Симуляция как метод проектирования
токеномик
Прежде чем начать, давайте определим "зачем" вообще всё это. Рассмотрим требования заказчика и то, как симуляция может удовлетворить их потребности.
Предположим, вы разработчик нового инновационного криптопродукта или создаете клон уже имеющегося на рынке, но с некоторыми улучшениями. Не важно. Вы всё посчитали, придумали, как будет использоваться токен в проекте, как будут использоваться NFT, как проект будет зарабатывать, где и какую комиссию выставить, и так далее. По предварительным расчётам все чисто и гладко, и пришло время делать токеномику.
В большинстве случаев встаёт вопрос: "В каком количестве и кому распределить токены, какие сроки разлоков установить?" Далее начинается гадание на кофейной гуще: как это всё распределить, какие обозначить сроки удержания, да ещё так, чтобы никто не обиделся. Это невероятно плохой подход к проектированию токеномики.
Что же делать?
Любой криптопроект работает с неопределенностями, и в условиях дефицита данных обычные методы анализа не подходят, так как приходится оперировать предположениями. К счастью, наука уже давно выработала методики работы с недостатком данных. Такие инструменты как "Метод Монте-Карло", "Цепи Маркова" широко используются в науке, экономике, играх и многих других областях для решения математических задач.
Метод Монте-Карло используется для приближенного численного решения математических задач, которые трудно или невозможно решить аналитически.
Цепи Маркова - это математический инструмент, используемый для моделирования случайных процессов с дискретными состояниями.
Как они применяются в криптопроектах?
Представим, что вы разработали протокол, игру или любой другой криптопроект с различными вариантами поведения пользователя. Варианты могут быть случайными или иметь выбор из заранее известных событий. События могут быть связаны между собой или иметь произвольный характер. То есть пользователь после определенного действия имеет набор возможных вариантов продолжения взаимодействия, например: пользователь купил токены и положил в стейкинг; следующий его шаг - это варианты: либо он просто ждет, либо докупает еще токены в стейкинг, либо забирает токены из стейкинга.
Таких выборов на протяжении работы криптопроекта на каждом шаге может быть множество. Мы не можем заранее знать, как пользователь поступит в тот или иной момент, но в случае с Цепями Маркова мы можем определить вероятности события в каждой конкретной точке, а в случае с Методом Монте-Карло перебрать возможные варианты путем выбора всех возможных исходов.
Предположим, вы разработчик нового инновационного криптопродукта или создаете клон уже имеющегося на рынке, но с некоторыми улучшениями. Не важно. Вы всё посчитали, придумали, как будет использоваться токен в проекте, как будут использоваться NFT, как проект будет зарабатывать, где и какую комиссию выставить, и так далее. По предварительным расчётам все чисто и гладко, и пришло время делать токеномику.
В большинстве случаев встаёт вопрос: "В каком количестве и кому распределить токены, какие сроки разлоков установить?" Далее начинается гадание на кофейной гуще: как это всё распределить, какие обозначить сроки удержания, да ещё так, чтобы никто не обиделся. Это невероятно плохой подход к проектированию токеномики.
Что же делать?
Любой криптопроект работает с неопределенностями, и в условиях дефицита данных обычные методы анализа не подходят, так как приходится оперировать предположениями. К счастью, наука уже давно выработала методики работы с недостатком данных. Такие инструменты как "Метод Монте-Карло", "Цепи Маркова" широко используются в науке, экономике, играх и многих других областях для решения математических задач.
Метод Монте-Карло используется для приближенного численного решения математических задач, которые трудно или невозможно решить аналитически.
Цепи Маркова - это математический инструмент, используемый для моделирования случайных процессов с дискретными состояниями.
Как они применяются в криптопроектах?
