以太坊质押中的发行政策 vs. 结构性事件 — 一项经济学分析

这篇文章是 Wenxuan Deng 在 Daniele Palombi 的指导下，作为 20squares 的 MVI 实习一部分所做的研究报告。这项研究得到了 Cyber.Fund 的支持。我们感谢 Artem Kotelskiy 和 @kkulk 的反馈。

介绍

在快速发展的以太坊领域，理解生态系统中关键参与者的 staking 决策对于掌握 ETH 发行量变化的更广泛影响至关重要。本报告旨在通过检查数据驱动的个体行为估计，来分析这些参与者对发行量波动的反应。为了实现这一目标，我们将重点关注以太坊网络中的 代理 (agent) 如何随着时间的推移对系统的各种状态做出反应。

然而，这是一项具有挑战性和复杂性的任务。鉴于存在众多无法观察到的因素，得出明确的因果结论是不可行的。尽管存在这些限制，但在数据中识别模式仍然是一项有价值的实践。通过这样做，我们可以揭示生态系统中行为的根本驱动因素。

鉴于这些动态，本报告的中心研究问题是：不同类别的以太坊 staker 如何调整其行为以应对重大的协议变更 (protocol change) 和市场事件 (market event)，以及由此产生的对网络去中心化的影响是什么？为了回答这个问题，我们分析了 staking 实体的不同子组的行为，以了解他们的决策如何随时间演变，最终将这些观察结果输入到模拟模型中，以探索潜在的未来结果。

有趣的是，数据表明几乎没有证据支持 ETH 的平均流入或流出与短期价格波动之间存在直接相关性。相反，观察到的流入和流出似乎更多地受到长期视角变化的影响。因此，关注参数短期变化的模拟可能在预测结果方面不太可靠。本报告将详细探讨这些动态，深入了解真正驱动以太坊生态系统中 staking 决策的因素。

贡献

本报告做出了以下贡献：

• 它开发了一个基于 代理 (agent) 的以太坊 staking 生态系统模拟模型，为分析 代理 (agent) 对不同市场状况和策略变化 (policy change) 的反应提供了一个框架。
• 它通过模拟表明，仅改变发行策略 (issuance policy) 可能不足以有意义地影响 staking 分布，或促进较小 利益相关者 (stakeholder) 之间更大的去中心化。
• 它通过基于事件的分析表明，staking 行为受到长期协议变更（例如上海升级）和基本市场变化（例如比特币 ETF 批准）的显着影响，而不是短期的价格冲击和波动。

为了探索这些复杂的动态，本报告的核心是一个基于 代理 (agent) 的模拟，旨在模拟各种经济情况下 staker 的决策过程。这种模拟框架使我们能够测试关于 代理 (agent) 行为和协议变更（例如调整发行策略）的潜在影响的假设。为了使我们的模拟立足于现实，以下各节提供了对以太坊 staking 生态系统的数据驱动分析。我们展示：

• 基于事件的分析，以展示 staking 行为如何响应重大的市场变化。
• 随时间推移的网络中心化 (network centralization) 的描述性分析。

模拟

为什么选择基于 代理 (Agent) 的模拟？

在像区块链生态系统这样的复杂系统中，市场动态和个体 代理 (agent) 行为相互交织，基于 代理 (agent) 的模拟 (ABS) 提供了一个强大的框架，用于捕获细微的交互和涌现模式 (emergent patterns)。对于这项研究，我们利用 RadCAD 构建了一个由 代理 (agent) 特定参数和环境条件驱动的模拟模型。这个框架使我们能够定义具有不同配置文件的 代理 (agent)，并模拟他们在不同市场情景下的行为，从而创建一个强大的平台来探索市场演变。

模拟框架

我们采用布朗运动来生成表示各种以太坊价格轨迹的随机游走，这些轨迹受到预定义的市场条件的约束。这种方法使我们能够在看涨、看跌或中性趋势下模拟环境，在每个实验中生成独特的 price path，准确反映每个 market condition 内的波动。通过利用 RadCAD 的灵活架构，我们构建了一系列实验，其中这些不同的价格轨迹作为理解 代理 (agent) 在不同市场状态下反应的基础。

\ price_traj_agg1920×484 56.8 KB

建模 Stake 和 Unstake 行为

我们遇到的一个关键挑战是 staker 行为的内在不可预测性。现实世界数据中的高噪声和模糊的因果关系使得直接从历史数据开发 代理 (agent) 决策的预测模型变得困难。为了解决这个问题，我们选择使用零膨胀泊松分布来模拟 代理 (agent) 的 stake 和 unstake 行为，从而产生这些行为的概率表示 (probabilistic representation)。在我们的模型中，每个 timestep 𝑡 中， 代理 (agent) 𝑖 的 stake (B_{i,t}Bi,t) 和 unstake (S_{i,t}Si,t) 行为都是从此分布中抽样的，捕捉了 staking 流动的零星性质，同时允许更细致的 代理 (agent) 模拟。

