Μοντελοποίηση Κρυπτοοικονομικών Πρωτοκόλλων ως Πολύπλοκα Συστήματα - Μέρος 1


Στην προηγούμενη δημοσίευσή μου, διερευνήσαμε σε βάθος το σχεδιασμό του δικτύου The Graph και εστιάσαμε σε αρκετούς τομείς για μελλοντική έρευνα. Ένας από αυτούς τους τομείς ήταν η μοντελοποίηση και η προσομοίωση, μια διαδικασία που θεωρούμε απαραίτητη για τη σωστή παραμετροποίηση και τη εδραίωση των υποθέσεων στο πρωτόκολλό μας. Σε αυτήν τη σειρά δύο μερών, διερευνούμε τις προκλήσεις της μοντελοποίησης κρυπτοοικονομικών πρωτοκόλλων χρησιμοποιώντας παραδοσιακές οικονομικές προσεγγίσεις με λύσεις κλειστής μορφής και συζητούμε πώς να αξιοποιήσουμε εργαλεία από τη μηχανική και τις κοινωνικές επιστήμες για να βοηθήσουμε στο σχεδιασμό ενός σύνθετου πρωτοκόλλου.

Είμαστε επίσης ενθουσιασμένοι που ανακοινώνουμε ότι θα συνεργαστούμε με την ομάδα BlockScience για τη μοντελοποίηση και την προσομοίωση του The Graph.


Κρυπτοοικονομικός Σχεδιασμός

Ας ξεκινήσουμε εξετάζοντας τι εννοούμε όταν αναφερόμαστε στον κρυπτοοικονομικό σχεδιασμό.

Κατά το σχεδιασμό κρυπτοοικονομικών συστημάτων, εφαρμόζουμε θεωρία και μηχανισμούς από τα οικονομικά μαζί με πολλά από τα εργαλεία και τις έννοιες της επιστήμης των υπολογιστών που επιτρέπουν τα κρυπτονομίσματα, όπως τα κατανεμημένα συστήματα και την κρυπτογραφία.

Στόχος μας είναι να σχεδιάσουμε συστήματα αυτο-οργάνωσης, αποτελούμενα από δίκτυα αλληλεπίδρασης ανθρώπινων και αυτόνομων παραγόντων, που βελτιστοποιούν βιώσιμα για μία ή περισσότερες αντικειμενικές λειτουργίες.

Η αντικειμενική λειτουργία είναι ο λόγος ύπαρξης ενός πρωτοκόλλου ή μιας εφαρμογής και μπορεί να είναι σχεδόν οτιδήποτε. Στο Giveth, για παράδειγμα, η αντικειμενική λειτουργία που μεγιστοποιείται είναι πιθανώς το ποσό της φιλανθρωπικής παροχής στην πλατφόρμα. Για πρωτόκολλα υπηρεσίας, ο στόχος είναι να παρέχουμε μια υπηρεσία υψηλής ποιότητας — δημιουργία ευρετηρίων και αναζήτηση αποκεντρωμένων δεδομένων στην περίπτωση του The Graph — σε οποιονδήποτε καταναλωτή που είναι πρόθυμος να πληρώσει για αυτή, στη χαμηλότερη δυνατή τιμή.


Ένα κρυπτοοικονομικό πρωτόκολλο περιλαμβάνει κίνητρακανόνες και διεπαφές.


Οι πράκτορες σε αυτά τα συστήματα αυτό-οργανώνονται ως απάντηση σε κίνητρα, τα οποία επιλέγονται για να παρακινήσουν τις συμπεριφορές που απαιτούνται για τη λειτουργία του πρωτοκόλλου. Αυτές οι συμπεριφορές, με τη σειρά τους, περιορίζονται από τους κανόνες και τις διεπαφές του πρωτοκόλλου.

