GDF 研究院 | 從 Bancor 算法到 IBO

GDF 研究院

是 GDF 數字金融生態基金旗下的研究機構

由 GDF 一線研究員

爲您剖析市場,揭祕區塊鏈技術

本期爲您帶來

由 GDF 研究院和 Hashgard Labs

共同出品的《從 Bancor 算法到 IBO》

GDF 研究院 | 從 Bancor 算法到 IBO

  • 01 –

從 Bancor 算法到 IBO

數字資產的創新從未停止,剛過去的 9 月,基於 EOS 的側鏈 FIBOS 吸引了行業內極高的關注度。該項目創新地利用 Bancor 算法進行募資,在上線三天內就募集到了 90 萬枚 EOS, 有觀點認爲 EOS 九月初的大幅度上漲就是由 IBO 募資引發的,於是 Bancor 算法的運用再次進入大衆視野。

Bancor 算法出現以來,經歷了三個主要的應用場景 Bancor Network,EOS RAM 和 FIBOS,分別用於解決流動性,稀缺資源分配和 Token 融資的問題。雖然 Bancor Network 最先應用該算法,但其中更爲人熟知的確是 EOS RAM,以及同樣具有財富效應的 FIBOS。大家都對 Bancor 算法早有耳聞,但真正瞭解其本質並且深刻探索了其可能落地方向的還是少數人。

本篇文章從 Bancor 的歷史開始說起,通過 Bancor 算法原理解析,展示 Bancor 算法中的關鍵影響因素如何印象 Token 價格,使讀者全面而生動地瞭解 Bancor 算法。而後結合 Bancor 算法衍生的 4 種經濟模型,探討今後可能的落地方向。

一) Bancor 算法的歷史:

Bancor 首次出現時是一種超國家貨幣的提案,由約翰梅納德凱恩斯和 EF 舒馬赫在 1940 年至 1942 年間提出,在第二次世界大戰後由英國提議引入到全球貨幣體系中。其試圖採用 30 種有代表性的商品作爲價值錨定發行國際貨幣,而其他國家或機構再以 Bancor 爲價值錨定發行各自的貨幣。

這個名字的靈感來自法語的銀行 banque 或 “銀行金” (\’bank gold\’)。這種新創造的超國家貨幣主要作爲多邊清算系統 – 國際清算聯盟 – 中的一個賬戶單位用於國際貿易。然而這一方案沒有得到實施,取而代之的是《佈雷頓森林體系》,美元成爲國際貨幣。

GDF 研究院 | 從 Bancor 算法到 IBO

(source:Wikipedia)

在加密貨幣領域,Bancor Network 沒有募資之前,若在網絡上搜索關於 Bancor 的資料,內容基本都是關於經濟學的。

隨着以太坊流行使得發行 Token 變得非常火熱,這給 Bancor 的設計思想在區塊鏈領域的實際應用提供了環境基礎。大約在 2017 年 6 月份的時候,Bancor 項目發佈了白皮書並完成了私募。

白皮書中論述了 Bancor 在智能通證發行領域的用途,並且給出了 Bancor 算法的計算公式,以及 Bancor Network 通證 BNT 背後的系統原理。這是第一個基於 Bancor 成功落地的區塊鏈應用。

但 Bancor 算法在區塊鏈世界真正進入大衆視野是由於 EOS RAM 的火熱。

在今年 8 月之前,EOS RAM 總量一直是 64G 不可變。由於 RAM 作爲一種生態內必須的稀缺資源,導致其受到不少投機客熱捧,在今年 7 月出現了 3 天漲一倍,8 天賺 5 倍,13 天 54 倍的神話,這在漫長熊市中無疑成爲了一個迅速傳播的熱點。

然而,RAM 的炒作持續時間並不長。由於參與門檻高,也將很多參與者拒之門外,Bancor 算法慢慢少人問津。

GDF 研究院 | 從 Bancor 算法到 IBO

(source:eosmeta.io)

