"금융" 태그로 연결된 29 개 게시물 개의 게시물이 있습니다.

1. 전체 개요​

계량적 트레이딩: 나만의 알고리즘 트레이딩 비즈니스 구축 방법은 계량적 트레이딩 전문가인 어니스트 P. 챈 박사(보통 어니 챈으로 불림)가 집필한 실용적인 가이드로, 독립 트레이더들이 자신만의 알고리즘 트레이딩 비즈니스를 구축하고 운영할 수 있도록 돕기 위해 설계되었습니다. 초판은 2009년 와일리(Wiley) 출판사의 와일리 트레이딩 시리즈의 일부로 출간되었으며, 약 200페이지 분량입니다. 초판 발행 후 10여 년이 지난 2021년, 저자는 내용을 업데이트하고 확장한 2판(ISBN: 9781119800064, 256페이지)을 출간했습니다.

• 대상 독자: 이 책은 계량적 방법을 사용하여 트레이딩을 하고자 하는 개인 투자자 및 소규모 트레이딩 팀, 그리고 금융 기관에서 계량적 트레이딩 분야에서 일하기를 희망하는 독자들을 대상으로 합니다. 저자는 독자들이 수학, 통계, 프로그래밍에 대한 기본 지식을 가지고 있다고 가정하지만, 고급 학위를 요구하지는 않습니다. 그는 고등학교 수준의 수학, 통계, 프로그래밍 또는 경제학 배경만으로도 기본적인 계량 전략을 시작하기에 충분하다고 강조합니다. 책에서 언급하듯이: "고등학교 수준의 수학, 통계, 컴퓨터 프로그래밍 또는 경제학 과정을 몇 개 이수했다면, 기본적인 통계적 차익거래 전략을 시도해 볼 자격이 충분합니다." 이러한 접근성 있는 포지셔닝은 계량적 트레이딩의 진입 장벽을 크게 낮추며, 이 책의 사명인 **"계량적 트레이딩의 대중화"**를 반영합니다.

• 주요 내용: 이 책은 아이디어 구상부터 비즈니스 설립까지 계량적 트레이딩 전략을 개발, 테스트 및 실행하는 전체 과정을 중심으로 구성되어 있습니다. 저자는 계량적 트레이딩이 무엇이며 왜 개인 트레이더가 이 분야에서 기관과 경쟁할 수 있는지 설명하는 것으로 시작합니다. 그런 다음 트레이딩 전략 아이디어 찾기, 전략의 효과를 검증하기 위한 과거 데이터 백테스팅 수행, 트레이딩 인프라 및 실행 시스템 구축, 적절한 자금 및 리스크 관리 구현과 같은 주제를 심도 있게 다룹니다. 이 책은 기술적인 세부 사항(데이터 처리, 모델 선택, 백테스팅의 함정 등)뿐만 아니라 비즈니스 수준의 고려 사항(트레이딩 비즈니스의 조직 구조, 브로커 선택, 하드웨어/소프트웨어 구성 등)도 논의합니다. 또한 저자는 평균 회귀, 모멘텀, 팩터 모델, 계절 효과와 같은 특정 전략의 구현을 예제와 사례 연구를 통해 보여주며, 독자의 이해를 돕기 위해 해당 코드나 의사 코드를 제공합니다.

• 영향력: 계량적 트레이딩 분야의 고전적인 입문서 중 하나로서, 이 책은 출간 이후 널리 호평을 받았으며 **"독립 계량 트레이더를 위한 바이블 중 하나"**로 여겨집니다. 많은 독자들은 계량적 트레이딩에 관한 수많은 책과 기사 중에서 챈 박사의 저작이 실용적인 가치로 단연 돋보인다고 믿습니다. 한 업계 관계자는 다음과 같이 평했습니다: "계량적 트레이딩에 관한 많은 책들은 실제 경험이 없는 저자들이 쓰거나, 자신의 트레이딩 비밀을 밝히기를 꺼립니다. 어니는 다른 철학을 고수합니다: 의미 있는 정보를 공유하고 계량 커뮤니티와 깊이 교류하는 것입니다. 그는 방대하고 복잡한 주제를 초보자와 전문가 모두에게 유익한 명확하고 포괄적인 자료로 성공적으로 요약해냈습니다." 초판 출간 이후, 챈 박사는 10년 이상 계량적 트레이딩 분야에서 활발히 활동하며 알고리즘 트레이딩(2013) 및 머신 트레이딩(2017)과 같은 책을 저술하여 관련 주제를 확장했습니다. 2021년에 출간된 2판에서는 저자가 기술과 사례 연구를 업데이트하고, 파라미터 최적화를 위한 새로운 머신러닝 기법, 파이썬 및 R 코드 예제, 최신 전략 백테스트 결과를 추가하여 내용을 현대 계량적 트레이딩의 발전에 맞춰 최신 상태로 유지했습니다. 2판 서문에서 강조했듯이, 도구와 시장 환경은 변화했지만, 책에서 가르치는 계량적 트레이딩의 기본 원칙은 시간의 시험을 견뎌냈으며, 그 핵심 개념은 10여 년이 지난 지금도 여전히 적용 가능합니다.

요약하자면, 계량적 트레이딩은 독자들에게 처음부터 계량적 트레이딩 전략과 비즈니스를 구축하기 위한 로드맵을 제공하는 실무 중심의 가이드입니다. 이 책은 독립 트레이더들이 월스트리트 전문가들에게 도전할 수 있도록 돕고, 체계적이고 객관적인 트레이딩 접근법을 찾는 투자자들에게 귀중한 지식 프레임워크와 실용적인 도구를 제공합니다.

2. 핵심 아이디어 요약​

이 책은 계량적 트레이딩에 대한 저자의 핵심 관점과 철학을 담고 있습니다. 핵심 아이디어는 다음과 같이 요약됩니다:

• 계량적 트레이딩의 본질: 데이터 기반, 주관적 판단의 초월. 계량적 트레이딩(또는 알고리즘 트레이딩)은 매수 및 매도 결정이 전적으로 컴퓨터 알고리즘에 의해 이루어지는 트레이딩 방법을 의미합니다. 이는 단순히 전통적인 기술적 분석의 업그레이드가 아니라, 정량화할 수 있는 모든 정보(가격, 기본 지표, 뉴스 심리 등)를 알고리즘 입력으로 변환하고, 자동화된 시스템에 의해 실행되어 인간의 감정과 주관적 편향이 트레이딩 결정에 미치는 영향을 제거하는 과정입니다. 간단히 말해, 계량적 트레이딩은 체계적이고 규칙적인 방식으로 초과 수익을 달성하는 것을 목표로 하며, 컴퓨터를 사용하여 테스트된 전략을 엄격하게 따르고 시장 상황이나 개인적인 감정에 관계없이 미리 정의된 규칙을 준수합니다.

• 계량적 트레이딩의 대중화: 개인에게 열린 무대. 챈은 계량적 트레이딩이 더 이상 월스트리트의 대형 기관들의 전유물이 아니라고 강조합니다. 현대적인 컴퓨팅 자원과 공개 데이터를 통해 개인 투자자들도 이 분야에서 자신의 입지를 다질 수 있습니다. 저자는 기본적인 수학 및 통계 개념과 약간의 프로그래밍/엑셀 기술만으로도 간단한 통계적 차익거래 전략을 개발하고 테스트하기에 충분하다고 지적합니다. 이러한 기술과 지식의 보급은 독립 트레이더들에게 특정 틈새 영역에서 기관 트레이더들과 경쟁할 기회를 제공하며, 이로써 경쟁 구도를 재정의합니다. 저자는 독자들이 오픈 소스 도구와 저렴한 데이터 소스를 활용하고, 금융 공학의 높은 장벽에 위축되지 않고 소규모 실험 정신으로 계량적 트레이딩에 접근하도록 격려합니다.

• 엄격한 백테스팅과 함정 피하기. 책 전반에 걸쳐 챈은 백테스팅(과거 데이터에 대한 테스트)이 계량 전략 개발의 핵심이며, 독립 트레이더들이 자신감을 쌓고 잠재적 투자자(있다면)를 설득하는 중요한 기반이라고 반복해서 강조합니다. 그러나 그는 독자들에게 백테스트 결과에 신중을 기하고 일반적인 편향과 함정에 주의하라고 경고합니다. 예를 들어, 그는 선행 편향(look-ahead bias), 데이터 스누핑 편향(data-snooping bias), 생존 편향(survivorship bias)과 같은 문제뿐만 아니라, 불충분한 표본 크기와 과적합(overfitting)의 위험에 대해 자세히 논의하며, 이러한 문제들이 **"환상의 수익"**을 만들어낼 수 있다고 말합니다. 저자는 데이터를 훈련 세트와 테스트 세트로 나누어 **표본 외 검증(out-of-sample testing)**을 사용하고, 전략 파라미터에 대한 민감도 분석을 수행하며, 실제 거래 비용과 슬리피지를 고려하여 전략 수익이 견고하고 단순히 곡선 맞추기(curve-fitting)의 산물이 아님을 보장할 것을 권장합니다.