通过创建这种结构化但灵活的模拟环境，我们使用 RadCAD 的方法为 staking 行为的复杂性和以太坊生态系统内的动态提供了有价值的见解，尤其是当 代理 (agent) 适应动荡的市场条件时。

模拟方法

1. 代理 (Agent) 抽样和分类

我们基于 代理 (agent) 的模拟区分了多种类别的 代理 (agent)，每个类别都旨在反映以太坊生态系统中真实的 staker 行为：

• 中心化交易所 (CEX)
• 流动性质押代币 (LST)
• 流动性再质押代币 (LRT)
• 单独 Staker
• Staking 池

Staking 数据和 代理 (agent) 标签来自 Dune Analytics 的 staking_flow 数据集，该数据集提供了不同 代理 (agent) 类型的 staking 活动的细粒度视图。这种分类使我们能够模拟反映真实世界 staking 模式的决策过程，并调查 代理 (agent) 如何响应价格波动和宏观经济变化。

2. 参数初始化

由于许多个体 代理 (agent) 参数（如未来价格预期或机会成本）无法从可用数据中观察到，因此我们必须做出一些简化的假设来初始化模型。鉴于我们的主要兴趣在于不同发行策略 (issuance policy) 制度之间的比较，而不是预测精确值，这些假设提供了一个可行的基础。

做出以下极端假设：

• 短视价格预期：我们假设 代理 (agent) 预期下一期的价格与当前价格相同 E_j[p_{t+1}] = p_tEj[pt+1]=pt

• 恒定的 Staking 成本：我们假设每种 代理 (agent) 类别 (c_{j,t} = c_jcj,t=cj) 的 staking 成本是恒定的，并且基于关于硬件和运营费用的可用数据。

• 固定的机会成本：机会成本 r_{j,t} = rrj,t=r 设置为一个任意的固定值，并且假设对于所有 代理 (agent) 都是相同的。这是一个可以在不同的模拟运行中调整的参数。

• Stake/Unstake 体积的代理 (Proxy)**：由于我们无法观察到 代理 (agent) 可用于 staking 的总资本 (B_{j,t}Bj,t) 或符合提款条件的总金额 (S_{j,t}Sj,t)，因此我们使用测量的每个组的平均历史 staking 流入和流出作为这些值的 代理 (proxy)。

3. 解析决策问题

值得注意的是，我们没有通过动态编程或其他复杂的多周期优化方法来解决决策问题。确切的投资问题未被充分指定，并且取决于许多无法观察到的因素，这使得使用可用数据采用这种方法不可行。相反，我们将每个 代理 (agent) 的决策大幅简化为一个时间段。该决策基于简单的利润最大化原理：

1. 代理 (Agent) 确定从 staking 一单位 ETH 中获得的预期利润是正还是负。
2. 结果是一个二元选择：如果预期利润大于或等于零，则 代理 (agent) 选择 staking 其可用资本；否则，他们选择 unstake。

o 为了使这个二元阶跃函数在模拟环境中可用，我们使用平滑的 sigmoid logistic 函数来近似它。这种方法将刚性的 “全有或全无” 决策转换为概率，从而实现更细致和真实的 代理 (agent) 行为，其中 staking 或 unstake 的可能性随着预期利润的变化而平稳变化，而不是突然转变。

收入估算

为了评估以太坊 staker 的收入，我们应用以下公式：

\text{收入}=(\text{新发行量}+\text{优先级费用}+\text{MEV}−\text{基础设施成本})×(1−\text{手续费})Revenue=(new issuance+priority fee+MEV−infrastructure cost)×(1−commission fee)

在计算标准化收入时，为通货膨胀或通货紧缩所做的调整通常包括 ETH 销毁，因为这会影响总供应量。但是，我们的重点是 代理 (agent) 特定的收入，因此我们通过排除与 ETH 销毁相关的通货紧缩调整进行简化。

由于优先级费用和 MEV 奖励的有限性和可变性，准确估计它们的价值提出了挑战。为简单起见，我们将优先级费用和 MEV 的综合影响设置为收入基础的 0.5%。大型运营商节点，例如 staking 池（例如，p2p.org），往往比单独 staker 更强大，并且更有可能被选为委员会成员。因此，我们在优先级 + MEV 贡献之外分配额外的 0.5% 的发行 APY，总计为 1%，这根据市场份额进行分配。因此，具有较大市场份额的 代理 (agent) 获得成比例的较大份额的发行、优先级费用和 MEV 利润，而具有较小份额的 代理 (agent) 获得的较少。