1 個多月後,一個號稱開發者友好的區塊鏈生態系統 — FIBOS 開啓了 EOS 兌換 FO 用於 token 籌資,兌換機制使用的就是 Bancor 算法。初始兌換比例爲 1EOS:1000FO,隨着 EOS 兌換數量上漲,比例逐漸降低。

由於其項目本身的實用性以及籌資新玩法的出現,不到兩週已經有大約 85W 個 EOS 參與兌換,兌換比例爲 1:450 左右,這次成功的募資被稱作 IBO,廣爲人知。截至目前,整個網絡的 EOS 兌換數量也保持在 50W 以上。

GDF 研究院 | 從 Bancor 算法到 IBO

(source:fibos.rocks, date: 2018.10.10)

二) Bancor 算法的本質:

由於參與兌換並不是傳統的交易所撮合對手方交易機制,因此大家都想弄清楚 Bancor 算法到底是如何調控 token 價格,試圖在買賣中佔得先機。

Bancor 算法的基本思路是購買者和售賣者通過與錨定物兌換,由智能合約替代傳統的中心化交易所,提供了即時買賣的流動性。比如在 EOS 兌換 FO 的系統中,錨定物是 EOS。下面以 FIBOS 兌換系統爲例簡單說明購買與售賣 FO 的過程:

購買者:發送一定量的 EOS 到 Token 合約地址,觸發了合約代碼自動執行「購買功能代碼」,獲得對應數量的 FO;

售賣者:發送一定量的 FO 到 Token 合約地址,觸發了合約代碼自動執行「售賣功能代碼」,獲得對應數量的 EOS。

這個過程中,Token 持有者無需通過交易所,僅僅憑藉智能合約提供的買賣與兌換功能,就能實現 EOS 與 FO 的自由兌換。

未來 FIBOS 生態項目使用 IBO 籌資則需要項目方質押 FO,如果該項目方發行的是 AToken,於是 AToken–>EOS–>FO,多種智能通證之間通過共同的錨定物串接起來,就形成了一個價值網絡(Bancor Network)。

Bancor 的基本計算公式:

計算公式涉及多個參數,解釋如下:

Token 的供應量【Smart Token\’s Supply】,簡稱 Supply;

Token 的價格【Smart Token\’s Price 】,簡稱 Price;

Token 的總市值【Smart Token\’s Total Value】,簡稱 TotalValue;

儲備金餘額【Connector Balance】,簡稱 Balance;

儲備金固定比率【Connector Weight】,簡稱 CW。

計算公式如下:

CW = Balance/ TotalValue;

TotalValue = Price * Supply;

Price = Balance / (Supply * CW)

舉例:若當前 AToken 的發行量爲 1000,報價爲 0.5 個 EOS 兌換 1 個 AToken,那麼 AToken 的總價值爲 500 個 EOS,但是儲備金餘額可能並沒有 500 個 EOS,比如爲 250 個 EOS,那麼 CW 則爲 0.5 (50%)。

上述公式中 price 是基於整體發行量的推到結果,實際買賣過程中:

Token 買入計算公式:

Token_Return = Supply *((1 + EOS_Amount / Balance)^ CW – 1)

Token 賣出計算公式 :

EOS_Return = Balance *(1 – (1 – Token_Amount / Supply)^ (1 / CW))

其中的變量爲 Supply 和 Balance 都是動態變化的,每一筆買賣之後都需要重新計算。比如:

若當前 AToken 的發行量爲 1000,儲備金餘額爲 250 個 EOS,CW 爲 0.5,那麼當前的報價則爲 0.5 個 EOS 兌換 1 個 AToken;現在 Bob 想花 750 個 EOS 購買 AToken,帶入公式:Token_Return = 1000 *((1 + 750 / 250)^ 0.5 – 1)= 1000