• 비즈니스 아키텍처와 자동화된 실행의 중요성. 챈은 계량적 트레이딩을 취미가 아닌 진지한 비즈니스로 취급하며, 독자들에게 기술 외에도 트레이딩 비즈니스의 조직 및 실행 아키텍처에 집중하라고 상기시킵니다. 그는 독립적인 개인 트레이더가 되는 것과 전문 트레이딩 회사에 합류하는 것의 차이점을 논하며, 계정 권한, 레버리지 한도, 규제 요건과 같은 측면의 장단점을 비교합니다. 어떤 모델을 선택하든, 저자는 신뢰할 수 있는 트레이딩 인프라와 자동화된 트레이딩 시스템을 구축하는 것이 중요하다고 강조합니다. 한편으로, 반자동 또는 완전 자동화 시스템은 수동 작업의 강도를 크게 줄이고 오류 확률을 낮추어 일관된 전략 실행을 보장할 수 있습니다. 다른 한편으로, 좋은 인프라(고속의 안정적인 인터넷, 저지연 주문 실행 API, 엄격한 모니터링 및 경고 시스템 포함)는 독립 트레이더들이 대형 기관과의 실행 효율성 격차를 좁히는 데 도움이 될 수 있습니다. 저자는 자동화된 트레이딩이 거래 비용을 줄이고(예: 알고리즘 주문 최적화 및 고수수료 기간 회피) 실제 성과와 예상 성과 간의 편차를 제어하는 데에도 도움이 된다고 언급합니다. 실제 결과는 종종 백테스트 수익과 다르며, 이 문제는 모의 트레이딩을 통해 조기에 식별할 수 있습니다.

• 자금 관리 및 리스크 통제: 먼저 생존하고, 그 다음에 번창하라. 리스크 관리는 전략 개발과 동등하거나 그 이상의 중요성을 가집니다. 챈은 리스크를 통제하면서 수익을 향상시키기 위해 최적의 자본 배분 및 레버리지 비율을 결정하는 방법을 심도 있게 다룹니다. 이 책은 특정 승률과 보상 비율이 주어졌을 때 최적의 베팅 크기를 계산하기 위한 켈리 기준(Kelly Criterion)과 같은 방법을 소개하며, 독자의 참고를 위해 수학적 유도 과정을 함께 제공합니다. 저자는 또한 모델 리스크(전략 모델 자체가 실패할 위험), 소프트웨어 리스크(프로그래밍 버그나 시스템 장애로 인한 손실), 극단적 사건 리스크(자연재해나 블랙 스완 사건으로 인한 비정상적 손실)와 같은 다양한 리스크 범주에 대해 상세히 설명합니다. 이러한 리스크는 초보자들이 종종 간과하지만, 챈은 독자들이 비상 계획을 가지고 있어야 한다고 상기시킵니다. 또한, 그는 심리적 준비의 중요성을 강조합니다: 트레이더는 연속적인 손실을 견디고 전략의 통계적 우위가 유지되는 한 전략을 계속 실행할 수 있는 정신적 강인함과 규율이 필요하며, 단기적인 좌절 때문에 계획에서 벗어나서는 안 됩니다. 전반적으로, 그의 자금 및 리스크 관리 철학은 수익 극대화를 추구하면서 파멸적인 손실을 피하는 것을 우선으로 하는 것입니다. 오직 생존해야만 장기적으로 수익을 기대할 수 있습니다.

• 평균 회귀 대 모멘텀 트레이딩: 서로 다른 철학의 트레이드오프. 특별 주제를 논의하면서, 챈은 평균 회귀 전략과 추세 추종(모멘텀) 전략에 대한 비교 분석을 제공합니다. 그는 모든 트레이딩 전략이 가격이 평균 회귀 특성을 보이거나 추세 지속 특성을 보인다는 전제 하에 수익을 낸다고 지적합니다. 그렇지 않고 가격이 랜덤 워크를 따른다면 수익을 낼 수 없습니다. 평균 회귀 전략은 가격이 이탈한 후 결국 장기 균형으로 돌아올 것이라는 아이디어에 기반하므로, 이러한 전략은 종종 역추세 포지션을 취하여 과도한 변동성의 조정으로부터 이익을 얻습니다. 반대로 모멘텀 전략은 일단 추세(상승 또는 하락)가 형성되면 한동안 지속될 것이라고 가정하므로, 추세를 따라가며 그 지속을 통해 이익을 얻습니다. 저자는 특히 이 두 가지 유형의 트레이딩에서 손절매 주문의 다른 역할을 강조합니다. 모멘텀 전략에서는 가격이 포지션에 불리하게 움직이면 추세 반전을 의미할 가능성이 높으므로, 시기적절한 손절매는 더 큰 손실을 막을 수 있습니다. 그러나 평균 회귀 전략에서는 불리한 가격 움직임이 단지 정상적인 이탈일 수 있으며, 섣부른 손절매는 가격이 평균으로 회귀할 때의 후속 수익 기회를 놓치게 할 수 있습니다. 그러나 시장이 현재 추세 상태인지 평균 회귀 상태인지를 식별하는 것은 쉽지 않습니다. 뉴스나 펀더멘털에 의해 주도되는 움직임은 종종 추세적이며, 추세에 맞서 공매도하는 것은 "화물 열차 앞에 서려는" 것과 같습니다. 반대로, 뉴스와 무관한 변동은 평균 회귀적일 가능성이 더 높습니다. 그는 또한 모멘텀을 생성하는 메커니즘(정보 확산 지연으로 인한 실적 발표 후 표류, 투자자 군집 행동 등)을 탐구하고, 경쟁이 심화되면 모멘텀의 지속 기간이 짧아진다고 지적합니다. 정보가 더 빨리 퍼지고 더 많은 트레이더가 참여함에 따라 추세 지속의 창은 종종 더 짧아집니다. 결과적으로, 모멘텀 모델은 더 빠른 속도에 적응하기 위해 지속적인 조정이 필요합니다. 평균 회귀 전략의 경우, 저자는 보유 기간을 선택하기 위해 평균 회귀의 반감기를 추정하는 통계적 방법을 소개하는데, 이는 모멘텀 전략보다 주관적 판단에 덜 의존합니다. 요약하자면, 챈은 트레이더들이 전략의 특성에 따라 다른 리스크 통제 및 파라미터 최적화 방법을 채택하고, 서로 다른 시장 상태 하에서 "평균 회귀"와 "모멘텀" 전략 간의 성과 차이를 완전히 이해하라고 조언합니다. 아래 표는 이 두 가지 전략 유형에 대한 책의 비교 중 일부를 요약한 것입니다:

특징	평균 회귀 전략	모멘텀 전략
핵심 논리	가격은 역사적 평균으로 회귀한다.	가격 추세는 계속될 것이다.
진입 신호	가격이 낮을 때 매수, 높을 때 매도(평균 대비).	가격이 상승할 때 매수, 하락할 때 매도.
포지셔닝	역추세(역발상).	추세 추종.
손절매의 역할	위험함; 회귀 전에 조기 청산될 수 있음.	중요함; 잠재적인 추세 반전을 신호함.
수익 원천	과잉 반응 및 변동성의 조정.	가격 움직임의 지속을 이용.
시장 조건	횡보 또는 비추세 시장에서 최적.	추세 시장에서 최적(뉴스, 펀더멘털에 의해 주도됨).
전형적인 과제	진정하고 안정적인 평균을 식별하는 것.	추세의 시작과 끝을 식별하는 것.

