ETH备战分叉——风险资产或归零,受益资产翻百倍

火币资讯Publicado a 2022-08-11Actualizado a 2022-08-12

Resumen

ETH距离分叉更进一步,获利资产会飙升,风险资产或归零。

暗藏风险

1、期货现货溢价和负融资

根据协议,它面临的第一个风险是未来的现货溢价和负资金。

在这种情况下,虽然现货 ETH 将获得分叉的 PoW 代币,但那些暴露于 ETH 永续合约和季度期货的代币不会。

如果发生这种情况,可能会通过期货合约导致杠杆成本下降,这将对 Maker 保险库造成竞争压力。

数据显示,ETH相关的合约统计可高达66.9亿美元,相比历史高位的90亿美元以上明显回撤。尽管如此,近期ETH合约仓位增长速度较快,继续回升的话,在ETH向Pow转换过程中,其合约持仓数量继续增长,相应的问题会可能更大。

2、stETH 折扣甚至归零风险

合并后的以太坊 PoW 硬分叉可能会导致 stETH 折扣,因为质押的代币可能变得毫无价值。

质押的以太坊被锁定,预计将在网络升级到以太坊 2.0 后解锁。

但是使用 PoW 硬分叉,这些质押的代币将变得一文不值,因为它们将保持锁定状态,直到网络升级完成。

上述情况可能会导致 stETH 的价值基于分叉的 PoW ETH 的预期价值而下降。对于 Maker 而言,这意味着更高的 stETH 流动性风险和下行波动风险。

目前质押在Lido中的stETH价值可达81.1亿美元,是该链上质押最多的币种。并且,Lido上质押的ETH数量经历回调以后开始逐步反弹。前期历史高位的stETH价值达到了208.3亿美元。接下来,不排除ETH在真正完成Pow到Pos转换前质押的ETH大幅度增长的可能性。

3、外部资产

分叉的以太坊对在网络上运行的外部资产提出了挑战。分叉将迫使集中式稳定币发行者、跨链桥和其他人选择以太坊链。

虽然像 Chainlink ( LINK ) 这样的一些人表示支持合并,但考虑到它最近获得的牵引力水平,其他人有可能识别出 ETH 分叉。

此类行为可能会使他们的资产转入或转出以太坊一文不值,任何接受此类资产作为抵押品的协议都可能存在重大的流动性问题。

流动资金池协议

该协议面临的另一个挑战是,如果以太坊分叉,流动性池协议面临的问题。

根据 DeFi 协议,如果网络被迫使用,大量资产可能会变得无用,从而导致借贷市场资不抵债。

其他风险

此外,该协议还面临其他风险,例如预言机网络在合并期间提供不良数据或网络停机,这可能导致 Maker 保险库破产或清算。重放攻击可能会在主网和 PoW 链上变得更加普遍。

但是,Maker 还在帖子中确定了将这些风险降至最低的方法。大多数对风险的响应依赖于向用户传达有关风险的信息。

投资机会

1、获得分叉币收益

从历史上看,分叉币的回报要远低于主链的回报。尽管如此,由于ETH的价格较高,并且有从持有数量上看,持币越多获得的分叉币越多。因此,在确认获得分叉币收益上,显然这部分回报不容忽视。

回顾历史上ETH分叉出ETC的价格表现,ETH在2016年7月20日分叉出ETC以后,ETH价格稳定在11美元附近,而ETC的价格从1.6美元附近回落。ETC价格相当于ETH的14.5%,短线收益还是非常可观的。

同时,结合矿工将算力转移到分叉币的话,相应的获利会相对稳定,并且可能维持较长时间的盈利稳定。

2、ETH算力推升ETC价格

用Vitalik的话说,如果有矿工不喜欢Merge,他们就可以选择使用EthereumClassic。但是ETH的这次合并后的分叉更加严重,使得矿工可以从以太坊获得收入可能性降到了零。

目前由于大量矿主都用ASIC矿机,最佳策略应该是转向ETC或分叉新链。

而由于目前ETC网络的算力很小,算力大量转移相应的回降低ETC矿工的收益空间。

最新的算力显示,ETH的算力在898.57TH/s,而ETC的算力在30.803TH/s,ETH的算力是后者的29倍。如果ETC的上涨能够弥补算力下降带来的挖矿损失,ETC的上涨潜力或将得到充分挖掘。目前看,ETC价格相对ETH表现更为强劲,市场价格最高涨幅达200%,接下来在ETH2.0进一步发展期间,或将出现难得的飙升行情。

3、矿工的分叉币机会

矿工方面,如果想要继续挖矿,除了将算力转移到ETC以外,还可以在分叉币上做文章。毕竟,在ETH分叉币继续挖矿的难道很小,更容易在短期内平滑挖矿收益。不过分叉币的价格难以提前预判,相应的挖矿收益也不容易获得准确数字。

虽然将算力部署到ETC网络上有成本问题,但是ETH分叉以后的算力势必会出现分流。这样,ETH分叉币获得的算力将不会是分叉前的水平,算力下降会提升矿工的收益空间。

因此,在ETH面临分叉的时候,矿工在分叉币的机会还是比较多的。

Lecturas Relacionadas

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

"Tras tres años sin actualizar su blog, la ex vicepresidenta de OpenAI y cofundadora de Thinking Machines, Lilian Weng, publica un extenso análisis que cuestiona la fiabilidad de las 'Scaling Laws', las leyes de escalamiento que han guiado inversiones billonarias en IA. El artículo desmonta que la mejora del rendimiento de los modelos de lenguaje (LLM) al aumentar parámetros, datos y computación sea tan predecible como se creía. Expone divergencias clave: en 2020, OpenAI concluyó que el tamaño del modelo debía crecer más rápido que los datos, mientras que DeepMind (2022) defendió un crecimiento proporcional, un desacuerdo atribuido a diferencias metodológicas y al tamaño limitado de los experimentos iniciales. Más críticamente, Weng revela que la metodología del influyente estudio 'Chinchilla' de DeepMind contenía errores, como una función de pérdida que no convergía correctamente, lo que significa que la 'fórmula óptima' utilizada durante años por la industria podría no serlo. El análisis subraya un problema fundamental: las leyes clásicas asumen datos únicos e infinitos, pero los textos de alta calidad se agotan. La repetición de datos en el entrenamiento degrada el rendimiento, especialmente en modelos grandes. Esto explica el cambio de la industria hacia el aprendizaje por refuerzo, el cómputo en tiempo de prueba y los datos sintéticos. En resumen, el artículo argumenta que la era de la escalabilidad simple ('scale is all you need') toca a su fin, y que el progreso futuro de la IA dependerá de refinamientos metodológicos precisos y de nuevas vías para superar la limitación de datos."

marsbitHace 46 min(s)

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

marsbitHace 46 min(s)

Trading

Spot
Futuros
活动图片