基础设施成本

基础设施成本对于估计净收入至关重要，单独 staker 和大型运营商（如 staking 池）之间的差异很大。根据成本数据（五年内的硬件折旧、运营费用以及维护和增长成本），我们使用参考数据集区分单独 staker 和大型运营商节点。staking 池（包括个人和商业运营商）和单独 staker 均承担其自身的基础设施成本，这使其成为其收入计算的关键因素。

对于其他 代理 (agent) 类别：

流动性质押代币 (LST) 和 Layer 2 Rollup 代币 (LRT) 应用 10% 的手续费。

中心化交易所 (CEX) 征收更高的 25% 的手续费。

使用这种结构，我们计算每个 代理 (agent) 的收入 APY，其中包含基础设施费用、手续费和市场份额对收入分配的影响。这种方法反映了定义以太坊生态系统中 staking 收入的运营现实和市场动态。

代理 (Agent) 决策效用函数

以下练习的目的是根据个体利润最大化原理得出一些合理的总供应曲线。

预备知识

令 f(P_t)f(Pt) 表示时间 tt 的发行量。我们将定义任何低于相对于 y_tyt 的内容。

对于个体 ii 给定的时间范围 TT 的预期收益率取决于未来价格 P_tPt 以及收益率 y_tyt 系列，其中 t = 1, \ldots, Tt=1,…,T。收益率 y_tyt 取决于发行函数 f(\cdot)f(⋅) 和存款水平 D_tDt。

确切的投资问题未被充分指定；它还取决于包括再投资在内的其他因素。

显然，我们无法观察到所有这些，也无法从我们有权访问的数据类型中恢复。

因此，我们将决策问题大幅简化为一个时间段 tt：

E[P_{t+1}] y_t - c_{i,t} - r_{i,t}E[Pt+1]yt−ci,t−ri,t

其中 c_{i,t}ci,t 是 staking 一单位 ETH 的成本，r_{i,t}ri,t 是机会成本。两者均以美元表示。

利润最大化原理

任何个体 代理 (agent) 在选择 x_{i,t}xi,t（stake/unstake）时都面临预算约束：

S_{i,t} \leq x_{i,t} \leq B_{i,t}Si,t≤xi,t≤Bi,t

因此，ii 最大化

\max_{x_{i,t}} E_i[P_{t+1}] y_t - c_{i,t} - r_{i,t}maxxi,tEi[Pt+1]yt−ci,t−ri,t

服从于：

S_{i,t} \leq x_{i,t} \leq B_{i,t}Si,t≤xi,t≤Bi,t

这个问题的结果是：

这个问题的结果是：

x_{i,t} = \begin{cases} B_{i,t} & \text{if} \ E[P_{t+1}] y_t - c_{i,t} - r_{i,t} \geq 0\\ S_{i,t} & \text{otherwise} \end{cases} xi,t={Bi,tifE[Pt+1]yt−ci,t−ri,t≥0Si,totherwise

聚合

我们没有观察到个体 代理 (agent)。因此，让我们考虑具有代表性的 代理 (agent) 类别。我们假设在组内 代理 (agent) 是同质的 - 显然是错误的，但是对于我们感兴趣的练习类型，跨类别的效果可能不会太有害。

类别 jj 中 代理 (agent) ii 的决策：

X_{i}^{j}(y_t) = \begin{cases} n_j B_j & \text{if} \ E_j[P_{t+1}] \cdot y_t - c_{j,t} - r_{j,t} \geq 0 \\ n_j (-S_{j,t}) & \text{else} \end{cases} Xji(yt)={njBjifEj[Pt+1]⋅yt−cj,t−rj,t≥0nj(−Sj,t)else

跨类别的总供应量：

S(y_t) = \sum_{j=1}^{N} n_j[B_j \cdot \mathbb{1}(E_j[p_{t+1}] \cdot y_t - c_{j,t} - r_{j,t} \geq 0) - S_{j,t} \cdot \mathbb{1}(E_j[p_{t+1}] \cdot y_t - c_{j,t} - r_{j,t} \leq 0)] S(yt)=∑Nj=1nj[Bj⋅1(Ej[pt+1]⋅yt−cj,t−rj,t≥0)−Sj,t⋅1(Ej[pt+1]⋅yt−cj,t−rj,t≤0)]