• 독립 트레이더의 틈새 우위: 눈에 띄지 않게, 틈새 전략에 집중하라. 저자는 독립 트레이더가 성공하기 위해서는 대형 기관의 레이더에 포착되지 않거나 그들이 참여하기 어려운 전략 영역을 선택하여 "작고 민첩한" 이점을 활용해야 한다고 믿습니다. 그는 전략을 평가할 때 "이 전략이 기관 펀드의 '레이더' 범위를 벗어나는가?"라고 자문해야 한다고 제안합니다. 즉, 잘 알려지지 않은 전략이나 자산을 발견하려고 노력해야 합니다. 왜냐하면 전략이 너무 명백하고 수용 용량이 크다면 월스트리트의 주요 플레이어들이 이미 참여하고 있을 가능성이 높아 소규모 플레이어들에게는 여지와 알파가 거의 남지 않기 때문입니다. 반대로, 일부 틈새 시장이나 특정 전략(예: 매우 단기적인 통계적 차익거래 또는 매우 새로운 대체 데이터 기반 전략)에서는 개인 트레이더가 거대 기업과의 직접적인 경쟁을 피하고 비교적 안정적인 초과 수익을 얻을 수 있습니다. 챈은 독립 트레이더들이 미묘한 시장 비효율성에 대한 예리한 감각을 기르도록 격려합니다. 전략이 단순해 보이고 수익 마진이 낮더라도, 꾸준히 돈을 벌 수 있고 대형 펀드와 정면으로 경쟁하지 않는다면 고려해 볼 만한 좋은 전략입니다. 이러한 "틈새에서 생존하기" 철학은 책 전반에 스며들어 있으며, 독자에게 설정하는 기대치에 반영되어 있습니다: 시장을 뒤흔들 마법의 공식을 찾으려는 환상보다는, 작지만 효과적인 몇 가지 트레이딩 전략을 구축하고 시간이 지남에 따라 수익을 축적하는 것이 낫다는 것입니다.

이러한 핵심 아이디어들은 저자의 계량적 트레이딩 철학의 기초를 형성합니다: 과학적인 방법론과 도구를 사용하여 트레이딩을 합리적으로 다루고, 복잡한 문제를 단순화하며, 자신의 장점과 시장 비효율성에 집중하고, 장기적이고 안정적인 수익을 위해 규율을 준수하는 것입니다.

3. 장별 상세 요약​

이 책은 주제별로 8개의 장과 여러 부록으로 구성되어 있습니다. 다음은 각 장의 주요 내용과 핵심 개념에 대한 개요입니다:

• 제1장. 계량적 트레이딩의 무엇, 누구, 왜 이 첫 장은 **"계량적 트레이딩이란 무엇이며, 누가 할 수 있고, 왜 해야 하는가?"**라는 세 가지 근본적인 질문에 답합니다. 저자는 먼저 계량적 트레이딩을 계량적 지표를 기반으로 컴퓨터 알고리즘을 사용하여 자동으로 결정을 내리는 트레이딩 방법으로 정의하며, 전통적인 기술적 분석 및 재량적 트레이딩과 구별합니다. 다음으로, 저자는 누가 계량 트레이더가 될 수 있는지에 대한 질문에 답하며, 독립 트레이더가 명문 학위나 월스트리트 경력 없이도 기본적인 수학, 프로그래밍, 통계적 직관만으로도 완벽하게 유능할 수 있다고 강조합니다. 그는 독립적인 계량적 트레이딩의 몇 가지 주요 이점을 나열하며, 이것이 비즈니스 가치를 구성한다고 말합니다: 첫째, 확장성(Scalability)(효과적인 알고리즘 전략은 자본이 증가함에 따라 비례적으로 수익을 증가시킬 수 있음); 둘째, 시간 효율성(Time Efficiency)(알고리즘이 자동으로 실행될 수 있어 수동 모니터링의 필요성을 줄여주므로, 트레이더가 여러 전략을 관리하고 더 많은 자유 시간을 가질 수 있음); 셋째, 결정이 전적으로 데이터 기반이므로 전략의 효과를 검증하기 위해 마케팅이 거의 필요하지 않다는 점(자본 유치를 위해 스토리를 만들어야 하는 수동 트레이딩과 달리) - 성과 자체가 최고의 "마케팅"입니다. 이러한 요소들이 합쳐져 개인이 계량적 트레이딩에 참여하는 비즈니스 동기를 형성합니다. 이 장은 계량적 트레이딩의 발전 경로와 독자의 나아갈 길을 개략적으로 설명하며, 초보자들이 소액 자본과 간단한 전략으로 시작하여 점차 경험과 자본을 축적하도록(피라미드식 성장) 격려하고, 후속 장들을 위한 무대를 마련합니다.

• 제2장. 아이디어 낚시 이 장은 계량적 트레이딩 전략에 대한 아이디어를 포착하고 평가하는 방법에 초점을 맞춥니다. 저자는 먼저 "좋은 전략 아이디어를 어디서 찾을 수 있는가"에 답하며, 영감은 학술 논문, 금융 블로그, 트레이딩 포럼, 비즈니스 뉴스, 심지어 일상 경험 등 다양한 출처에서 올 수 있다고 지적합니다. 하지만 더 중요한 것은, 전략이 자신에게 적합한지 평가하는 방법을 논의하는 것입니다. 챈은 독자들이 자신의 개인적인 상황에 맞는 전략을 필터링하는 데 도움이 되는 일련의 자가 평가 차원을 제공합니다:

  • 가용 근무 시간: 일부 전략은 고빈도 모니터링과 포지션 조정이 필요하여 전업 트레이더에게 적합합니다. 파트타임으로만 트레이딩할 수 있는 사람들은 저빈도 또는 장 마감 시 실행 전략을 선택해야 합니다.
  • 프로그래밍 능력: 독자의 프로그래밍 기술이 강하지 않다면, 엑셀이나 차트 기반 트레이딩의 간단한 전략으로 시작할 수 있습니다. 반대로, 프로그래밍에 능숙한 사람들은 MATLAB, 파이썬 등을 사용하여 복잡한 모델을 직접 구현할 수 있습니다.
  • 트레이딩 자본 규모: 자본의 양은 전략 선택에 영향을 미칩니다. 소액 자본은 소형주 단기 매매나 고빈도 차익거래와 같은 저용량 전략에 적합합니다. 대규모 자본은 시장 자체에 영향을 미치지 않도록 전략의 확장성과 시장 용량을 고려해야 합니다. (챈은 다양한 자본 수준에서의 선택을 비교하는 표를 제공합니다. 예를 들어, 소액 자본 트레이더는 레버리지를 위해 프랍 트레이딩 회사에 합류하는 경향이 있을 수 있고, 고액 자본 트레이더는 독립 계좌를 고려할 수 있습니다.)
  • 수익 목표: 다른 전략들은 다른 리스크-수익 프로필을 가지며, 개인의 재무 목표와 일치해야 합니다. 어떤 이들은 안정적이고 적당한 수익을 추구하는 반면, 다른 이들은 높은 수익을 목표로 하고 높은 변동성을 감수할 의향이 있습니다. 전략은 이에 맞춰 선택되어야 합니다. 이러한 자가 평가 후, 이 장의 후반부에서는 **"초기 전략 타당성 검토"**를 위한 핵심 사항을 제공합니다. 즉, 본격적인 백테스트에 착수하기 전에 중요한 질문들을 확인하는 것입니다:
  • 벤치마크 비교 및 수익 견고성: 전략의 과거 성과가 단순한 벤치마크(예: 지수)를 크게 능가하며, 수익의 원천이 합리적인가? 자산 곡선이 완만한가, 아니면 몇 번의 큰 거래에 크게 의존하는가?
  • 최대 낙폭 및 기간: 전략의 과거 최대 낙폭과 그 기간은 얼마인가? 낙폭이 너무 깊고 길어서 투자자가 견딜 수 없을 정도인가? 이는 전략의 리스크 수준을 직관적으로 보여주는 지표입니다.
  • 거래 비용의 영향: 실제 수수료와 슬리피지를 고려하면 전략의 이익이 사라지는가? 특히 고빈도 전략은 비용에 매우 민감합니다.
  • 데이터의 생존 편향: 사용된 과거 데이터에 생존 편향(상장 폐지된 증권을 무시하고 생존한 증권만 포함)이 있는가? 불완전한 데이터는 지나치게 낙관적인 백테스트 결과를 초래합니다. 챈은 무료 데이터(예: 야후 파이낸스)는 종종 이러한 편향을 가지고 있으며, 편향 없는 데이터는 비싸고 구하기 어렵다고 경고합니다.
  • 장기적 유효성: 수십 년 동안 전략의 성과가 변했는가? 즉, 특정 과거 기간에만 효과적이었는가, 아니면 변화하는 시장 상황 속에서도 우위를 유지했는가? 전략이 최근에 실패했다면, 이미 차익거래 기회가 사라졌을 수 있으므로 주의해야 합니다.
  • 데이터 스누핑 편향 (데이터 준설의 함정): 이 전략이 과적합의 산물일 수 있는가? 챈은 **"우연한 좋은 성과"**에 대해 의심하라고 강조합니다. 과거 데이터에 맞추기 위해 사후에 파라미터를 선택했다면, 그 수익은 가짜 노이즈일 수 있습니다. 이는 엄격한 표본 외 검증으로 확인해야 합니다.
  • 기관의 관심: 앞서 언급한 "기관의 레이더 아래로 비행하기" 문제입니다. 만약 어떤 전략이 이미 많은 대형 헤지펀드에서 사용되고 있다면, 개인이 경쟁하기는 어려울 것입니다. 틈새 전략이 성공할 가능성이 더 높습니다. 이러한 일련의 질문을 통해, 저자는 독자들이 본격적인 개발에 귀중한 시간과 노력을 투자하기 전에 전략 아이디어에 대한 초기 타당성 평가를 수행하도록 돕습니다.