Ο Vitalik Buterin, ο οποίος επινόησε τον όρο «κρυπτοοικονομία (cryptoeconomics)», σημειώνει ότι ένας σημαντικός περιορισμός είναι ότι μπορούμε να θέσουμε αποκλειστικά κανόνες που μπορούν να εκφραστούν και να εφαρμοστούν σε ένα πρόγραμμα λογισμικού. Αυτό σημαίνει ότι δεν μπορούμε να βάλουμε ανθρώπους στη φυλακή, να αποτρέψουμε τη δωροδοκία ή να παρακολουθήσουμε τη συμπαιγνία. Επίσης, δεν υποχρεούμαστε να συμπεριλάβουμε τη συμπεριφορά κάποιου πράκτορα στο σύστημα — μπορούμε απλά να το επηρεάσουμε εμμέσως μέσω σωστά επιλεγμένων κινήτρων.

Η πρόκλησή μας είναι να επιλέξουμε τα σωστά κίνητρα, τους κανόνες και τις διεπαφές έτσι ώστε οι πράκτορες στο σύστημά μας, τους οποίους δεν ελέγχουμε, να αυτό-οργανώνονται με τρόπο που να ικανοποιεί τον σκοπό του πρωτοκόλλου μας.

Οικονομικοί Μηχανισμοί, Μοντέλα και Υποθέσεις

Για να καταλάβουμε γιατί ο κρυπτοοικονομικός σχεδιασμός απαιτεί την αυστηρή διαδικασία προσομοίωσης που θα περιγράψουμε στο δεύτερο μέρος, πρέπει πρώτα να εξετάσουμε τους μηχανισμούς και τα μοντέλα που διαθέτει η παραδοσιακή οικονομική εργαλειοθήκη και τις βασικές υποθέσεις στις οποίες στηρίζονται.

Μηχανισμοί

Κοινή ανησυχία πολλών κρυπτοοικονομικών πρωτοκόλλων είναι η ανταλλαγή αγαθών και υπηρεσιών, καθώς και η κατανομή πόρων. Όπως γίνεται στα παραδοσιακά οικονομικά, αυτά τα ζητήματα μπορούν να επιλυθούν μέσω μηχανισμών της αγοράς.

Για παράδειγμα, το Bitcoin διαθέτει έναν περιορισμένο πόρο — χώρο για συναλλαγές εντός ενός block — χρησιμοποιώντας μια τυφλή δημοπρασία, μηχανισμός που έχει ερευνηθεί στο πλαίσιο εφαρμογών διαδικτύου εδώ και δεκαετίες. Σε πρωτόκολλα υπηρεσίας όπως το The Graph, όπου οι συναλλαγές της αγοράς πραγματοποιούνται εκτός αλυσίδας, μια διαπραγματεύσιμη αγορά μπορεί να είναι ένας πιο κατάλληλος μηχανισμός και μπορούμε να αντλήσουμε τεράστια βιβλιογραφία σχετικά με την αλγοριθμική διαπραγμάτευση.

Δεν ταιριάζουν όλες οι συμπεριφορές σε ένα παράδειγμα αγοράς. Παρ ‘όλα αυτά, οι συμπεριφορές μπορούν ακόμη να παρακινηθούν οικονομικά χρησιμοποιώντας άλλους μηχανισμούς, όπως η πληθωριστική επιβράβευση block που χρησιμοποιείται για την παροχή κινήτρων στην εξόρυξη σε blockchain όπως το Bitcoin και το Ethereum.

Κάποιες συμπεριφορές μπορεί επίσης να είναι αντικίνητρα. Για παράδειγμα, τα πρωτόκολλα proof of stake το κάνουν άμεσα «περικόπτοντας» ένα σύνδεσμο που υπέβαλε ένας επικυρωτής ως απάντηση στην κακή συμπεριφορά του επικυρωτή, ενώ πρωτόκολλα proof of work το κάνουν έμμεσα επιβάλλοντας ένα κόστος ευκαιρίας σε αυτούς που δεν εξορύσσουν block στην σωστή αλυσίδα.