那麼如果 Bob 打算將 750 個 EOS 分兩次買入 Atoken 呢:

第一次花費 350 個,代入公式:Token_Return= 1000 *((1 + 350/ 250)^ 0.5 – 1)= 549.193

第二次花費 400 個,代入公式:Token_Return= 1549.193 *((1 + 400 / 600)^ 0.5 – 1)= 450.806

兌換總量依然是 1000 個。

三) Bancor 算法的模型要點與未來:

Bancor 算法在實際應用落地時,核心都是基於商業環境的考慮和業務需求,對準備金率(CW),發幣總量(TotalSupply)等進行調整,而 CW 的調整是最核心的因素,其對 token 發行價格的影響如下圖:

GDF 研究院 | 從 Bancor 算法到 IBO

(source:blockbeats)

當 CW=0,這意味着新發行的通證沒有任何準備金做抵押(ICO 模式就是屬於這種情形),此時價格曲線是隨意的,或者說是可以操控的,因爲通證價格和準備金數額無關。

當 CW=20%,這意味着新發行 通證的市值的 20% 需要有準備金來做背書,此時價格曲線爲凹函數(0

當 CW=50%,這意味着新發行 通證的市值的 50% 需要有準備金來做背書,此時價格曲線爲帶有斜率的直線 (意味着準備金數量永遠是發行通證市值的 50%,等於是 2 倍信用擴張)。

當 CW=75%,這意味着新發行 通證的市值的 75% 需要有準備金來做背書,此時價格曲線爲凸函數(50%

當 CW=100%,這意味着這個新 發行通證的市值的 100% 需要有準備金來做背書,這個時候,新發行的通證更像是準備金的一個等價“貼牌”通證,就像穩定幣(如 USDT、GUSD 等)或 ETF 等,此時價格曲線爲一條水平直線。

所以,通證的 CW 值越低,該通證的信用擴張越大,市值槓桿率越高,可以用更少的本金來推高整個項目的市值。

EOS RAM 和 FIBOS 使用的都是類似圖三的 Bancor 經濟模型,其中 FIBOS 的 CW 值爲 11%。

總結:

Bancor 算法目前落地的三個主要場景中,Bancor Network 用於提供市場流動性,解決長尾 token 的買賣問題,EOS RAM 是用於稀缺資源的分配的一個良好方案,Fibos 改善了 1CO 的部分弊端。小編認爲,其中應用最爲精確的方案是 EOS RAM,Fibos 更多的是由於熊市氛圍導致的財富效應被放大,而 Bancor Network 是一種聚焦流動性的解決方案。

根據 Fibos 白皮書,想創建一個健康區塊鏈經濟生態,使用 Fibos 無可厚非,但使用 Bitshare 和 MakerDao 類似的超額抵押機制也可解決空氣 ICO 的問題,到底哪個方案好,歸根結底還是看哪個系統認可度高。

參考資料:

【1】EOS“帶貨”Bancor 算法,但大多數人並未真正讀懂它

【2】FIBOS 通證經濟白皮書 V1_0

  • 02 –

關於 GDF 數字金融生態基金及研究院

GDF 數字金融生態基金 ( Global Digital Finance Capital ) 是由 BKFUND、優勢資本聯合組建的數字金融生態基金,總規模 1 億美元。數字金融生態基金(GDF)將專注於價值項目投資,瞄準數字金融生態領域的賽道,在一級市場和二級市場同時發力,幫助優秀的創業者與企業家成長,推動數字金融基礎設施建設,推動行業良性發展。

GDF 研究院是 GDF 數字金融生態基金旗下的研究機構,專注於區塊鏈前沿技術研究和數字金融行業動態,爲投資者提供專業、公正的市場剖析與技術解讀,更好的擁抱數字金融。

投資 | 觀點 | 數字金融

盡在 GDF 數字金融

GDF 研究院 | 從 Bancor 算法到 IBO