• 제3장. 백테스팅 이 장은 기술적인 내용이 많은 장 중 하나로, 사용할 도구, 데이터 처리, 일반적인 실수 피하기 등 과거 데이터 백테스팅을 올바르게 수행하는 방법을 체계적으로 설명합니다.

  • 도구: 챈은 몇 가지 일반적인 백테스팅 플랫폼과 도구를 소개합니다: 초보자를 위한 스프레드시트(엑셀), 강력한 과학 계산을 위한 MATLAB(부록에서 간단한 소개 제공), 파이썬/R(2판에서 주류가 되어 추가됨), 그리고 TradeStation과 같은 통합 플랫폼.
  • 데이터: 그는 과거 데이터 획득 및 처리에 대해 논하며, 수정 주가(주식 분할 및 배당금에 대한)의 중요성과 생존 편향이라는 중요한 문제를 강조합니다. 그는 **"생존 편향이 없는 데이터베이스는 보통 저렴하지 않다"**고 지적합니다.
  • 성과 지표: 샤프 지수와 같은 표준 지표 외에도, 챈은 최대 낙폭과 그 회복 기간에 집중할 것을 강조합니다. 이는 전략의 실제 감내 가능성과 직접적으로 관련이 있기 때문입니다.
  • 백테스팅의 함정: 이 부분은 다음과 같은 중요한 내용을 다룹니다:
    • 선행 편향: 백테스트에서 미래 정보를 사용하는 것.
    • 데이터 스누핑 편향: 테스트된 많은 전략 중 가장 좋은 결과만 보고하는 것. 챈은 이를 방지하기 위해 엄격한 표본 외 검증을 권장합니다.
    • 불충분한 표본 크기: 거래 횟수가 적으면 결과가 통계적으로 신뢰할 수 없게 됩니다.
    • 과적합: 과거에 "기만적으로 최적화된" 너무 많은 파라미터를 가진 전략을 만드는 것. 그는 견고성을 확인하기 위해 교차 검증 또는 롤링 샘플 백테스트를 제안합니다.
    • 거래 비용 무시: 수수료와 슬리피지를 무시하는 것. 챈은 보수적으로 비용을 추정하고 심지어 과대평가할 것을 조언합니다. 이 장은 백테스팅의 목적이 단지 "최적의" 과거 파라미터를 찾는 것이 아니라, 전략의 논리를 검증하고 그 리스크를 이해하는 데 있다고 결론짓습니다.

• 제4장. 비즈니스 설립 이 장은 기술적인 측면에서 실용적인 측면으로 전환하여, 계량적 트레이딩을 비즈니스로 시작하고 구조화하는 방법을 논의합니다.

  • 비즈니스 구조: 챈은 두 가지 경로의 장단점을 비교합니다: 독립적인 개인 트레이더로 거래하는 것(완전한 자율성이 있지만 제한된 레버리지와 높은 비용)과 자기자본 트레이딩 회사에 합류/설립하는 것(높은 레버리지, 낮은 비용이지만 이익 공유와 적은 자율성).
  • 브로커 선택: 그는 증권사 선택의 주요 기준을 나열합니다: 수수료율, 사용 가능한 레버리지(예: 포트폴리오 마진), 시장 접근성, API 품질, 평판. 인터랙티브 브로커스(Interactive Brokers)가 퀀트에게 적합한 선택으로 언급됩니다.
  • 인프라: 그는 독립 트레이더를 위한 물리적 설정을 다룹니다: 하드웨어(강력한 컴퓨터), 네트워크 연결(고속 인터넷), 데이터 피드, 백업/재해 복구 계획(UPS, 백업 인터넷). 그는 또한 지연 시간에 민감한 전략을 위한 코로케이션(co-location) 개념을 소개하지만, 대부분의 독립 트레이더에게는 불필요하다고 언급합니다. 핵심 메시지는 계량적 트레이딩을 진지한 창업 벤처로 취급하고, 비즈니스 아키텍처와 인프라를 신중하게 계획하라는 것입니다.

• 제5장. 실행 시스템 이 장은 거래 실행 과정과 자동화 시스템 구축에 대해 심도 있게 다룹니다.

  • 자동화 수준: 챈은 초보자들이 브로커의 API에 연결하여 신호 생성부터 주문까지 모든 것을 처리하는 완전 자동화 시스템으로 넘어가기 전에 반자동 시스템(예: 프로그램이 신호를 생성하고 트레이더가 수동으로 실행)으로 시작할 것을 권장합니다.
  • 시스템 설계: 그는 네트워크 중단이나 주문 거부와 같은 예외 상황을 처리할 수 있는 견고하고 결함 허용 시스템을 구축하는 것을 강조합니다.
  • 거래 비용 최소화: 자동화 시스템은 알고리즘 주문 분할이나 시장가와 지정가 주문 사이의 선택을 통해 지능적으로 비용을 절감할 수 있습니다.
  • 모의 트레이딩: 저자는 실제 돈을 걸기 전에 실시간 시장 시뮬레이션(모의 트레이딩)에서 시스템을 테스트할 것을 강력히 권장합니다. 이는 버그와 운영상의 문제를 식별하는 데 도움이 됩니다.
  • 성과 슬리피지: 챈은 슬리피지, 지연 시간, 시장 영향과 같은 요인으로 인해 실제 성과가 종종 백테스트 결과에 미치지 못한다는 점을 인정합니다. 그는 트레이더들이 이러한 불일치를 모니터링하고 실행 모델을 지속적으로 개선할 것을 조언합니다. 핵심은 효율적이고 신뢰할 수 있는 실행이 좋은 전략을 실제 수익으로 전환하는 "마지막 마일" 문제라는 것입니다.

• 제6장. 자금 및 리스크 관리 이 장은 생존과 장기적인 수익성을 위해 중요한 자본 관리와 리스크 통제에 초점을 맞춥니다.

  • 최적의 자본 배분: 챈은 장기적인 자산 성장을 극대화하기 위한 최적의 포지션 크기를 결정하는 이론적 가이드로 켈리 기준을 소개합니다. 그러나 그는 전체 켈리 지분을 사용하는 것이 너무 변동성이 클 수 있다고 경고하며, 실제로는 "하프 켈리" 또는 "부분 켈리" 접근법을 사용할 것을 제안합니다.
  • 리스크 유형: 이 장은 리스크에 대한 포괄적인 관점을 다룹니다:
    • 포트폴리오 수준 리스크: 전략에 대한 리스크 예산을 설정하고 그들 간의 상관관계를 모니터링합니다.
    • 레버리지 리스크: 레버리지를 신중하게 사용하고 증거금 요건을 모니터링합니다.
    • 모델 리스크: 전략의 기본 가정이 틀리거나 유효하지 않게 될 위험.
    • 기술 및 운영 리스크: 소프트웨어 버그, 하드웨어 장애 또는 정전으로 인한 리스크. 그는 비상 계획을 가질 것을 권장합니다.
    • 심리적 리스크: 트레이더가 감정적으로 체계적인 전략에 개입할 위험. 지도 철학은 "리스크 우선"입니다. 성공은 이익을 포착하는 것뿐만 아니라 하방 위험을 통제하고 수익을 낼 만큼 충분히 오래 생존하는 데 달려 있습니다.

• 제7장. 계량적 트레이딩의 특별 주제 이 장은 고급 주제와 특정 전략 유형 모음을 다룹니다.