Μοντέλα

Στην καρδιά των περισσότερων οικονομικών μοντέλων που ασχολούνται με την ανθρώπινη συμπεριφορά βρίσκεται η έννοια της αναμενόμενης χρησιμότητας. Η χρησιμότητα είναι μια αριθμητική αναπαράσταση του πόσο ένα άτομο εκτιμά μια συγκεκριμένη επιλογή ή αποτέλεσμα.

Για παράδειγμα, σκεφτείτε ένα διάγραμμα όπως το παραπάνω, που αντιπροσωπεύει το παιχνίδι διλήμματος του φυλακισμένου. Τα διαφορετικά κελιά του πίνακα αντιπροσωπεύουν πιθανά αποτελέσματα του παιχνιδιού και τη χρησιμότητα αυτού του αποτελέσματος για κάθε παίκτη αντίστοιχα. Προκειμένου να προβλεφθούν οι στρατηγικές που θα εφαρμόσουν οι παίκτες, η θεωρία παιγνίων προϋποθέτει ότι οι παίκτες προσπαθούν να μεγιστοποιήσουν την αναμενόμενη χρησιμότητα τους.

Συχνά, οι προτιμήσεις για μια δεδομένη επιλογή μοντελοποιούνται από μια συνάρτηση χρησιμότητας και θεωρείται ότι τα άτομα επιδιώκουν να μεγιστοποιήσουν αυτή την χρησιμότητα υπό την προϋπόθεση ενός συνόλου περιορισμών. Με άλλα λόγια, επιλύουμε ένα πρόβλημα βελτιστοποίησης περιορισμών.

Για παράδειγμα, στη θεωρία επιλογής καταναλωτή, ένα κεντρικό ερώτημα είναι ποιο συνδυασμό αγαθών πρέπει να επιλέξει ένας καταναλωτής, δεδομένου ενός συνόλου τιμών για αυτούς τους συνδυασμούς και ενός προϋπολογισμού.

Παρόμοια προσέγγιση χρησιμοποιείται επίσης σε γενικά μοντέλα ισορροπίας (general equilibrium models) μιας αγοράς, τα οποία προβλέπουν αποτελέσματα ισορροπίας με βάση τη συνολική συμπεριφορά πολλών ατόμων και επιχειρήσεων, όπου όλοι επιλύουν προβλήματα βελτιστοποίησης περιορισμών.

Μια σημαντική συνέπεια αυτών των μοντέλων είναι ότι η ισορροπία θα είναι οικονομικά αποδοτική, δηλαδή τα αγαθά και οι υπηρεσίες κατανέμονται με έναν βέλτιστο τρόπο. Αυτό είναι ένα πολύ καλό αποτέλεσμα, αλλά πρέπει να ερμηνευθεί με σύνεση.

Αυτά τα μοντέλα υπονοούν ότι με την αξιοποίηση των μηχανισμών της αγοράς, δεν χρειάζεται να ξέρει κανείς πώς να βελτιστοποιεί χειροκίνητα την αντικειμενική λειτουργία που ορίζεται ως μέρος του συστήματός μας. Δημιουργούμε απλώς τις συνθήκες υπό τις οποίες οι γνώσεις και οι ενέργειες που διανέμονται μεταξύ των πρακτόρων στο σύστημά μας οδηγούν σε επιθυμητό αποτέλεσμα. Αυτό παρέχει έναν κανονιστικό οδηγό για το πώς θα μπορούσαμε να σχεδιάσουμε μια αγορά που τείνει προς την αποδοτικότητα, αλλά δεν εγγυάται μια ακριβή περιγραφή του τρόπου με τον οποίο θα συμπεριφέρεται το σύστημά μας, εκτός εάν είμαστε διατεθειμένοι να λάβουμε δεδομένες πολλές, συχνά ύποπτες, υποθέσεις.

Υποθέσεις και Περιορισμοί

Υπάρχουν πολλές υποθέσεις που ενσωματώνονται σε γενικά θεωρητικά μοντέλα ισορροπίας της οικονομίας, αλλά εδώ είναι μόνο μερικά που αξίζει να αναφέρουμε:

Πλήρης Ορθολογισμός

Η αγορά μας περιλαμβάνει ορθολογικούς συμμετέχοντες που μεγιστοποιούν τη χρησιμότητα.