用于模拟的平滑

对于模拟，让我们近似阶跃函数。

一种方法是通过 sigmoid logistic 近似：

\sigma(x) = \frac{1}{1 + e^{-\alpha(x - \theta)}} σ(x)=11+e−α(x−θ)

其中 \thetaθ 是一个校正因子（如果 x 接近于零，则使投资概率接近于零）。\alphaα 是确定近似平滑度的参数。

跨类别的总供应量：

S(y_t) = \sum_{j=1}^{N} n_j [B_j \cdot \sigma(E_j[p_{t+1}] \cdot y_t - c_{j,t} - r_{j,t}) - S_{j,t} \cdot \sigma(-(E_j[P_{t+1}] \cdot y_t - c_{j,t} - r_{j,t}))] S(yt)=∑Nj=1nj[Bj⋅σ(Ej[pt+1]⋅yt−cj,t−rj,t)−Sj,t⋅σ(−(Ej[Pt+1]⋅yt−cj,t−rj,t))]

模拟结果

我们首先检查不同市场条件下，为期 1 年（365 天）的模拟中，变化的市场情况对收入 APY 的影响。鉴于我们的收入估算方法，基础设施成本是唯一受 $ETH 价格波动显着影响的因素。下面，我们展示了在不同市场条件下，单独 staker 和 staking 池的基础设施成本的 APY。

有趣的是，与单独 staker 相比，大型运营商节点（如 staking 池）会产生更高的基础设施成本。这种差异主要是由于与大型设置相关的巨大运营和维护费用引起的。这些更高的成本反映了维护大规模 staking 运营的稳健性和复杂性，这些运营虽然提供更高的弹性和效率，但也需要更多的资源才能有效管理。

\ cost_APY605×450 26.3 KB

当计算每个 代理 (agent) 类别的整体收入 APY 时，只有单独 staker 和 staking 池表现出显着的随机化，这使我们能够计算其标准差 (SD)。对于其他三个类别 - CEX、LST 和 LRT - 收入波动率仍然很低。这是因为它们的波动主要受发行率（与总 stake 相关）和各自的 staking 金额的影响，从而导致相对稳定的收入 APY。

这些观察结果揭示了一个关键的见解：ETH 价格波动对基础设施成本的影响显着推动了收入 APY 的波动，甚至超过了 staking 水平本身的变化。这在单独 staker 和 staking 池在各种市场条件下的收入 APY 中看到的独特模式中尤为明显，其中价格变化在塑造其收入可变性方面起着更重要的作用。相反，对于 CEX、LST 和 LRT，收入 APY 在不同的市场情景中都显示出持续的下降趋势，这反映了它们对价格引起的基础设施成本变化的较低敏感性。这加强了这样一种观念，即 ETH 价格波动对基础设施成本（从而影响整体收入 APY）的影响比 staking 调整引入的可变性更大。

\ revenue_apy_agent_agg3000×694 196 KB

我们还检查了跨 代理 (agent) 类别的平均收入 APY，除了标准差 (SD) 的差异外，无论市场条件如何，总体趋势都保持一致。

\ avg_rev_apy_agg3000×500 147 KB

将模拟周期从 1 年延长到 5 年，我们的目的是观察是否会出现均衡，特别是通过监控总 staking ETH 的轨迹。与潜在的稳定化相反，我们的模型框架显示总 staking ETH 不断增加（如右上图所示），没有下降的迹象。

此外，我们观察到 HHI 持续下降，尽管下降速度逐渐减慢并最终趋于平稳。这种减速可能是由于我们 stake/unstake 行为的抽样方法造成的，这导致两个主要类别 - CEX 和 LST - 积累了越来越大的 stake。这表明在实践中，去中心化可能会达到一个收敛点，可能永远无法完全达到理想的去中心化水平。随着大型参与者继续积累 staking 份额，去中心化可能会达到一个实际的限制，HHI 稳定在一个次优水平，而不是接近完全去中心化。

\ sim_5y1920×1570 95.2 KB

最后，我们评估了 Anders 建议的 新发行策略，以评估这个更新的策略函数是否会在我们的模拟中产生不同的结果。

y = \frac{CF}{\sqrt{D}+(D/k)^3} y=CF√D+(D/k)3

尽管实施了新的策略，但在我们监控的各种指标中没有观察到显着差异。此外，与原始设置类似，我们没有观察到总 staking ETH 或其他去中心化指标出现均衡。这种缺乏差异性表明，新的发行策略不会对 staking 行为或模型参数范围内的均衡进展产生实质性影响。

