EFI:科普篇九:什么是无常损失

如果我们玩过DeFi里面的项目,就一定会听说和见识过这个术语。当所持代币的价格与存入资金池时相比发生变化时,就会产生无常损失。价差越大,无常损失就会越大。

提供流动性还会亏损是真的,问题在于为什么这种损失是无常的。实际上,它来源于一种特殊市场——自动化做市商的固有设计特性。在流动性资金池提供流动性大多数情况下肯定是可以实现盈利的,但也要警惕“无常损失”这一概念。

这也是我一直所说的,没有百分之百的盈利方式?。昨天子啊套利里面也说到了这个问题,不可否认玩defi,的确可以实现盈利,但是进入有门槛,同时修要耗费大量精力,并不适合绝大部分人,再次说下,我目前只承认长持比特币和量化现货可以实现稳定盈利,其它方式我都没有说过能稳定?盈利的。有极个别人看了我的某一篇文章或是某一段落?就觉得我是错误的来找我理论的,实际上他不知道我的主导思想是什么,就更不知道我陈述的?要点有哪些了。

人大附中物理老师李永乐科普拜占庭将军问题和区块链:5月14日,人大附中物理老师、科普视频网红李永乐在其公众号发布视频《拜占庭将军问题是什么?区块链如何防范恶意节点?》。李永乐老师在视频中对拜占庭将军问题和区块链进行了讲解,他表示,拜占庭将军问题本质上指的是,在分布式计算机网络中,如果存在故障和恶意节点,是否能够保持正常节点的网络一致性问题。在近40年的时间里,人们提出了许多方案解决这一问题,称为拜占庭容错法。例如兰波特自己提出了口头协议、书面协议法,后来有人提出了实用拜占庭容错PBFT算法,在2008年,中本聪发明比特币后,人们又设想了通过区块链的方法解决这一问题。区块链通过算力证明来保持账本的一致性,也就是必须计算数学题,才能得到记账的权力,其他人对这个记账结果进行验证,如果是对的,就认可你的结果。与拜占庭问题比起来,就增加了叛徒的成本。[2020/5/14]

截止到现在,DeFi加密货币的总市值为1500亿美元,不管是Uniswap、SushiSwap还是PancakeSwap等DeFi协议的成交量和流动性已呈现爆发式增长。借助这些流动性协议,任何资金持有者均可成为做市商并赚取交易费用。MZ化的做市机制使数字货币领域中的许多经济活动更加稳定和持久。

动态 | 报告:区块链等热点词促使童书科普百科类成交额同比增速最高:近日,京东图书与艾瑞咨询联合发布了《2019中国图书市场报告》。报告指出,AI、5G、区块链、机器人、VR、智能家居、AR这些热点词,不断点燃科技热潮,科技在改变大众生活的同时,也吸引了越来越多家长的关注,从小培养孩子对科技的兴趣和热爱。因此童书中科普百科类成交额同比增速最高,占比将近40%。[2020/1/8]

因此,为这些平台提供流动性前,需要了解哪些信息呢?下面,我们主要讨论下其中一项最重要的概念——无常损失。

?什么是无常损失呢?为流动性资金池提供流动性可能产生无常损失。此时,存入资产的价格相较存入之时会发生变化。变化幅度越大,遭受无常损失的概率就越高。在这种情况下,出现无常损失意味着美元在提现时的价值低于存入价值。

如果池中资产的价格处于相对较小的变化区间内,遭受无常损失的风险将会降低。例如,稳定币或代币的不同锚定版本将处于相对稳定的价格范围内。在这种情况下,流动性供应商(LP)遭受无常损失的风险较小。

声音 | 上海股交所总经理:区块链想要大规模发展要做好社会科普工作:金色财经报道,上海股交所总经理张云峰表示,区块链当前还处于一个“概念”的阶段,距离成熟应用,影响到百姓的日常生活还有很长的路要走。对于“区块链”和其会带来的社会和经济效果,沈阳应当持审慎的态度。区块链想要大规模发展,一方面要做好这项复杂技术的社会科普工作,加快社会大众对区块链的了解。另一方面,要充分发挥市场的作用,让企业用实实在在的技术创新,赋能实体经济的发展。[2019/11/17]

明知有可能遭受无常损失,为什么流动性供应商仍要提供流动性?其实,无常损失可以通过交易费用抵消。事实上,即便是Uniswap这样很容易遭受无常损失的资金池,用户依然可以通过交易费用获利。

Uniswap对每笔直接与流动性供应商开展的交易收取0.3%的手续费。如果给定资金池的成交量极高,即使面临巨额的无常损失,为其提供流动性依然可以获得收益。然而,这取决于协议、特定资金池、存入的资产,甚至众多市场环境因素。

声音 | CNBC主持人:加密货币最大的缺点之一就是难以向外行快速科普:CNBC主持人Ran NeuNer近期发推称,加密货币最大的缺点之一就是很难向外行快速解释。当人们要求我向他们解释比特币时,我知道他们至少需要一个小时才能真正理解。[2019/9/10]