Ιδανικές Πληροφορίες

Οι πράκτορες στο σύστημά μας έχουν ιδανικές πληροφορίες.

Χωρίς Μη Γραμμικότητες

Δεν υπάρχει μονοπωλιακή συμπεριφορά ή δικτυακό φαινόμενο (network effect).

Υπάρχουν πολλοί λόγοι για να αμφισβητηθούν οι παραπάνω υποθέσεις. Για παράδειγμα, αμέτρητα πειράματα στον τομέα της οικονομικής συμπεριφοράς υποδηλώνουν ότι δεν είμαστε ορθολογικοί μεγιστοποιητές της χρησιμότητας.

Ένας απλούστερος λόγος για να μην εμπιστευτείτε τις δύο πρώτες παραδοχές είναι ότι ο ανθρώπινος εγκέφαλος έχει πεπερασμένο υπολογισμό και ικανότητα αποθήκευσης. Επιπλέον, οι πληροφορίες δεν κατανέμονται τέλεια, αλλά φτάνουν σε εμάς μέσω κοινωνικών και τεχνολογικών δικτύων. Με άλλα λόγια, λαμβάνουμε αποφάσεις με περιορισμένο ορθολογισμό και μερική πληροφόρηση.

Όσον αφορά τη μονοπωλιακή συμπεριφορά και τα δικτυακά φαινόμενα, άφθονα παραδείγματα αυτών υπάρχουν στον πραγματικό κόσμο, συχνά συνυπάρχουν. Αυτό οφείλεται στο γεγονός ότι οι βιομηχανίες με δικτυακά φαινόμενα τείνουν να έχουν δυναμικές στις οποίες μόνο ο δυνατότερος βγαίνει νικητής. Επίσης, στο κρυπτοοικονομικό περιβάλλον, δεν έχουμε την πολυτέλεια των αντιμονοπωλιακών νόμων για την αποτροπή μονοπωλίων για τους ίδιους λόγους που δεν μπορούμε να αποτρέψουμε τη δωροδοκία ή τη συμπαιγνία.

Ποιες είναι λοιπόν οι συνέπειες της απόρριψης των παραπάνω υποθέσεων;

Η άμεση απάντηση είναι ότι υπονομεύει τα συγκεκριμένα μοντέλα που αναφέρονται στην προηγούμενη ενότητα. Η όχι τόσο προφανής απάντηση είναι περισσότερο meta. Η απόρριψη των παραπάνω υποθέσεων αμφισβητεί την ικανότητά μας να μοντελοποιήσουμε σωστά τη συνολική συμπεριφορά χρησιμοποιώντας οποιοδήποτε αναλυτικό μοντέλο από πάνω προς τα κάτω ή κλειστού τύπου.

Αυτό συμβαίνει επειδή η απόρριψη των παραπάνω υποθέσεων συνεπάγει ότι τα οικονομικά συστήματα είναι περίπλοκα. Για να καταλάβουμε γιατί αυτό έχει σημασία, ας κάνουμε μια σύντομη επεξήγηση της πολυπλοκότητας.

Πολυπλοκότητα

Η πολυπλοκότητα περιγράφει συστήματα που εμφανίζουν συμπεριφορές και ιδιότητες που δεν προβλέπονται από τα συστατικά στοιχεία. Ή όπως το έθεσε ο Αριστοτέλης:

“Πολλά πράγματα έχουν μια πληθώρα μερών και δεν είναι απλώς ένα πλήρες σύνολο αλλά αντίθετα κάποιο είδος συνόλου πέρα από τα μέρη του.”

Μια εικόνα των αναδυόμενων μοτίβων ενός σχηματισμού από σμήνος πουλιών όσο πετούν. Ή δείτε αυτό το βίντεο.