简而言之

虽然我们的模拟提供了有用的见解，但仍有一些值得注意的局限性：

由于数据有限，我们的收入估算仍然是近似的，某些指标依赖于任意假设。由于只有单独 staker 和 staking 池被建模为会产生硬件和运营成本，因此与其他类别相比，这两个类别不成比例地受到其收入 APY 中价格波动的影响。

尽管我们努力识别数据驱动的因素和因果关系，以更好地建模 staking 行为的效用函数，但高数据噪声和有限的粒度限制了我们的方法。因此，效用函数建模仍然有些粗糙，缺乏精确性。

一个重要的结论是，仅改变发行策略可能无法有效影响较小的 利益相关者 (stakeholder) 或促进去中心化。我们的模拟表明，简单地改变发行策略并不能提供将 staking 分布显着转移到较小参与者所需的激励。

通过在各种市场条件下进行的数千次独立模拟，我们可以近似收入 APY 的总体趋势，为不同情景下预期的收入行为提供粗略但有价值的参考。

基于市场情况的事件分析

在本分析的部分中，我们检查了以太坊验证者在重大市场事件期间与存款、unstaking 和退出相关的行为。通过分析这些行为以及 $ETH 价格的波动，我们可以更细致地了解用户如何根据重大的市场变化调整其 staking 头寸。事件驱动分析和市场情况的结合提供了以太坊生态系统中关键时刻 staking 行为的整体视图。

我们从三个维度评估市场：长期、中期和短期牛市和熊市趋势。这些是使用 ETH 价格的移动平均线 (MA) 定义的，如下所示：

• 短期：MA30 - MA10
• 中期：MA100 - MA30
• 长期：MA200 - MA100

短期、中期和长期牛熊指数旨在指示市场趋势。当指数大于 0 时，表示看涨（牛市）条件，而低于 0 的值表示看跌（熊市）环境。指数的大小与趋势的强度相关：正数越大，看涨趋势越强，反之亦然。

这种三维指数系统允许对市场情况进行分层分析。例如，即使在更广泛的宏观看涨趋势中（由强烈的正长期指数表示），短期和中期指数也可以帮助识别微观层面的看涨或看跌趋势。这种方法提供了跨不同时间框架的市场动态的全面视图，从而可以根据宏观和微观市场信号做出更细致的决策。

此外，我们使用这种三维指数系统是因为 staking 决策，尤其是对于较大的实体，通常是战略性的长期承诺，而不是对每日价格波动的反应。滚动平均线是一种标准方法，可以消除短期 “噪音”，并识别不同时间范围内的潜在市场趋势和情绪。这种方法基于以下假设：验证者 stake 或 unstake 的倾向与其对市场中期至长期方向的看法比其每日波动更紧密相关。通过分析这些趋势，我们可以更好地区分瞬时反应和 staking 行为的持续战略转变。

下图使用这三个指标可视化了以太坊的历史价格。它们并不总是始终如一地对齐。长期指标捕获了 4-6 个月的市场趋势，而短期指标反映了一个月时间范围内的趋势。

\ 1920×694 54.2 KB

我们选择了五个代表重大市场转变的事件，并分析了验证者在不同的市场状况下如何做出反应。

方法

在本部分中，我们采用事件研究方法来分析五个重大市场事件周围的 staking 行为。我们的方法如下：

1. 事件选择：我们确定与重大协议升级、市场冲击和结构性变化相对应的关键日期。
2. 市场趋势分析：为了确定验证者行为的背景，我们基于 ETH 价格的移动平均线 (MA) 定义了三个市场趋势指数：短期（MA30 - MA10）、中期（MA100 - MA30）和长期（MA200 - MA100）
3. 行为分析：我们检查了每个事件前后 60 天窗口期内不同验证者类别（例如，CEX、LST）的 staking 存款、提款和退出队列数据。

通过结合这些分析，我们可以得出关于不同验证者群体如何响应市场转变的定性结论，区分对短期波动的反应和基于长期情绪的战略性重新定位。

2023-04-12 的上海升级

上海升级于 2023 年 4 月 12 日启动，使 ETH staker 能够自 Beacon Chain 成立以来首次提取资金。由于以下几个因素，此升级对于分析验证者去中心化和行为至关重要：

1. Staking 流动性：随着提款现在成为可能，我们可以评估验证者行为如何转变，从而揭示对去中心化和 staking 策略的见解。
2. 市场情绪：观察验证者对上海之后市场事件的反应，可以提供有关网络稳定性和他们对以太坊信心的线索。
3. 验证者分布：新的灵活性可能会以不同的方式吸引不同的参与者，从而重塑验证者格局并可能影响去中心化。

