Bancor算法和来源

                  Bancor算法来源

在20世纪40年代,英国经济学家凯恩斯提出采用30种有代表性的商品作为价值锚定发行国际货币Bancor的构想。而其他国家或机构再以Bancor为价值锚定发行各自的货币。然而众所周知这一方案并没有被采纳,因为二战之后美国一家独大,掌握货币权才能真正的掌控权利,谁都不愿意把权利分散出去。

我们知道现在的国际货币是美元,而当初美元的价值锚定的是黄金。二战后期,有四十几个国家代表在美国布雷顿森林公园开了一个会议。会议的一项核心决议就是确定了布雷顿森林体系。该体系确定了固定汇率制度:美元与黄金挂钩(美国国库每存在1盎司黄金,才可发行35美元货币),而其他成员国的汇率与美元挂钩。但后来因为多次爆发美元危机与美国经济危机、制度本身不可解决的矛盾性,布雷顿森林体系于1973年宣告结束

所以我们可以类比Bancor为黄金,各国的货币以Bancor进行锚定。但这个汇率不是固定的,是根据算法来调节的。Bancor相当于你这个国家的储备金(黄金),然后如果你这个国家经济越来越好,那么就会有人用Bancor来换你国家的货币,那么你的货币是升值的,比如前期是Bancor:人民币=1:10,后面换的人越多,这里汇率就会上升可能变成了1:5。反之也一样,当你货币不行了,人们就会拿你的货币换回Bancor,然后汇率就会下降,原先1:5,后面又会变成1:10。

                Bancor的计算公式

计算公式及多个参数

Supply:Token的供应量【Smart Token's Supply】

Price:Token的价格【Smart Token's Price 】

TotalValue:Token的总市值【Smart Token's Total Value】

Balance:储备金余额【Connector Balance】

CW:储备金固定比率【Connector Weight】

计算公式

CW = Balance / TotalValue;

TotalValue = Price * Supply;

Price = Balance / (Supply * CW)

举例

若当前AToken的发行量为1000,报价为0.5个EOS兑换1个AToken,那么AToken的总价值为500个EOS,但是储备金余额可能并没有500个EOS,比如为250个EOS,那么CW则为0.5(50%)。

Token买入计算公式

TokenReturn = Supply *((1 + EOSAmount / Balance)^ CW - 1)

举例:若当前AToken的发行量为1000,储备金余额为250个EOS,CW为0.5,那么当前的报价则为0.5个EOS兑换1个AToken;现在Bob想花750个EOS购买AToken,带入公式:Token_Return = 1000 *((1 + 750 / 250)^ 0.5 - 1)= 1000

即Bob花了750个EOS购买了1000个AToken,本次购买的平均价格为0.75个EOS兑换1个AToken,比初始报价已经高了许多。Bob的购买行为推高了AToken的报价。若Bob接着购买同样数量的AToken,则需要付出更多的EOS代价,每一笔购买都会继续推高AToken的报价。

Token卖出计算公式

EOSReturn = Balance *(1 - (1 - TokenAmount / Supply)^ (1 / CW))

举例:在Bob的那笔交易完成后,AToken的发行总量为2000个,储备金余额为1000个EOS,CW维持不变、仍然为0.5,那么通过公式可以计算当前的报价为1个EOS兑换1个AToken;现在Alice想卖掉1000个AToken,带入公式:EOS_Return = 1000 *(1 - (1 - 1000 / 2000)^ (1 /0.5))= 750

即Alice 卖掉了1000个AToken,获得了750个EOS,本次购买的平均价格为0.75个EOS兑换1个AToken。因为Bob的购买行为推高了AToken的报价,而Alice是在Bob的购买行为之后卖掉了AToken,所以Alice卖到了相对较高的价位。假如没有Bob的购买行为,回到AToken的供应量为1000的那个时候,Alice卖掉全部的AToken,也只能获得250个EOS。

                EOS上Bancor的应用

Bancor算法真正的流行应该要归功于EOS上的RAM,记得当时RAM是一大炒作热点,在EOS中创建合约创建账号等都需要消耗RAM,而RAM的分配采用了优化后的Bancor算发。但是前期我们都知道RAM被爆炒到了一个很高的价格,也就是我们前面所说的,当市场需要RAM时,就会用大量买入RAM,Bancor算法自动就会炒高RAM。但是这里有个问题,买RAM的不是真正需要RAM的,这就导致了投机行为。

后面我们也知道RAM的价格下跌了,按照正常的Bancor算法不应该下跌那么多的,主要的原因就是RAM扩容了。在上面的Bancor算法中我们能看到一个Supply(供应量),这个值是固定的。但是当这个值是不固定的,即RAM的扩容速度大于RAM的使用速度的话,RAM的价格其实是一直下跌的。所以我觉得现在RAM上的扩容是违背了Bancor算法的。

我在查资料的时候看到了某团队写的关于Bancor的一篇文章,原文如下,如果当初有人看了这篇文章不断抄底的话不知道要死的多惨。

4.如果EOS扩容呢?

因为上述公式的逻辑一直成立,因此无论EOS RAM如何扩容,他的价格只是在扩容初期急剧下降,而后又会随着EOS RAM余量的减少而价格上涨。因此,无论扩容的量有多大,最终还是会按照上涨的趋势走。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 199,830评论 5 468
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,992评论 2 376
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 146,875评论 0 331
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,837评论 1 271
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,734评论 5 360
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,091评论 1 277
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,550评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,217评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,368评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,298评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,350评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,027评论 3 315
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,623评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,706评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,940评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,349评论 2 346
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,936评论 2 341