Πάρτε για παράδειγμα τα προκλητικά μοτίβα που σχηματίζουν τα ψαρόνια όταν πετούν. Θα ήταν αδύνατο να προβλέψουμε τις αναδυόμενες συμπεριφορές ολόκληρου του σμήνους από την εξέταση ενός μόνο ψαρονιού. Σε πολύπλοκα συστήματα, είναι οι τοπικές αλληλεπιδράσεις μεταξύ όλων των διασυνδεδεμένων στοιχείων που οδηγούν σε απροσδόκητα αποτελέσματα.

Η μελέτη της πολυπλοκότητας έχει ρίζες στη γενική σκέψη συστημάτων, ένα κίνημα που πρωτοστάτησε ο οικονομολόγος Kenneth Boulding και περιγράφεται στο επιδραστικό βιβλίο του Gerald Weinberg του 1975, Εισαγωγή στη Γενική Σκέψη Συστημάτων. Σε αυτό, περιγράφει πώς, ελλείψει απλοποιητικών υποθέσεων, ο υπολογισμός που απαιτείται για τη μοντελοποίηση οποιουδήποτε συστήματος αυξάνεται εκθετικά σε σχέση με τον αριθμό των συστατικών που σχετίζονται μεταξύ τους.

Σκεφτείτε τη μελέτη της πλανητικής κίνησης. Ένας μαθητής γυμνασίου μπορεί να υπολογίσει την κίνηση ενός πλανήτη γύρω από τον ήλιο χρησιμοποιώντας στυλό και χαρτί, ενώ το πρόβλημα των τριών σωμάτων (three-body problem) στερείται λύσης κλειστής μορφής.

Για να αντιμετωπίσουν αυτές τις προκλήσεις, οι επιστήμονες χρησιμοποίησαν παραδοσιακά δύο κλασικές τεχνικές εμπνευσμένες από προηγούμενες επιτυχίες στον τομέα της φυσικής: Μείωση του αριθμού των υπό εξέταση μερών ή χρήση στατιστικής ανάλυσης για να εξετάσουν μόνο τις συνολικές ιδιότητες και συμπεριφορές του συστήματος.

Η μέθοδος της αναγωγής λειτουργεί καλά όταν ένα μέρος μπορεί να απομονωθεί από άλλα μέρη και η επιρροή άλλων μερών μπορεί να αγνοηθεί με ασφάλεια, όπως κάνουμε όταν αγνοούμε τη βαρυτική έλξη μεμονωμένων αστεροειδών κατά τον υπολογισμό της κίνησης της Γης γύρω από τον ήλιο.

Η στατιστική προσέγγιση λειτουργεί καλά όταν υπάρχουν τόσα πολλά ομοιογενή μέρη που η μέση συμπεριφορά ενός συστήματος είναι πολύ προβλέψιμη, ακόμη και αν η συμπεριφορά των μεμονωμένων μερών είναι άγνωστη. Για παράδειγμα, σκεφτείτε τους νόμους που διέπουν τη μέση συμπεριφορά ενός αερίου, οι οποίοι μπορούν να σχετίζονται με ιδιότητες όπως η πίεση και ο όγκος χωρίς να λαμβάνεται υπόψη η θέση και η ταχύτητα οποιωνδήποτε μεμονωμένων ατόμων και μορίων. Πρόκειται για συστήματα στα οποία εφαρμόζεται ο νόμος των μεγάλων αριθμών.

Τα περισσότερα συστήματα που ενδιαφέρουν τις κοινωνικές επιστήμες, συμπεριλαμβανομένων των οικονομικών, είναι συστήματα μεσαίου αριθμού: Συστήματα που έχουν έναν αμείωτο αριθμό αλληλεπιδρώντων μερών και των οποίων τα μέρη είναι πολύ ετερογενή για να υποστηρίξουν τη στατιστική ανάλυση. Σήμερα, θα ονομάζαμε αυτά τα συστήματα πολύπλοκα.