我现在举一个例子,说明流动性供应商遭受的无常损失是如何产生的。

用户小明在流动性资金池中存入了1枚ETH和100枚DAI。在这个特殊的自动做市商(AMM)机制中,存入的代币对需要由两种等值代币构成。这意味着在存入代币时,1枚ETH的价格等于100枚DAI。此时,小明的资产在存入时价值200美元。

此外,资金池中一共有10枚ETH及1,000枚DAI。因此,小明在资金池中占据10%的份额,总流动性为1万。

假设ETH的价格上涨到400枚DAI。在这种情况下,套利交易者将DAI注入资金池并移除ETH,直至比率反映当前价格为止。请注意,自动做市商机制不使用订单簿。决定池中资产价格的因素是不同资产在池中的占比。虽然整体流动性保持不变,但池中资产的比率却发生了变化。

声音 | 中科院姚建铨:要加快推进区块链与物联网融合的科普 培训:据新华网消息,日前,在区块链与物联网融合发展峰会上,中国科学院院士姚建铨说,关注区块链技术里面的大数据,跟区块链技术结合起来进行测量和检测,能更好地提升激光清洗技术。姚建铨建议,无锡今后要加快推进区块链与物联网融合的科普、培训,正确引导广大人民群众对技术的认知;同时,建立专业、权威,但又普适、成套的理论体系和标准,以此切入区块链的实际应用。[2018/9/18]

如果ETH的价格变为400枚DAI,这两种代币在资金池中的比率将随之改变。由于套利交易者的操作,池中现有5枚ETH和2,000枚DAI。

如果小明此时决定将资金提现,如我们先前所知,他有权获得资金池10%的份额。因此,可以提现0.5枚ETH和200枚DAI,总价值为400美元。与存入时的200美元相比,他无疑获得了一笔可观的收益。然而,如果一直持有1枚ETH和100枚DAI,又会怎样呢?这些资产的总价值将升至500美元。

结果表明,与存入流动性资金池相比,小明持有这些资产反而能获得更高的收益。这就是所谓的“无常损失”。在上面的例子中,小明的损失很少并且初始存款金额相对较小。然而,需要注意的是,无常损失可能引发重大损失。

虽然话是这么讲,但这个案例完全忽略了小明通过提供流动性而赚取的交易费用。在许多情况下,赚取的手续费可以抵消损失,流动性供应商仍可获得收益。即便如此,在为DeFi协议提供流动性前,我们一定要了解无常损失这一重要概念。

当池中资产的价格发生变化时,就会产生无常损失。具体的损失金额我们计算下,可以在图表中绘制出来。需要注意的是,下面的图表中并没有计入通过提供流动性赚取的交易费用。

通过这张图表,我们可以了解到与单纯持币相比,价格变化带来的损失。

1.25倍价差=损失0.6%

1.50倍价差=损失2.0%

1.75倍价差=损失3.8%

2倍价差=损失5.7%

3倍价差=损失13.4%

4倍价差=损失20.0%

5倍价差=损失25.5%

如果仔细去理解,还能发现一个重要的事实,那就是无论价差走势如何发展,都会产生无常损失。只要价格相较于存入时发生变化,无常损失就会存在。

再来说下风险问题,我是一个很喜欢把风险放大去看的人,只有充分的了解了各种风险,你才能想出预案,应对可能出现的危险,从而化解这种风险?。

事实上,我认为“无常损失”这种说法并不贴切。这个命名原因是只有从流动性资金池中提取代币后,损失才会变为现实。从那时起,无常损失在很大程度上会转变为永久损失。我们赚取的交易费用或许可以弥补此类损失,但这个名称还是存在些许误导性。

为自动化做市商(AMM)提供流动性时需要格外小心谨慎。简单来说,池中资产的波动性越大,遭受无常损失的概率就越高。在开始阶段,我们建议只存入少量资金。通过这种方式,我们可以步步为营,在投入更多资金之前粗略估算预期回报。

最后一点是寻找更多久经考验的自动化做市商。DeFi项目支持任何参与者轻易地对现有自动化做市商进行分叉并添加一些细微的变更。然而,这可能让我们面临严重错误,导致资金永远滞留在自动化做市商中。如果某个流动性资金池承诺的回报率异常之高,那么可能另外某个地方就会存在一定的弊端,相应的风险也会更高。

最后来总结下,任何交易都一定有风险。没有风险的交易都是局?。只是风险大与小的问题,我们有两个方面去寻找适合自己的稳定获利方式?。第一就是寻找一个点,去做的很专业,只围绕着一个点去做交易,第二就是实现极小的利润去复利?。利润小风险就小,?和时间做朋友。

?

无常损失是所有希望为自动化做市商(AMM)提供流动性的人都应该理解的基本概念之一。简而言之,如果所存资产的价格相较于存入之时发生变化,流动性供应商便有可能遭受无常损失。

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

链链资讯

比特币ONO:Monox被盗事件赔偿详情进展

第一步已完成:我们已经确认了MonoX团队提交的索赔。MonoX的USDC储备池已被暂时冻结;关于购物篮选择,添加/删除MonoX政策的任何待定更改都将无效;TIDAL质押池暂时冻结存款/取款.

[0:15ms0-4:770ms