvokeAI.” GitHub. เข้าถึงเมื่อ 22 ตุลาคม 2022.https://github.com/invoke-ai.

Malinvaud, Edmond. 2003. “The Legacy of Knut Wicksell to Capital Theory.” Scandinavian Journal of Economics 105, no. 4 (December): 507–25. https://doi.org/10.1111/j.0347-0520.2003.00001.x.

Ramirez, Brandon. 2019. “The Graph Network in Depth - Part 2.” The Graph Blog. Accessed October 22, 2022.https://thegraph.com/blog/the-graph-network-in-depth-part-2/.

Rombach, Robin, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Björn Ommer. 2022. “High-Resolution Image Synthesis with Latent Diffusion Models.” ARXIV. Accessed October 22, 2022.https://arxiv.org/abs/2112.10752v2.

Samuelson, Paul A. 1979. “การวัดของซามูเอลดาวกัสและผลผลิตส่วนของพอลดั๊กลาส.” วารสารเศรษฐศาสตร์ทางการเมือง 87, ฉบับที่ 5, ส่วน 1 (ตุลาคม): 923–39.https://doi.org/10.1086/260806.

Schuhmann, Christoph. 2022. “LAION-Aesthetics | LAION.” Laion.ai. เข้าถึงเมื่อ 7 พฤศจิกายน 2022.https://laion.ai/blog/laion-aesthetics/.

Sockin, Michael และ Wei Xiong . 2563. "รูปแบบของคริปโตเคอเรนซี". NBER Working Paper หมายเลข 26816 เข้าถึงเมื่อ 22 ตุลาคม 2565. http://www.nber.org/papers/w26816.

Zeitz, Peter. 2019. “0x Governance, Fees and Liquidity Rebates.” www.youtube.com. Accessed October 22, 2022.https://www.youtube.com/watch?v=s2wlzlQxd5E.

Disclaimer：

1. บทความนี้ถูกพิมพ์ซ้ำจาก [Gateedgeandnode]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [Max Tang]. If there are objections to this reprint, please contact the Gate Learnทีม และพวกเขาจะดำเนินการโดยเร็ว
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้นและไม่เป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่น ๆ โดยทีม Gate Learn นอกเหนือจากที่กล่าวถึง การคัดลอก การกระจาย หรือการลอกเลียนบทความที่ถูกแปล ถือเป็นการละเมิด