  • 평균 회귀 대 모멘텀: 두 가지 지배적인 전략 철학에 대한 상세한 비교로, 시장 "체제"(추세 또는 횡보)를 식별하는 것의 중요성을 강조합니다.
  • 체제 전환 및 조건부 파라미터: 변화하는 시장 상황에 적응하는 모델 구축에 대해 논의합니다. 예제 7.1은 머신러닝을 사용하여 시장 전환점을 감지하고 그에 따라 전략 파라미터를 조정하는 것을 보여줍니다.
  • 정상성 및 공적분: 페어 트레이딩을 위한 공적분의 통계적 개념을 설명합니다. GLD 대 GDX 페어 트레이드(예제 3.6/7.2)는 공적분 테스트부터 전략 백테스팅까지 전체 과정을 보여주는 고전적인 사례 연구입니다. KO 대 PEP(예제 7.3)를 사용한 반례는 높은 상관관계가 공적분을 보장하지 않음을 보여줍니다.
  • 팩터 모델: 수익을 설명하고 리스크를 관리하기 위한 다중 팩터 모델(파마-프렌치 등)을 소개합니다. 그는 주성분 분석(PCA)을 사용하여 기본 팩터를 추출하는 방법을 보여줍니다(예제 7.4).
  • 청산 전략: 잘 정의된 청산 계획의 중요성을 논하며, 이익 목표, 손절매, 시간 기반 청산, 트레일링 스톱과 같은 방법을 다룹니다.
  • 계절적 트레이딩 전략: 달력 효과를 탐구하며, 소형주의 **"1월 효과"**를 구체적이고 백테스트된 예(예제 7.6)로 사용합니다.
  • 고빈도 매매(HFT): HFT 개념과 전략(시장 조성, 지연 시간 차익거래)을 간략하게 소개하며, 진정한 HFT는 대부분의 개인에게는 도달할 수 없지만 그 원칙은 유익할 수 있음을 인정합니다.
  • 고 레버리지 대 고 베타: 저위험 포트폴리오에 레버리지를 사용하는 것이 나은지, 아니면 레버리지 없이 고위험(고 베타) 포트폴리오에 투자하는 것이 나은지에 대한 논의로, 적당한 레버리지를 사용한 고 샤프, 저 변동성 전략이 일반적으로 우수하다고 결론짓습니다.

• 제8장. 결론 마지막 장은 책의 핵심 메시지를 요약하고 독자의 다음 단계를 위한 지침을 제공합니다. 챈은 독립 트레이더가 규율 있고 과학적인 길을 따르면 성공할 수 있다고 거듭 강조합니다. 그는 독자들에게 다음을 권장합니다:

  • 지속적인 학습과 연습: 더 많이 읽고, 블로그를 팔로우하고, 소액 자본으로 실험하십시오.
  • 네트워킹 및 협업: 팀을 구성할 파트너나 멘토를 찾으십시오.
  • 경력 경로 고려: 업계에서 일자리를 찾기 위해 자체 개발한 전략을 포트폴리오로 사용하십시오.
  • 최신 정보 유지: 머신러닝 사용과 같은 새로운 기술과 시장 변화에 뒤처지지 마십시오. 이 장은 현실적이면서도 격려적인 어조로 끝나며, 인내와 끈기가 장기적인 성공의 열쇠임을 강조합니다.

• 부록:

  • 부록 A: 소프트웨어에 익숙하지 않은 독자를 위한 MATLAB에 대한 간략한 튜토리얼.
  • 부록 B (암시적): 정규 분포 수익에 대한 켈리 기준의 수학적 유도.

4. 구체적인 방법론​

이 책은 계량적 트레이딩 비즈니스를 개발하고 시작하기 위한 체계적인 방법론을 제시합니다. 이 과정은 다음과 같은 논리적 단계로 요약될 수 있습니다:

1. 전략 아이디어 구상 및 선택: 여러 채널(연구, 관찰)에서 아이디어를 얻는 것으로 시작하여, 논리, 개인적 적합성(시간, 기술, 자본), 기관 경쟁을 기반으로 초기 타당성 검토를 수행합니다.
2. 데이터 수집 및 준비: 필요한 과거 데이터를 확보하고, 품질(가능하면 편향 없음)을 우선시합니다. 데이터를 정리하고, (주식 분할/배당에 대해) 수정하며, 전략에 맞게 형식을 지정합니다.
3. 백테스트 모델링 및 검증: 선행 편향을 피하고 현실적인 비용을 포함하는 엄격한 백테스팅 엔진을 구축합니다. 표본 내 최적화와 표본 외 테스트를 사용하여 전략의 성과를 검증하여 견고성을 보장하고 과적합을 피합니다.
4. 전략 최적화 및 확정: 백테스트 결과를 기반으로 전략을 개선하되, 과도한 곡선 맞추기는 피합니다. 목표는 단순하고 견고한 모델입니다. 최종 모델을 확정하고 상관관계가 없는 전략 포트폴리오 구축을 고려합니다.
5. 비즈니스 구조 및 계좌 준비: 법적 및 운영 구조(개인 대 프랍 회사)를 결정합니다. 필요한 증권 계좌를 설정하고, 자금을 확보하며, 모든 API 연결이 작동하는지 확인합니다.
6. 실행 시스템 개발: 신호를 실시간 주문으로 변환하기 위해 자동 또는 반자동 트레이딩 시스템을 구축하거나 구성합니다. 먼저 시뮬레이션 환경에서 이 시스템을 철저히 테스트합니다.
7. 실시간 트레이딩 및 모니터링: 실제 자본으로 전략을 배포합니다. 기대치 및 과거 백테스트와 비교하여 성과를 지속적으로 모니터링합니다. 엄격한 규율을 유지하고 리스크 관리 규칙을 준수합니다.
8. 전략 반복 및 신규 개발: 실시간 피드백을 사용하여 기존 전략에 정보에 입각한 조정을 합니다. 동시에, 비즈니스를 성장시키기 위해 새롭고 상관관계가 없는 전략을 구축하기 위한 연구 개발 주기를 계속합니다.

이 방법론에는 두 가지 원칙이 깔려 있습니다:

• 정량적 분석과 정성적 분석의 결합: 데이터 기반이지만, 챈은 아이디어를 검토하고 리스크를 관리하기 위해 상식과 경제적 직관을 사용할 것을 조언합니다.
• 단순성 우선: 아인슈타인의 격언 "가능한 한 간단하게 만들되, 더 간단하게는 만들지 말라"를 따라, 그는 복잡한 "블랙박스"보다 단순하고 이해하기 쉬우며 유지보수가 가능한 전략을 옹호합니다.

5. 실제 적용 사례​

이 책은 개념을 설명하기 위한 실용적인 예제로 가득 차 있습니다. 주요 사례는 다음과 같습니다:

사례 연구	장	설명된 핵심 개념	세부 내용
GLD 대 GDX 페어 트레이드	3, 5, 7	공적분, 평균 회귀, 백테스팅	공적분 테스트, 훈련 세트에서 파라미터 최적화, 테스트 세트에서 검증, 평균 회귀 반감기 계산에 대한 상세한 설명.
KO 대 PEP 공적분 테스트	7	공적분 대 상관관계	동일 산업 내 두 개의 높은 상관관계를 가진 주식이 반드시 공적분 관계에 있지는 않다는 것을 보여주며, 통계적 증거 없이 가정하는 것에 대해 경고함.
실적 발표 후 표류(PEAD)	7	모멘텀 전략	기본 정보의 느린 확산에 의해 주도되는 모멘텀 전략의 고전적인 예로 PEAD 현상에 대한 연구를 인용함.
1월 효과	7	계절적 전략	1월에 소형주를 매수하는 전략의 백테스트(MATLAB 코드 포함)를 제공하며, 시장 이례 현상이 어떻게 규칙 기반 전략으로 전환될 수 있는지 보여줌.
체제를 위한 머신러닝	7	체제 전환, 고급 방법	시장 행동의 변화(예: 추세에서 횡보로)를 예측하여 전략 파라미터를 동적으로 조정하기 위해 ML 모델을 사용하는 아이디어를 소개함.
켈리 기준 적용	6	자금 관리, 포지션 사이징	리스크를 관리하면서 장기적인 성장을 극대화하기 위한 최적의 베팅 크기를 결정하는 명확하고 공식 기반의 방법을 제공하며, 부분적인 접근법을 사용하라는 실용적인 조언을 덧붙임.
도구 및 데이터 사용	다양함	실용 기술	MATLAB으로 야후 파이낸스에서 과거 데이터를 스크래핑하는 것과 같은 작업에 대한 코드 조각을 포함하여, 분석을 위해 데이터를 획득하고 처리하는 방법을 보여줌.

이러한 구체적인 예제들은 템플릿 역할을 하여, 독자들이 이론에서 실천으로 나아가고 책의 방법들을 자신의 아이디어에 적용할 수 있도록 합니다.

6. 저자 배경 정보​

저자인 어니스트 P. 챈 박사를 이해하는 것은 이 책의 가치를 제대로 평가하는 데 중요합니다.

• 교육 및 월스트리트 경력: 챈 박사는 코넬 대학교에서 이론 물리학 박사 학위를 받았습니다. 그의 강력한 정량적 배경은 그를 월스트리트로 이끌었고, IBM 리서치, 모건 스탠리, 크레디트 스위스, 헤지펀드 밀레니엄 파트너스와 같은 기관에서 계량 분석가 및 개발자로 일했습니다. 이 경험은 그에게 통계적 차익거래, 고빈도 매매, 데이터 마이닝 분야에서 실무 전문 지식을 제공했습니다.