\ 1920×703 70.4 KB

下面的条形图显示了上海升级前后 60 天的新 ETH 存款，按颜色分类以表示不同类型的实体，包括 CEX（中心化交易所）和 LST（流动性质押代币）。有趣的是，数据显示 CEX 和 LST 用户实际上都在升级后增加了他们的 staking 量。

与此同时，长期的牛熊指标显示出从看跌到看涨的逐渐转变。此指数的正值表示长期看涨趋势，而负值表示看跌环境；该值的大小对应于趋势的强度。此指标在上海升级前后达到顶峰，随后趋于稳定，突显了在事件发生前几个月越来越积极的情绪。

\ 1118×600 50.7 KB

上面的两张图描述了提款和退出队列数据。由于 流失率 (churn rate)，退出队列通常比提款提前 3-7 天，这种滞后也在这两张图中可见。

值得注意的是，与其他类别相比，CEX 用户的提款活动更高。但是，这种激增主要集中在上海升级后的第一周，之后提款活动逐渐减少。这表明，尽管 CEX 用户迅速采取行动，但最初的激增并未转化为持续的退出趋势，突显了最初反应的短暂性。

\ 998×388 27 KB

在观察每日总净流量时，很明显，提款最初在激活后导致了负净流量。但是，随着存款的激增，这种情况迅速逆转，从而使净流量变为正数。这种转变反映了 ETH 持有者和 staker 乐观情绪，他们对市场环境和升级的成功推出做出了积极的回应，从而增强了对生态系统的信心。

2022-11-08 的 FTX 崩盘

2022 年 11 月 8 日的 FTX 崩盘是加密货币历史上最令人震惊的事件之一，导致业内最大的交易所之一迅速瓦解。突然的倒台引起了广泛的恐慌，导致加密资产价格急剧下跌，并严重丧失了对中心化实体的信任。

我们选择此事件进行分析，因为它对市场情绪和行为产生了深远的影响，尤其是在以太坊验证者之间。通过检查验证者 staking 和提款模式在此危机期间的反应，我们可以深入了解重大市场冲击如何影响 staking 去中心化和不同参与者群体的信心水平。

\ 1118×600 51.3 KB

上面的条形图显示了 FTX 崩盘前后 60 天的新存款和提款。有趣的是，即使将其按类别分解，我们也 没有 观察到清晰的市场情绪模式。但是，我们的牛熊指标表明在此期间市场情绪为中性。这表明缺乏明显的趋势可能是由于 FTX 事件 没有 导致重大价格波动，从而导致验证者行为相对稳定。

2022-06-27 的三箭资本破产

\ 1920×702 64.5 KB

三箭资本 (3AC) 在 2022 年 6 月 27 日的破产标志着加密货币领域的一场重大危机，导致大规模的清算。但是，由于当时提款尚未开始，因此我们的分析仅关注新存款。有趣的是，CEX 用户主导了这些存款，但他们的行为 没有 显示出对该事件的显着变化，这突显了尽管市场动荡加剧，但采取了更具弹性的立场。

2024-01-10 比特币 ETF 公告

2024 年 1 月 10 日，比特币 ETF 获得批准的公告在加密货币领域引起了轰动，标志着 BTC 主流采用的重要一步。此类事件至关重要，因为它可能会触发加密货币市场内部的流动性转移，资本从其他资产（如 ETH）转移到 BTC。

我们选择此事件来分析 ETH staking 行为是否反映了这种转变。具体来说，我们感兴趣的是以太坊验证者是否减少了他们的 staking 头寸，可能将资金重新分配给比特币，以响应 ETF 的批准。了解这些动态有助于我们衡量此类\ 1118×600 54.1 KB

通过提款和退出队列条形图，我们的假设得到了证实，特别是质押池活动显着增加。有趣的是，来自质押池的用户在 BTC ETF 公布前整整一周就开始进入退出队列。这种早期的退出行为表明，一些市场参与者可能已经预料到 ETF 的批准，提前做好准备将他们的流动性重新分配到 BTC 中。

\ 997×387 30.7 KB

在仔细研究每日提款后，我们观察到在 BTC ETF 公布当天出现了显着激增，达到了历史高位。 这进一步证实了 BTC ETF 吸引了大量的 ETH 流动性，甚至来自通常低换手率的质押者。 然而，考虑到退出队列的时间，我们有理由怀疑一些质押池用户可能事先知道了公告，并选择提前解除质押，以利用即将到来的机会。

\ 998×386 29.3 KB

尽管在 BTC ETF 公布后提款量最初出现飙升，但净流量迅速转为正数表明，ETF 最终给市场带来了中期看涨情绪。这表明，虽然最初有一些流动性流出，但更广泛的市场认为 ETF 是有利的，从而导致了新的存款和对以太坊生态系统的整体信心。