Представим, что вы разработали протокол, игру или любой другой криптопроект с различными вариантами поведения пользователя. Варианты могут быть случайными или иметь выбор из заранее известных событий. События могут быть связаны между собой или иметь произвольный характер. То есть пользователь после определенного действия имеет набор возможных вариантов продолжения взаимодействия, например: пользователь купил токены и положил в стейкинг; следующий его шаг - это варианты: либо он просто ждет, либо докупает еще токены в стейкинг, либо забирает токены из стейкинга.
Таких выборов на протяжении работы криптопроекта на каждом шаге может быть множество. Мы не можем заранее знать, как пользователь поступит в тот или иной момент, но в случае с Цепями Маркова мы можем определить вероятности события в каждой конкретной точке, а в случае с Методом Монте-Карло перебрать возможные варианты путем выбора всех возможных исходов.
Чем сложнее и разнобразнее протокол, тем большее количество исходов мы имеем на выходе. В этом и есть суть исследования методом симуляций, когда данные генерируются случайным образом, но в рамках вероятностей на каждом из шагов.
Как использовать полученные данные?
Вопрос хороший, так как набор полученных данных - это лишь вариации исхода, и из этого необходимо как-то извлечь выгоду. После того, как данные сформированы, наступает этап традиционной аналитики. Мы анализируем датасет, выявляя зависимости и закономерности, как если бы эти данные были получены в результате реальной работы продукта.
1. Сначала мы фильтруем данные и выявляем негативные сценарии поведения. Помните, мы выше составляли варианты? Так вот, их может быть сотни, и какие-то модели поведения будут приводить к неудовлетворительным результатам.
2. Получив эти данные, мы их описываем.
3. Далее мы выбираем позитивные сценарии. Также описываем их.
4. Следующим шагом делаем сравнительный анализ и выявляем зависимости влияния на исход.
Результатом этой работы станет понимание, как поведение пользователя влияет на работу протокола. Это позволит нам корректировать его поведение таким образом, чтобы негативные исходы были исключены или сведены к минимуму. То есть у него пропадает возможность выбирать варианты, приводящие к проблемам.
Как использовать полученные данные?
Вопрос хороший, так как набор полученных данных - это лишь вариации исхода, и из этого необходимо как-то извлечь выгоду. После того, как данные сформированы, наступает этап традиционной аналитики. Мы анализируем датасет, выявляя зависимости и закономерности, как если бы эти данные были получены в результате реальной работы продукта.
1. Сначала мы фильтруем данные и выявляем негативные сценарии поведения. Помните, мы выше составляли варианты? Так вот, их может быть сотни, и какие-то модели поведения будут приводить к неудовлетворительным результатам.
2. Получив эти данные, мы их описываем.
3. Далее мы выбираем позитивные сценарии. Также описываем их.
4. Следующим шагом делаем сравнительный анализ и выявляем зависимости влияния на исход.
Результатом этой работы станет понимание, как поведение пользователя влияет на работу протокола. Это позволит нам корректировать его поведение таким образом, чтобы негативные исходы были исключены или сведены к минимуму. То есть у него пропадает возможность выбирать варианты, приводящие к проблемам.
Как упоминалось выше, мы работаем с недостатком данных и это выражается в свободе выбора пользователя. Если его выбор влияет на состояние системы и мы знаем, как, то мы можем создать эксперимент, в котором смоделируем последовательность выборов пользователя и увидим, как это скажется на работе системы.
Таким образом, мы можем генерировать данные, основываясь на предположениях. Рассмотрим, например, GameFi-проект. Допустим, у игроков есть несколько вариантов выбора:
1) Игрок купил NFT - фармит монеты - прокачивает NFT - продаёт оставшиеся монеты.
2) Игрок купил NFT - фармит монеты - продаёт все монеты.
С использованием цепей Маркова мы формируем последовательность действий пользователя. В каждом состоянии выбор следующего шага предопределен заранее известными возможными исходами.
Например, игрок не может открыть сундук, пока не достигнет 10 уровня. Таким образом, игрок на 5 уровне не сможет совершить действия с сундуком, и вероятность события в этом состоянии равна 0. Однако, если у игрока будет 10 уровень, он может решить открыть сундук или не делать этого.