• 기업가 정신 및 컨설팅: 월스트리트를 떠난 후, 챈은 자신의 계량 투자 관리 회사인 QTS 캐피털 매니지먼트(QTS Capital Management, LLC)를 설립하여 개인 고객을 위해 체계적인 전략을 거래했습니다. 그는 나중에 금융 머신러닝 소프트웨어 및 컨설팅 회사인 PredictNow.ai를 설립했습니다. 그의 기업가 및 컨설팅 활동은 그를 실용적인 계량 금융의 최전선에 서게 했습니다.

• 작가 및 교육자: 챈 박사는 실용적이고 접근하기 쉬운 글쓰기 스타일로 유명한 다작 작가입니다. 그의 다른 인기 있는 책으로는 알고리즘 트레이딩: 승리 전략과 그 근거(2013)와 머신 트레이딩: 시장을 정복하기 위한 컴퓨터 알고리즘 배포(2017), 그리고 가장 최근에는 트레이딩 및 자산 관리를 위한 생성형 AI(2023)가 있습니다. 코드, 데이터, 힘들게 얻은 교훈을 공유하려는 그의 의지는 퀀트 커뮤니티에서 그에게 뛰어난 평판을 안겨주었습니다.

• 커뮤니티 영향력: 2006년부터 챈 박사는 인기 있는 블로그(epchan.blogspot.com)를 운영하며 통찰력과 전략 아이디어를 공유하고 있습니다. 그는 또한 QuantInsti 및 싱가포르 난양 공과대학교와 같은 기관에서 강의하는 등 활발한 교육자이기도 합니다.

요약하자면, 챈 박사는 기관 계량 금융과 독립 트레이딩 커뮤니티 사이의 격차를 성공적으로 메운 존경받는 실무자-학자입니다. 그의 작업은 이 분야를 대중화하고 개인에게 힘을 실어주는 데 중요한 역할을 했습니다. 한 독자인 코리 호프스타인이 말했듯이, "어니의 책은 계량적 트레이딩에서 0에서 1로의 여정을 꿈꾸는 사람들을 위한 이상적인 가이드이다." 이 책의 권위는 내용뿐만 아니라 이론과 실제 모두에서 저자의 깊고 신뢰할 수 있는 경험에서 비롯됩니다.

---

참고 자료:

• Chan, Ernest P. Quantitative Trading: How to Build Your Own Algorithmic Trading Business. Wiley, 1st Ed. 2009 & 2nd Ed. 2021. (목차 및 발췌문).
• Chan, Ernest P. – 2판 서문 및 표지 문구 (2021); 책에 대한 찬사.
• SoBrief Book Summary – Quantitative Trading Key Takeaways.
• QuantInsti Faculty Bio – Dr. Ernest P. Chan (학력, 경력, 저서).
• Akademika Book Detail – 제품 정보 및 저자 소개.
• Investarr PDF Excerpts – 예제 3.6 (GLD-GDX 페어 트레이드); 예제 7.1 (체제 전환 ML); 예제 7.3 (KO-PEP 공적분 테스트); 예제 7.6 (1월 효과 코드); 모멘텀 대 평균 회귀 논의; 데이터 및 야후 파이낸스 참고 자료.

소개​

DePIN (Decentralized Physical Infrastructure Networks, 탈중앙화 물리적 인프라 네트워크)은 사람들이 실제 하드웨어를 배포하는 대가로 암호화폐 토큰을 인센티브로 제공하는 블록체인 기반 프로젝트입니다. DePIN 프로젝트는 무선 라디오부터 하드 드라이브, GPU에 이르기까지 유휴 상태이거나 충분히 활용되지 않는 리소스를 활용하여 실질적인 서비스(연결성, 스토리지, 컴퓨팅 등)를 제공하는 크라우드소싱 네트워크를 구축합니다. 이 모델은 기여자들에게 토큰으로 보상함으로써 일반적으로 유휴 상태인 인프라(예: 미사용 대역폭, 디스크 공간, GPU 성능)를 활동적이고 수익을 창출하는 네트워크로 전환합니다. 주요 초기 사례로는 헬륨(Helium)(크라우드소싱 무선 네트워크)과 파일코인(Filecoin)(분산 데이터 스토리지)이 있으며, 최근에는 GPU 컴퓨팅 및 5G 커버리지 공유를 목표로 하는 새로운 프로젝트들(예: Render Network, Akash, io.net)이 등장하고 있습니다.

DePIN의 잠재력은 토큰 인센티브를 통해 물리적 네트워크를 구축하고 운영하는 비용을 분산시켜, 전통적인 중앙화 모델보다 더 빠르게 네트워크를 확장할 수 있다는 점에 있습니다. 그러나 실제로는 이러한 프로젝트들이 토큰 인센티브가 실제 서비스 사용과 지속 가능한 가치로 이어지도록 경제 모델을 신중하게 설계해야 합니다. 아래에서는 주요 DePIN 네트워크의 경제 모델을 분석하고, 토큰 보상이 실제 인프라 사용을 얼마나 효과적으로 이끌었는지 평가하며, 이 프로젝트들이 급증하는 AI 관련 컴퓨팅 수요와 어떻게 결합하고 있는지 평가합니다.

주요 DePIN 프로젝트의 경제 모델​

헬륨 (탈중앙화 무선 IoT 및 5G)​

**헬륨(Helium)**은 개인이 라디오 핫스팟을 배포하도록 인센티브를 제공하여 탈중앙화 무선 네트워크를 개척했습니다. 처음에는 IoT (LoRaWAN)에 중점을 두었고 나중에는 5G 소형 셀 커버리지로 확장했으며, 헬륨의 모델은 네이티브 토큰인 HNT를 중심으로 합니다. 핫스팟 운영자는 **PoC (Proof-of-Coverage, 커버리지 증명)**에 참여하여 HNT를 획득합니다. 이는 본질적으로 특정 위치에서 무선 커버리지를 제공하고 있음을 증명하는 것입니다. 헬륨의 이중 토큰 시스템에서 HNT는 **데이터 크레딧 (DC)**을 통해 유틸리티를 가집니다. 사용자는 HNT를 소각하여 양도 불가능한 DC를 발행해야 하며, 이 DC는 실제 네트워크 사용(기기 연결)에 대해 24바이트당 $0.0001의 고정 요금으로 지불하는 데 사용됩니다. 이 소각 메커니즘은 네트워크 사용(DC 지출)이 증가하면 더 많은 HNT가 소각되어 시간이 지남에 따라 공급이 감소하는 소각 및 발행 균형을 만듭니다.

원래 헬륨은 자체 블록체인에서 운영되었으며, HNT의 인플레이션 발행량은 2년마다 반감되어 점차 공급이 감소하고 최종적으로 약 2억 2,300만 HNT의 최대 유통량에 도달하도록 설계되었습니다. 2023년에 헬륨은 솔라나(Solana)로 마이그레이션하고 하위 DAO가 있는 "네트워크의 네트워크" 프레임워크를 도입했습니다. 이제 헬륨의 IoT 네트워크와 5G 모바일 네트워크는 각각 핫스팟 운영자에게 보상으로 지급되는 자체 토큰(IOT 및 MOBILE)을 가지며, HNT는 거버넌스 및 가치의 중심 토큰으로 남아 있습니다. HNT는 트레저리 풀을 통해 하위 DAO 토큰으로 교환할 수 있으며(그 반대도 가능), HNT는 헬륨의 veHNT 거버넌스 모델에서 스테이킹에도 사용됩니다. 이 구조는 각 하위 네트워크의 인센티브를 일치시키는 것을 목표로 합니다. 예를 들어, 5G 핫스팟 운영자는 MOBILE 토큰을 획득하고 이를 HNT로 변환할 수 있어, 보상을 해당 특정 서비스의 성공과 효과적으로 연결합니다.

경제적 가치 창출: 헬륨의 가치는 저비용 무선 액세스를 제공함으로써 창출됩니다. 토큰 보상을 분배함으로써 헬륨은 네트워크 배포의 **자본 지출(capex)**을 핫스팟을 구매하고 운영하는 개인에게 전가했습니다. 이론적으로, 기업과 IoT 기기가 네트워크를 사용함에 따라(HNT 소각이 필요한 DC를 지출함으로써) 그 수요는 HNT의 가치를 지지하고 지속적인 보상 자금을 마련해야 합니다. 헬륨은 소각 및 지출 주기를 통해 경제를 유지합니다. 네트워크 사용자는 HNT를 구매(또는 HNT 보상을 사용)하고 이를 DC로 소각하여 네트워크를 사용하며, 프로토콜은 (고정된 일정에 따라) HNT를 발행하여 핫스팟 제공자에게 지불합니다. 헬륨의 설계에서 HNT 발행량의 일부는 창립자와 커뮤니티 예비금에도 할당되었지만, 대부분은 항상 커버리지 구축을 위한 인센티브로 핫스팟 운영자에게 돌아갔습니다. 나중에 논의하겠지만, 헬륨의 과제는 관대한 공급 측 인센티브와 균형을 맞출 만큼 충분한 유료 수요를 확보하는 것이었습니다.