Πολυπλοκότητα στα Οικονομικά

Στα συστήματα μοντελοποίησης, οι οικονομολόγοι αξιοποιούν τόσο την αναγωγή όσο και τη στατιστική προσέγγιση. Για παράδειγμα, το δίλημμα του φυλακισμένου (prisoner’s dilemma) που δείξαμε νωρίτερα, καταγράφει τις ατομικές ενέργειες δύο παικτών σε ένα παιχνίδι. Μια τέτοια ρύθμιση επιτρέπει ανάλυση από τη βάση προς τα πάνω της συμπεριφοράς ισορροπίας. Ωστόσο, ο υπολογισμός μιας ισορροπίας γενικά είναι υπολογιστικά δύσκολος και, καθώς ο αριθμός των παικτών αυξάνεται, τα παιχνίδια παρουσιάζουν ακόμη και χαοτική συμπεριφορά.

Έτσι, για συστήματα μοντελοποίησης με πολλούς παράγοντες, οι οικονομολόγοι βασίστηκαν στη στατιστική προσέγγιση από πάνω προς τα κάτω. Επανεξετάζοντας τις υποθέσεις από τα οικονομικά που καλύψαμε νωρίτερα, μπορούμε να δούμε ότι ένα πλεονέκτημα της μοντελοποίησης των ανθρώπων ως λογικών παραγόντων με ιδανικές πληροφορίες είναι ότι δικαιολογεί τη στατιστική προσέγγιση υπονοώντας έναν υψηλό βαθμό ομοιογένειας στις συμπεριφορές των παραγόντων στο σύστημά μας.

Αυτή η αναντιστοιχία θεωρίας και πραγματικότητας, μοντελοποιώντας ένα σύστημα μεσαίου αριθμού ως ένα σύστημα στο οποίο εφαρμόζεται ο νόμος των μεγάλων αριθμών, μπορεί να έχει καταστροφικές συνέπειες. Αυτό συμβαίνει επειδή μας δίνει μια ψευδή αίσθηση εμπιστοσύνης ότι έχουμε μοντελοποιήσει σωστά το σύστημα, οδηγώντας σε αποφάσεις που επιδεινώνουν περαιτέρω τις επιπτώσεις των αναδυόμενων φαινομένων.

Για παράδειγμα, πριν από την κρίση των subprime δανείων (subprime mortgage crisis) του 2007, οι οργανισμοί αξιολόγησης χρησιμοποίησαν λανθασμένες παραδοχές που αγνόησαν την πολυπλοκότητα στην αγορά κατοικίας για να υποστηρίξουν ότι «το 80% μιας συλλογής τοξικών δόσεων των subprime δανείων ήταν ισοδύναμες με τα ομόλογα των ΗΠΑ», όπως ο Kyle Bass από την Hayman Capital Advisors το εξέφρασε στην κατάθεσή του στο Κογκρέσο. Οι επενδυτές, καθοδηγούμενοι από την πίστη τους σε αυτά τα μοντέλα, στοιχημάτισαν σε μοχλευμένα subprime δάνεια, που οδήγησε στην έκδοση ακόμη περισσότερων subprime δανείων από ότι αν δεν υπήρχαν τα μοντέλα.

Ο σύγχρονος φιλόσοφος και μαθηματικός Nassim Taleb έκανε γνωστό τον όρο «μαύρος κύκνος (black swan)» για να αναφερθεί σε τέτοια απρόβλεπτα γεγονότα, ιδίως εκείνα των οποίων τα αποτελέσματα ενισχύονται από τις μη γραμμικότητες. Η μη γραμμικότητα περιγράφει συστήματα όπου μικρές παραλλαγές ορισμένων δεδομένων μπορούν να οδηγήσουν σε αποτέλεσμα με μαζικές και δυσανάλογες αλλαγές. Η μη γραμμικότητα συνδέεται συχνά με τους μηχανισμούς όπου ο νικητής τα παίρνει όλα και τα δικτυακά φαινόμενα, τα οποία, όπως συζητήθηκε προηγουμένως, θεωρείται ότι δεν υπάρχουν από τα παραδοσιακά οικονομικά μοντέλα.