В дополнение к этому, мы используем метод Монте-Карло, который заключается в переборе всех возможных вариантов выбора случайным образом. По итогу мы получаем множество исходов в зависимости от вариантов случайности выбора:
Таким образом, мы можем генерировать данные, основываясь на предположениях. Рассмотрим, например, GameFi-проект. Допустим, у игроков есть несколько вариантов выбора:
1) Игрок купил NFT - фармит монеты - прокачивает NFT - продаёт оставшиеся монеты.
2) Игрок купил NFT - фармит монеты - продаёт все монеты.
С использованием цепей Маркова мы формируем последовательность действий пользователя. В каждом состоянии выбор следующего шага предопределен заранее известными возможными исходами.
Например, игрок не может открыть сундук, пока не достигнет 10 уровня. Таким образом, игрок на 5 уровне не сможет совершить действия с сундуком, и вероятность события в этом состоянии равна 0. Однако, если у игрока будет 10 уровень, он может решить открыть сундук или не делать этого.
В дополнение к этому, мы используем метод Монте-Карло, который заключается в переборе всех возможных вариантов выбора случайным образом. По итогу мы получаем множество исходов в зависимости от вариантов случайности выбора:
Где здесь токеномика?
Вот это уже наболевший вопрос для нас, так как распределение токенов мы не считаем токеномикой. Распределение - это лишь следствие работы этой токеномики, а вот сама токеномика - это и есть правила работы протокола и эффективная работа с поведением пользователя.
То есть токеномика - это и есть сам протокол!
Разработка токеномики означает создание правил, в соответствии с которыми токены выпускаются, сжигаются, удерживаются или конвертируются. Эти правила определяют принципы работы всего проекта. Симуляция же представляет собой инструмент исследования и генерации данных, которые используются для оптимизации токеномики. Выводы, сделанные на основе симуляций, могут привести к необходимости изменения токеномики. Это может включать изменения в графике разблокировки токенов, но скорее всего потребуются более глубокие изменения в работе проекта.
Таким образом, токеномика включает любые правила, с которыми пользователь сталкивается при взаимодействии с токенами. А метод исследования с помощью симуляций помогает определить, насколько хорошо функционирует токеномика и какие правила следует изменить для предотвращения негативных последствий.
Симуляция - это как способ заглянуть в будущее и увидеть всю многогранность исходов этого будущего. А правильная интерпретация данных позволит понять, что нужно делать, и какие протоколы поведения необходимо разработать, чтобы получить полный контроль над этим будущим.
Вот это уже наболевший вопрос для нас, так как распределение токенов мы не считаем токеномикой. Распределение - это лишь следствие работы этой токеномики, а вот сама токеномика - это и есть правила работы протокола и эффективная работа с поведением пользователя.
То есть токеномика - это и есть сам протокол!
Разработка токеномики означает создание правил, в соответствии с которыми токены выпускаются, сжигаются, удерживаются или конвертируются. Эти правила определяют принципы работы всего проекта. Симуляция же представляет собой инструмент исследования и генерации данных, которые используются для оптимизации токеномики. Выводы, сделанные на основе симуляций, могут привести к необходимости изменения токеномики. Это может включать изменения в графике разблокировки токенов, но скорее всего потребуются более глубокие изменения в работе проекта.
Таким образом, токеномика включает любые правила, с которыми пользователь сталкивается при взаимодействии с токенами. А метод исследования с помощью симуляций помогает определить, насколько хорошо функционирует токеномика и какие правила следует изменить для предотвращения негативных последствий.
Симуляция - это как способ заглянуть в будущее и увидеть всю многогранность исходов этого будущего. А правильная интерпретация данных позволит понять, что нужно делать, и какие протоколы поведения необходимо разработать, чтобы получить полный контроль над этим будущим.
Подписывайтесь на блог, впереди ещё много интересной и полезной информации
Получайте статьи почтой