파일코인 (탈중앙화 스토리지 네트워크)​

**파일코인(Filecoin)**은 누구나 디스크 공간을 제공하고 데이터를 저장하는 대가로 토큰을 얻을 수 있는 탈중앙화 스토리지 마켓플레이스입니다. 경제 모델은 FIL 토큰을 기반으로 구축되었습니다. 파일코인의 블록체인은 스토리지 제공자(채굴자)가 스토리지를 제공하고 고객의 데이터를 올바르게 저장하는 것에 대해 FIL 블록 보상으로 보상합니다. 이때 암호학적 증명(복제 증명(Proof-of-Replication) 및 시공간 증명(Proof-of-Spacetime))을 사용하여 데이터가 안정적으로 저장되었는지 확인합니다. 고객은 개방된 시장에서 가격을 협상하여 데이터를 저장하거나 검색하기 위해 채굴자에게 FIL을 지불합니다. 이는 인센티브 루프를 만듭니다. 채굴자는 하드웨어에 투자하고 FIL 담보를 스테이킹하여(서비스 품질 보장) 스토리지 용량을 추가하고 스토리지 계약을 이행함으로써 FIL 보상을 얻고, 고객은 스토리지 서비스를 위해 FIL을 지출합니다.

파일코인의 토큰 분배는 스토리지 공급을 장려하는 데 큰 비중을 둡니다. FIL의 최대 공급량은 20억 개이며, 70%는 채굴 보상용으로 예약되어 있습니다. (실제로 약 14억 개의 FIL이 수년에 걸쳐 스토리지 채굴자에게 블록 보상으로 점진적으로 배포되도록 할당되었습니다.) 나머지 30%는 이해관계자에게 할당되었습니다. 15%는 프로토콜 랩스(창립 팀), 10%는 투자자, 5%는 파일코인 재단에 할당되었습니다. 블록 보상 배출은 다소 초기에 집중된 일정(6년 반감기)을 따르므로, 대규모 스토리지 네트워크를 신속하게 부트스트랩하기 위해 초기 몇 년간 공급 인플레이션이 가장 높았습니다. 이를 균형 잡기 위해 파일코인은 채굴자가 저장하기로 약속한 데이터 기가바이트당 FIL을 담보로 잠그도록 요구합니다. 만약 데이터가 유지되고 있음을 증명하지 못하면 담보의 일부를 잃는 페널티(슬래싱)를 받을 수 있습니다. 이 메커니즘은 채굴자의 인센티브를 신뢰할 수 있는 서비스와 일치시킵니다.

경제적 가치 창출: 파일코인은 중앙화된 클라우드 제공업체보다 잠재적으로 저렴한 비용으로 검열 저항성 있고 중복된 데이터 스토리지를 제공함으로써 가치를 창출합니다. FIL 토큰의 가치는 스토리지 수요와 네트워크의 유틸리티에 연관되어 있습니다. 고객은 데이터를 저장하기 위해 FIL을 획득해야 하며, 채굴자는 (담보 및 종종 비용 충당 또는 수익으로) FIL이 필요합니다. 초기에 파일코인의 활동 대부분은 채굴자들이 토큰을 얻기 위해 경쟁하는 것에 의해 주도되었습니다. 심지어 스토리지 파워를 높이고 블록 보상을 얻기 위해 가치가 없거나 중복된 데이터를 저장하기도 했습니다. 유용한 스토리지를 장려하기 위해 파일코인은 파일코인 플러스(Filecoin Plus) 프로그램을 도입했습니다. 검증된 유용한 데이터(예: 공개 데이터셋, 아카이브)를 가진 고객은 계약을 "검증된" 것으로 등록할 수 있으며, 이는 채굴자에게 해당 계약에 대해 10배의 유효 파워를 부여하여 비례적으로 더 큰 FIL 보상으로 이어집니다. 이는 채굴자들이 실제 고객을 찾도록 장려했으며 네트워크에 저장된 유용한 데이터를 극적으로 증가시켰습니다. 2023년 말까지 파일코인 네트워크는 약 1,800 PiB의 활성 계약으로 성장하여 전년 대비 3.8배 증가했으며, 스토리지 활용률은 총 용량의 약 20%로 상승했습니다(2023년 초에는 약 3%에 불과했음). 즉, 토큰 인센티브는 막대한 용량을 부트스트랩했고, 이제 그 용량의 점점 더 많은 부분이 유료 고객으로 채워지고 있습니다. 이는 모델이 실제 수요로 자생하기 시작했다는 신호입니다. 파일코인은 또한 인접 서비스(아래 AI 컴퓨팅 동향 참조)로 확장하고 있으며, 이는 단순한 스토리지 수수료를 넘어 FIL 경제를 강화할 새로운 수익원(예: 탈중앙화 콘텐츠 전송 및 데이터 기반 컴퓨팅(compute-over-data) 서비스)을 창출할 수 있습니다.

렌더 네트워크 (탈중앙화 GPU 렌더링 및 컴퓨팅)​

**렌더 네트워크(Render Network)**는 GPU 기반 컴퓨팅을 위한 탈중앙화 마켓플레이스로, 원래 3D 그래픽 렌더링에 중점을 두었으며 현재는 AI 모델 훈련/추론 작업도 지원합니다. 네이티브 토큰인 RNDR(최근 솔라나에서 RENDER 티커로 업데이트됨)이 경제를 구동합니다. 크리에이터(GPU 작업이 필요한 사용자)는 렌더링 또는 컴퓨팅 작업에 대해 RNDR로 지불하고, 노드 운영자(GPU 제공자)는 해당 작업을 완료하여 RNDR을 얻습니다. 이 기본 모델은 유휴 GPU(개인 GPU 소유자 또는 데이터 센터의)를 분산 클라우드 렌더링 팜으로 전환합니다. 품질과 공정성을 보장하기 위해 렌더는 에스크로 스마트 계약을 사용합니다. 고객은 작업을 제출하고 해당 RNDR 지불액을 소각하며, 이는 노드 운영자가 작업 완료 증명을 제출할 때까지 보관된 후 보상으로 RNDR이 지급됩니다. 원래 RNDR은 순수한 유틸리티/지불 토큰으로 기능했지만, 최근 네트워크는 공급과 수요의 균형을 더 잘 맞추기 위해 토크노믹스를 소각 및 발행 균형(BME) 모델로 개편했습니다.

BME 모델 하에서 모든 렌더링 또는 컴퓨팅 작업은 안정적인 조건(USD)으로 가격이 책정되고 RENDER 토큰으로 지불되며, 작업 완료 시 **소각됩니다. 동시에 프로토콜은 미리 정의된 감소하는 배출 일정에 따라 새로운 RENDER 토큰을 발행하여 노드 운영자 및 기타 참여자에게 보상합니다. 사실상, 사용자의 작업 지불은 토큰을 _파괴_하고 네트워크는 채굴 보상으로 통제된 비율로 토큰을 _인플레이션_합니다. 순 공급량은 사용량에 따라 시간이 지남에 따라 증가하거나 감소할 수 있습니다. 커뮤니티는 BME 첫 해(2023년 중반부터 2024년 중반까지)에 네트워크 인센티브로 약 910만 개의 RENDER 초기 배출을 승인했으며, 장기 최대 공급량을 약 6억 4,400만 RENDER로 설정했습니다(초기 발행된 5억 3,690만 RNDR에서 증가). 특히, RENDER의 토큰 분배는 생태계 성장을 크게 선호했습니다. 초기 공급량의 65%는 트레저리(미래 네트워크 인센티브용)에, 25%는 투자자에게, 10%는 팀/고문에게 할당되었습니다. BME를 통해 해당 트레저리는 통제된 배출을 통해 GPU 제공자 및 기타 기여자에게 보상하는 데 사용되며, 소각 메커니즘은 이러한 보상을 플랫폼 사용량과 직접적으로 연결합니다. RNDR은 또한 거버넌스 토큰으로도 기능합니다(토큰 보유자는 렌더 네트워크 제안에 투표할 수 있음). 또한, 렌더의 노드 운영자는 RNDR을 스테이킹하여 신뢰성을 알리고 잠재적으로 더 많은 작업을 받을 수 있어 또 다른 인센티브 계층을 추가합니다.

