博客
关于我
图解稳定币:Maker、Fei、Terra等有何不同
阅读量:499 次
发布时间:2019-03-07

本文共 1455 字,大约阅读时间需要 4 分钟。

全额储备加密稳定币

在去中心化金融(DeFi)领域,稳定币是最受关注的主题之一。然而,许多人对这些稳定币的实际工作原理知之甚少。稳定币的底层设计其实非常简单,我将通过一个简单的视觉模型帮助你理解它们的工作原理。

银行式全额储备模型

可以将每个稳定币协议想象成一家银行。它们都持有资产和负债,并以某种方式获取价值并分配给“股权”持有者。

在一家全储备金银行中:

  • 左侧是其实际资产,即储备中的美元。
  • 右侧是其负债(称为“数字美元”),这是对储备资产的债权。

每项负债与储备资产的比例为1:1。如果持有数字美元的人要求赎回现金,持有人将获得实物美元,而相应的数字债务将被销毁。这就是Tether(USDT)、USDC等由法币作为支撑的稳定币的工作方式。

稳定币的股权分配

这家银行的股权属于股东(即银行的投资者)。在Tether的案例中,Tether有限责任公司的所有者是股东,他们的利润来自Tether(USDT)的铸币和赎回费用。

全额储备金银行的安全性

一家全储备金银行的每一项负债都应该与美元保持密切联系,因为它总是可以兑换1美元的储备金。只要该行保持廉价的可兑换性,套利者将毫不费力地确保该稳定币锚定美元汇率。

算法中央银行

算法中央银行的工作原理

算法中央银行稳定币无法赎回,也没有传统意义上的存款人,这使得它们不太像传统银行,而更像是中央银行。

每个算法中央银行的工作方式略有不同。我们将尝试分析它在两种重要情况下会做什么:当稳定币高于锚定价时,以及当稳定币低于锚定价时。

Fei协议

Fei协议是一个最简单的算法中央银行例子。Fei的稳定币几乎立即就跌破了锚定价。

Fei的职能很像一家真正的央行,它是直接在市场上捍卫其锚定汇率。Fei并不是真正意义上的超额抵押类型,其大部分资产都是加密资产。这意味着,在遇到“黑天鹅”事件的情况下,Fei的储备资产可能会大幅贬值,并低于负债,使其无法维护其稳定币的锚定汇率。

Celo协议

Celo协议产生了一个称为Celo美元(cUSD)的稳定货币。Celo Dollar使用CELO(Celo区块链的原生资产)以及其它加密货币的多元化组合作为其抵押储备金。

Celo储备以大量储备资产启动,其旨在始终保持超额抵押。如果Celo的资产低于其负债的200%,则系统会试图通过收取CELO转账的交易费用来重新资本化。

Terra的UST

Terra协议也充当了其稳定币的做市商。如果稳定币系统耗尽了资产,则它会通过增发原生LUNA供应来补充抵押资产。

铸币税算法稳定币

经典的“铸币税”算法稳定币是Basis Cash,它基于未发行的Basis项目。这也许是典型的算法稳定币,很多设计也是从它衍生出来的。

Basis Cash目前是严重低于锚定价。

Empty Set Dollar(ESD)

Empty Set Dollar(ESD)是一个由匿名创始团队公平推出的算法稳定币。ESD的最初版本(现在被称为ESDV1)就是基于Basis Cash的设计实施的。

ESD v1目前也严重低于锚定价,因此他们转向了一种新的设计。

稳定币的总结

在DeFi的早期阶段,很多人认为去中心化的稳定币是根本不可能实现的。目前来看,判断这些说法还为时过早。设计的空间很大,而某些设计确实要比其他设计更为稳健。

但是有一点是肯定的:你不应该仅仅因为白皮书的描述,就去假设一个去中心化的稳定币就会很强大。好好思考一下,这个稳定币要实现稳定需要什么(如果你感到困惑了,请尝试绘制图片)。

转载地址:http://fzmcz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
查看>>