Ένα άλλο παράδειγμα μη γραμμικότητας είναι ο συστημικός κίνδυνος ή «πολύ μεγάλος για να αποτύχει», όπως φαίνεται και μετά την κρίση του 2007 των subprime δανείων. Εταιρείες όπως η American International Group (AIG) έπρεπε να εξαγορασθούν επειδή η αποτυχία τους θα ήταν καταστροφική για το σύστημα στο σύνολό του, ενώ το να αποτύχει μια εταιρεία με το ένα δέκατο του μεγέθους της θα είχε προκαλέσει πολύ λιγότερο από το ένα δέκατο της ζημιάς.

Από ορισμένες απόψεις, το καθήκον μας ως σχεδιαστές κρυπτοοικονομικών είναι ακόμη πιο δύσκολο από αυτό των παραδοσιακών οικονομολόγων. Κατά την κρίση των subprime δανείων, οι κεντρικοί τραπεζίτες μπορούσαν να λάβουν έκτακτα μέτρα για να θέσουν την οικονομία σε καλό δρόμο, και οι νομοθέτες στη συνέχεια ψήφισαν νομοθεσία με σκοπό να διασφαλίσουν ότι δεν θα συμβεί ξανά. Με τα κρυπτοοικονομικά πρωτόκολλα, πρωταρχικός στόχος σχεδιασμού είναι να καταστούν αδύνατες ή εξαιρετικά δύσκολες τέτοιες αναπάντεχες παρεμβάσεις. Σε διαφορετική περίπτωση, μια μικρή ομάδα ατόμων θα μπορούσε να υπονομεύσει το σύστημα. Αυτό το καθιστά ακόμη πιο σημαντικό να προβλέπουμε και να προσπαθούμε να μετριάσουμε τους πιθανούς τρόπους αστοχίας κατά τη φάση σχεδιασμού μας.

Συμπέρασμα

Λοιπόν, που καταλήγουμε; Πρέπει να αναγνωρίσουμε ότι τα συστήματα που μοντελοποιούμε είναι πολύπλοκα και ότι αυτή η πολυπλοκότητα θέτει εγγενείς προκλήσεις σε οποιοδήποτε στατιστικό μοντέλο από πάνω προς τα κάτω που αγνοεί την εγγενή διασύνδεση και ετερογένεια του συστήματός μας. Μια προσέγγιση από κάτω προς τα πάνω που λαμβάνει υπόψη της τη δυναμική κάθε μεμονωμένου τμήματος του συστήματος θα ήταν πολύ προτιμότερη, αλλά για τις περισσότερες σημαντικές περιπτώσεις, ο υπολογισμός μιας ακριβούς λύσης από κάτω προς τα πάνω που περιγράφει τη συμπεριφορά του συστήματός μας είναι υπολογιστικά αδύνατος.

Στο δεύτερο μέρος, θα διερευνήσουμε πώς μπορούμε να δανειζόμαστε τεχνικές από τη μηχανική και τις κοινωνικές επιστήμες, συγκεκριμένα μοντέλα δυναμικών συστημάτων και μοντέλα που βασίζονται σε πράκτορες, για να προσομοιώσουμε πώς θα μπορούσε να συμπεριφέρεται το σύστημά μας χρησιμοποιώντας μια προσέγγιση από κάτω προς τα πάνω αντί να προσπαθούμε να υπολογίσουμε μια ακριβή λύση. Θα διερευνήσουμε επίσης πώς σκοπεύουμε να εφαρμόσουμε αυτά τα εργαλεία για μοντελοποίηση και προσομοίωση του The Graph. Τα λέμε εκεί!

Συνεχίστε στο Μέρος 2


Πρωτότυπο Άρθρο (Αγγλική)Modeling Cryptoeconomic Protocols as Complex Systems — Part 1

Συντάκτης Πρωτότυπου ΆρθρουBrandon Ramirez

Ημερομηνία Συγγραφής Πρωτότυπου Άρθρου: 14 Ιανουαρίου 2020