A16z:为稳定币正名

Cointelegraph中文发布于2022-08-11更新于2022-08-11

文章摘要

A16z发布了一篇文章,标题为《捍卫稳定币》。

这篇专栏文章最初于2022年8月8日(周一)出现在英国《金融时报》网站上,并于2022年8月9日(周二)出现在该报的印刷版上,标题为《捍卫稳定币》(In defence of stablecoins)。

加密批评人士正在利用与美元挂钩的虚拟货币 Terra 的崩溃作为攻击稳定币和整个加密行业的把柄。

然而,在对话中迷失是混乱的根本原因。更好地理解哪里出了问题——以及为什么出了问题——有助于在维护创新的同时保护消费者。

首先要澄清术语。稳定币是一种名义上与美元等稳定资产“挂钩”的加密货币。人们通常将最近的暴涨归咎于所谓的“算法稳定币”(algorithmic stablecoins),这些稳定币通常被编程为自动激励代币的创建和销毁以维持价格挂钩。

对他们的攻击是不对的。且不说TerraUSD不应该被视为“稳定币”,这里真正的问题与计算机代码没有什么关系,而是与一个和金融本身一样古老的概念有关:抵押,或使用资产来支撑价值。

这是世界各地的政策制定者在起草立法以防止未来类似 Terra 的崩溃时需要考虑的一个关键点。如果立法者认为算法是罪魁祸首,他们可能会制定适得其反、扼杀创新的法规。设计不当的法律可能会扰乱市场,鼓励监管套利,并削弱西方民主国家在新兴、去中心化的互联网经济 web3 中的影响力。

去中心化金融(DeFi)的承诺在很大程度上取决于区块链的突破性能力,即执行具有即时确定性的透明、算法合约。

在最近的市场波动中,绝大多数由比特币和以太坊等区块链资产支持的“去中心化”稳定币表现出色,能够应对极端的价格波动和前所未有的赎回。一般来说,算法不是现代稳定币的问题。相反,现在基本上所有的风险都来自他们的抵押品设计。

风险最高的稳定币显而易见:它们的抵押品明显不足(铸造 1 美元的稳定币需要不到 1 美元的抵押品),并且它们依赖于“内生”抵押品(由发行人创建的抵押品,如给予持有者区块链规则和程序投票权的治理代币)。

内生抵押品会带来危险的、爆炸性的增长:当发行人的治理代币升值时,用户可以铸造更多的稳定币。在考虑到另一面之前,这听起来不错:当价格下跌时——正如在银行挤兑期间实际上保证的那样——为满足赎回而进行的一连串抵押品清算,就会引发死亡螺旋。以 TerraUSD 为例。

为了防止类似的崩溃,监管是必要的,但过于严格的规则不是。事实是,根据现有证券法和反欺诈法规采取的执法行动本可以遏制迄今为止几乎所有失败的稳定币的扩散。

即便如此,额外的、有针对性的监管可能是有益的。虽然很难准确指出监管机构应该在哪里建立抵押要求,但很明显,如果没有护栏,稳定币发行人可能会再次承担不合理的风险。

量身定制的规则制定可以支持加密生态系统并保护消费者。大量变化——例如完全禁止使用算法和数字资产作为抵押品——将给蓬勃发展的 DeFi 行业带来巨大的负担,扰乱数字资产市场,并阻碍 web3 的创新。

这是因为稳定币如果妥善管理其抵押品,确实可以保持稳定。对于由现实世界资产支持的“中心化”稳定币,储备的流动性和透明度可能较低,因此抵押品应包括现金、国债和债券等波动性较小的资产。监管机构可以就这些类型的抵押品建立参数并要求定期审计。

对于“去中心化”的稳定币,几乎只使用比特币或以太坊等区块链资产作为抵押品是有取舍的。数字资产虽然往往不稳定,但流动性也很高,可以透明地、通过算法进行管理。流动性几乎可以瞬间实现,从而实现更高效的系统。因此,去中心化稳定币最终可能比中心化稳定币更具弹性。

算法稳定币提供了一个独特的机会,可以使各种资产具有生产力并推动全球数字商务。在他们的抵押品周围设置护栏可以帮助释放这种潜力。

你可能也喜欢

拖更三年,北大校友翁荔最新长文刷屏

前OpenAI副总裁翁荔(Lilian Weng)发表了一篇关于AI扩展定律(Scaling Laws)的深度分析文章。文章指出,这条指导了AI行业数百亿美元投入的核心定律,远比人们想象的更为脆弱。 文章回顾了Scaling Laws的基本思想,即模型性能随规模扩大而可预测地提升。然而,OpenAI与DeepMind在关键问题上得出了相反结论:给定算力,资源应更多分配给模型还是数据?OpenAI的Kaplan团队认为模型增长应更快,而DeepMind的Chinchilla团队则认为应等比增长。后来研究发现,这一分歧源于参数统计口径的差异和实验规模不足,导致Kaplan的结论仅适用于小规模场景。 更关键的是,被行业广泛采纳的Chinchilla最优配比公式本身也存在方法论瑕疵。2024年有团队复现发现,其损失函数因取均值而非求和,导致优化器提前停止,输出并非最优解。此外,用于外推的关键参数精度不足,放大了误差。 文章进一步指出,经典Scaling Laws的根本前提——高质量数据无限供应——正在崩塌。数据重复训练不可避免,新研究引入了惩罚项来修正公式,并发现大模型对数据重复更敏感。这解释了行业为何转向强化学习、测试时计算和合成数据等新路径。 翁荔的博客以其清晰深入的技术解析著称,这篇文章历时三年完成。她于2025年联合创立了新公司Thinking Machines Lab。文章强调,下一代AI的进步不仅依赖算力规模,更取决于对这些基础定律细节更精确的理解与运用。

marsbit56分钟前

拖更三年,北大校友翁荔最新长文刷屏

marsbit56分钟前

交易

现货
合约
活动图片