至今为止的总结

以上研究表明，短期市场波动与质押行为没有根本的相关性。在这种情况下，我们将事件分为两种类型。短期事件，例如 FTX 崩盘或 3AC 破产，被视为突然的、意想不到的市场冲击，主要影响直接的情绪和信任，而不会改变以太坊本身的基本机制。相比之下，长期或结构性事件从根本上改变了协议的机制或其在更广泛的金融市场中的地位。上海升级首次实现提款，以及比特币 ETF 的批准，标志着主流加密货币采用的新水平，都属于这一类别。我们的分析表明，这些结构性事件似乎对质押行为产生更持久和重大影响。

与短期金融参数的相关性

上面的事件研究侧重于梳理结构性变化如何指向质押行为的根本原因。在本节中，我们将简要地转向分析短期因素如何也可能影响质押。

显然，要考虑哪些参数的可能性几乎是无限的。我们将介绍其中的几个。正如市场危机事件研究预示的那样，参数之间几乎没有系统性的相关性。我们在此处描述的参数代表了我们运行的更广泛的分析。

收入

首先，我们将重点关注验证者收入和质押行为的内部短期衡量标准。收入指标包括优先级费用收入 APY、通货膨胀 APY、销毁率 APY 和通货膨胀率。

理解这些因素至关重要，因为它们可以直接影响验证者质押或提取的决定。通过分析收入变化如何影响质押活动，我们可以深入了解推动验证者的经济激励因素。例如，更高的 APY 或有利的销毁率可能会鼓励更多的质押，而更高的通货膨胀率可能会导致质押减少，因为验证者会在其他地方寻求更好的回报。此分析有助于我们更好地了解不同市场条件下验证者行为背后的动机。

首先，我们如何定义 APY 以及哪个测量应该影响质押行为的问题，调查这种关系的最佳策略并不明显。此外，如下图所示，每日 APY 测量值随时间变化很大——与质押流入或流出相比波动更大。

\ image2045×723 131 KB

我们测试了一整套相对标准的时间序列模型——没有一个产生任何有趣的关系。重申一下，这并不排除因果关系，使用不同的数据和更好的识别策略进行的更详细的分析可能会发现它。但至少在最直接的方式中，似乎没有相关性。总的来说，初步的结论是，除了收入指标之外，其他因素在影响验证者的决策中起着重要作用。

其他因素

作为一项控制措施，我们还探讨了质押流量与各种美国股票指数之间的关系，以确定是否存在任何相关性。这背后的明显故事是，流入加密货币然后进行质押可能是包含其他资产类别的总体投资基本原理的一部分。然而，我们的分析并未揭示这些变量之间存在任何真正的正向因果关系。这表明质押流量似乎更多地受到加密货币特定因素的驱动，而不是直接受到更广泛的股票市场走势的影响。同样，这可能需要进行更详细的分析——可能侧重于市场上更长期的情绪。但这超出了本报告的范围。[1]

\ 998×386 29.3 KB

中心化分析

本节通过计算随时间的 Herfindahl-Hirschman 指数 (HHI) 来提供以太坊验证者中心化的描述性分析。重要的是要注意，此分析纯粹是经验性的，不使用先前介绍的基于代理的模型。 目标不是对中心化的因果过程进行建模，而是量化不同经济实体的质押能力集中度。此分析提供了网络演变的经验快照，并为我们的模拟模型中使用的代理组成和起始条件提供了关键背景。

\ 1147×642 31.6 KB

上图根据不同的质押实体对中心化进行分类。我们观察到中心化在 2022 年 5 月达到顶峰，与 3AC 事件相吻合。然而，在此峰值之后，去中心化趋势逐渐加强，表明随着时间的推移，验证者格局趋于更加分散。

类别内

这些图表侧重于每个质押类别内的中心化，使用 Herfindahl-Hirschman 指数 (HHI) 计算。该指数的计算方法是将给定类别中每个质押实体的市场份额平方，然后将结果相加。较高的 HHI 表示更高的中心化程度。值得注意的是，在上海升级之后，HHI 发生了显着变化，尤其是对于 CEX 和单人质押者……然而，这些趋势迅速稳定下来，随着市场调整到升级后的新动态，达到了更加平衡和稳定的状态。这表明，虽然升级引发了短期波动，但对质押中心化的长期影响导致了各个类别之间的一些平衡。

\ 1209×645 55.2 KB

流动性质押具有稳定且持续增长的高 HHI，表明该类别内的中心化程度很高。这表明只有少数实体 (lido) 控制着流动性质押活动。

流动性再质押于 2023 年年中开始去中心化，并于 2024 年年中稳定下来，显示出比流动性质押更高的去中心化程度。质押池虽然去中心化程度最高，但表现出高度波动性，尤其是在上海升级之后。

到 2024 年 10 月，单人质押者是中心化程度最高的类别，最近出现了显着峰值。

按实体

\ 996×955 126 KB

我们对上方图表的分析表明，排除个别实体仅导致大多数实体的 HHI 发生微小差异，表明大多数实体对质押去中心化的影响程度相似。然而，当排除 Lido 时，质押变得更加去中心化。这是有道理的，因为 Lido 拥有总质押量的 27.9%，排名第一。

根据这个 仪表板，当考虑精选节点和 DVT 节点时，Lido 增加了其内部去中心化。尽管 Lido 拥有庞大的市场份额，但它已采取措施进一步实现内部去中心化。

DVT 的影响

接下来，我们调查了参与 SSV 网络的实体，以确定使用 DVT（分布式验证者技术）是否可以提高去中心化程度。重要的是要注意，我们没有运营商节点数据，因此在此分析中，HHI 的计算不是基于运营商节点。相反，我们只是将节点分为 SSV 或非 SSV。下图中的值表示去中心化程度的增加，通过 HHI 值减少的程度来衡量。

\ 997×402 28.7 KB

从图表中我们可以看到，either.fi 通过利用 SSV，在去中心化方面表现出最显着的增长，其次是 Lido，它也表现出增长趋势。P2P.org 在去中心化改进方面紧随其后。

由于数据有限，我们可以显示的实体数量受到限制。然而，这个结果清楚地表明 DVT 在促进去中心化方面发挥着重要作用。即使使用现有数据，也很明显，利用 DVT 的实体在去中心化方面取得了显着进步。

结论和未来研究

主要结论

本报告通过基于代理的模拟和实证分析相结合的方式分析了质押行为。我们的主要发现揭示了以太坊生态系统内经济和结构驱动因素的复杂动态：

• 发行政策不是万能药： 我们的模拟表明，仅改变发行政策不太可能成为促进去中心化或显着改变质押分配向较小利益相关者转移的充分工具。 潜在的经济激励和市场结构似乎是更主要的因素。 这与 20squares 先前的基于动态的 分析一致。
• 质押者的行为由结构性事件驱动： 基于事件的分析表明，质押决策更多地受到长期结构性协议变化（例如，上海升级）和基本市场变化（例如，BTC ETF 批准）的影响，而不是短期价格冲击或波动性（例如，FTX 崩盘）。 这表明质押者通常以长期视角进行操作。
• 价格波动主要通过成本影响收入： 对于承担直接基础设施成本的实体，例如单人质押者和质押池，以太币价格波动对其收入 APY 的影响更大，这是通过运营费用的波动，而不是通过质押的以太币金额的变化。

未来研究方向

我们的分析为未来的工作开辟了几个途径，这些工作可以基于这些发现并解决这项研究的局限性：

• 使用更好的数据改进代理模型： 当前模型依赖于代理效用、收入和再投资率的简化假设。 未来的工作可以通过结合有关运营成本、个人价格预期等不可观察因素以及更复杂的[机会成本英语]Opportunity Cost计算的更好数据来开发更精细的模型，从而创建更精确的质押者决策模拟。

• 进行更深入的因果分析： 虽然我们的分析发现短期金融参数与质押流量之间几乎没有相关性，但使用高级计量经济学技术或替代数据集进行的更详细的时间序列分析可能会发现此处未显示的因果关系。

• 进行精细的 DVT 影响研究： 我们的研究结果表明，分布式验证者技术 (DVT) 对去中心化有积极贡献。 使用来自 DVT 网络的运营商级别数据的更精细的研究可以精确地量化这种影响，并模拟广泛采用 DVT 如何重塑质押格局并减轻大型质押实体带来的风险。

• 调查长期宏观经济联系： 本报告发现了与短期市场指数的联系。 一个有趣的研究途径是调查质押流量与更广泛、更长期的宏观经济情绪之间的关系，将其与我们之前的 分析 相结合，并探索以太币质押在更广泛的金融生态系统中是否表现为“风险偏好”或“风险规避”资产。

• • *

1. 除此之外，我们还简要调查了通货膨胀率以及流入包括加密资产在内的替代资产类别的可能性。 这样做的想法是，这种流入也会影响质押。 这也面临着几个挑战，最明显的一个是官方通货膨胀统计数据的衡量时间尺度与我们拥有的质押数据观察的时间尺度非常不同。↩︎

• 原文链接： ethresear.ch/t/issuance-...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～