경제적 가치 창출: 렌더 네트워크는 전통적인 클라우드 GPU 인스턴스 비용의 일부로 온디맨드 GPU 컴퓨팅을 제공함으로써 가치를 창출합니다. 2023년 말, 렌더의 창립자는 스튜디오들이 이미 네트워크를 사용하여 상당한 비용 및 속도 이점으로 영화 품질의 그래픽을 렌더링했다고 언급했습니다. 즉, _"비용은 10분의 1"_이며 단일 클라우드 제공업체를 능가하는 막대한 집계 용량을 갖추고 있습니다. 이러한 비용 이점은 렌더가 전 세계적으로 휴면 상태인 GPU(취미용 장비부터 전문 렌더링 팜까지)를 활용하기 때문에 가능합니다. GPU 시간(그래픽 및 AI 모두)에 대한 수요가 증가함에 따라 렌더의 마켓플레이스는 중요한 요구를 충족시킵니다. 결정적으로, BME 토큰 모델은 토큰 가치가 서비스 사용량과 직접적으로 연결됨을 의미합니다. 더 많은 렌더링 및 AI 작업이 네트워크를 통해 흐를수록 더 많은 RENDER가 소각되어(매수 압력 생성 또는 공급 감소) 노드 인센티브는 해당 작업이 완료될 때만 확장됩니다. 이는 "아무것도 하지 않고 돈을 받는" 것을 피하는 데 도움이 됩니다. 네트워크 사용이 정체되면 토큰 배출이 결국 소각을 초과하여(공급 인플레이션) 공급이 증가하지만, 사용이 증가하면 소각이 배출을 상쇄하거나 심지어 초과하여 운영자에게 보상하면서도 토큰을 디플레이션으로 만들 수 있습니다. 렌더 모델에 대한 강한 관심은 시장에 반영되었습니다. RNDR의 가격은 2023년에 급등하여 AI 붐 속에서 탈중앙화 GPU 서비스에 대한 수요 급증을 투자자들이 예상함에 따라 가치가 1,000% 이상 상승했습니다. OTOY(클라우드 렌더링 소프트웨어의 선두주자)의 지원을 받고 일부 주요 스튜디오에서 프로덕션에 사용되는 렌더 네트워크는 Web3와 고성능 컴퓨팅의 교차점에서 핵심 플레이어로 자리매김하고 있습니다.

아카시 네트워크 (탈중앙화 클라우드 컴퓨팅)​

**아카시(Akash)**는 사용자가 여유 서버 용량을 가진 제공자로부터 일반 컴퓨팅(VM, 컨테이너 등)을 임대할 수 있는 탈중앙화 클라우드 컴퓨팅 마켓플레이스입니다. 블록체인 기반 역경매 시스템으로 구동되는 AWS나 구글 클라우드의 탈중앙화 대안으로 생각할 수 있습니다. 네이티브 토큰 AKT는 아카시 경제의 중심입니다. 고객은 컴퓨팅 임대에 대해 AKT로 지불하고, 제공자는 리소스를 공급하여 AKT를 얻습니다. 아카시는 코스모스(Cosmos) SDK를 기반으로 구축되었으며 보안 및 조정을 위해 위임 지분 증명(delegated Proof-of-Stake) 블록체인을 사용합니다. 따라서 AKT는 스테이킹 및 거버넌스 토큰으로도 기능합니다. 검증자는 AKT를 스테이킹하고(사용자는 검증자에게 AKT를 위임) 네트워크를 보호하고 스테이킹 보상을 받습니다.

아카시의 마켓플레이스는 입찰 시스템을 통해 운영됩니다. 고객은 배포(CPU, RAM, 스토리지, GPU 요구 사항)와 최대 가격을 정의하고, 여러 제공자가 이를 호스팅하기 위해 입찰하여 가격을 낮출 수 있습니다. 고객이 입찰을 수락하면 임대가 형성되고 워크로드는 선택된 제공자의 인프라에서 실행됩니다. 임대료 지불은 블록체인에서 처리됩니다. 고객은 AKT를 에스크로하고 배포가 활성 상태인 동안 시간이 지남에 따라 제공자에게 스트리밍됩니다. 독특하게도 아카시 네트워크는 생태계 자금을 조달하고 AKT 스테이커에게 보상하기 위해 각 임대에 대해 프로토콜 **"수수료율(take rate)"**을 부과합니다. AKT로 지불하면 임대 금액의 10%(또는 다른 통화로 지불하면 20%)가 네트워크 트레저리와 스테이커에게 수수료로 전환됩니다. 이는 AKT 스테이커가 모든 사용량의 일부를 얻어 토큰의 가치를 플랫폼의 실제 수요와 일치시킨다는 것을 의미합니다. 주류 사용자의 사용성을 개선하기 위해 아카시는 스테이블코인 및 신용카드 결제(콘솔 앱을 통해)를 통합했습니다. 고객은 USD 스테이블코인으로 지불할 수 있으며, 이는 내부적으로 AKT로 변환됩니다(더 높은 수수료율 적용). 이는 사용자의 변동성 위험을 줄이면서도 AKT 토큰에 가치를 부여합니다(해당 스테이블코인 결제는 궁극적으로 AKT가 구매/소각되거나 스테이커에게 분배되기 때문).

공급 측면에서 AKT의 토크노믹스는 장기적인 참여를 장려하도록 설계되었습니다. 아카시는 제네시스에서 1억 개의 AKT로 시작했으며 인플레이션을 통해 최대 공급량 3억 8,900만 개를 가집니다. 인플레이션율은 스테이킹된 AKT의 비율에 따라 적응형입니다. 스테이킹 비율이 낮으면 연간 20-25%의 인플레이션을 목표로 하고, 높은 비율의 AKT가 스테이킹되면 약 15%를 목표로 합니다. 이러한 적응형 인플레이션(코스모스 기반 체인에서 일반적인 설계)은 스테이킹 참여가 낮을 때 더 많은 보상을 제공함으로써 보유자들이 스테이킹(네트워크 보안에 기여)하도록 장려합니다. 인플레이션으로 인한 블록 보상은 검증자와 위임자에게 지불되며, 생태계 성장을 위한 예비 자금도 조달합니다. AKT의 초기 분배는 투자자, 핵심 팀(Overclock Labs), 생태계 인센티브를 위한 재단 풀(예: 2024년 초 GPU 제공자 참여를 지원하는 프로그램)에 할당되었습니다.

경제적 가치 창출: 아카시는 전 세계적으로 충분히 활용되지 않는 서버를 활용하여 기존 클라우드 제공업체보다 잠재적으로 훨씬 저렴한 비용으로 클라우드 컴퓨팅을 제공함으로써 가치를 창출합니다. 클라우드를 탈중앙화함으로써 지역적 격차를 해소하고 소수의 대형 기술 기업에 대한 의존도를 줄이는 것을 목표로 합니다. AKT 토큰은 여러 각도에서 가치를 축적합니다. 수요 측 수수료(더 많은 워크로드 = 스테이커에게 더 많은 AKT 수수료 흐름), 공급 측 요구(제공자는 수익을 보유하거나 스테이킹할 수 있으며, 서비스를 제공하기 위해 일부 AKT를 담보로 스테이킹해야 함), 그리고 일반적인 네트워크 성장(AKT는 거버넌스 및 생태계의 예비 통화로 필요함)입니다. 중요한 것은, 아카시에서 더 많은 실제 워크로드가 실행됨에 따라 스테이킹 및 수수료 예치에 사용되는 유통 중인 AKT의 비율이 증가하여 실제 유틸리티를 반영해야 한다는 것입니다. 초기에 아카시는 웹 서비스 및 암호화폐 인프라 호스팅에 대한 사용량이 미미했지만, 2023년 말에 GPU 워크로드 지원을 확장하여 네트워크에서 AI 훈련, 머신 러닝 및 고성능 컴퓨팅 작업을 실행할 수 있게 되었습니다. 이는 2024년에 아카시의 사용량을 크게 증가시켰습니다. 2024년 3분기까지 네트워크의 지표는 폭발적인 성장을 보였습니다. 활성 배포("임대") 수는 전년 대비 1,729% 증가했으며, 임대당 평균 수수료(워크로드 복잡성의 대리 지표)는 688% 상승했습니다. 실제로 이는 사용자들이 아카시에 훨씬 더 많은 애플리케이션을 배포하고 있으며, 더 크고 긴 워크로드(대부분 GPU 관련)를 실행할 의향이 있음을 의미합니다. 이는 토큰 인센티브가 실제 유료 수요를 유치했다는 증거입니다. 아카시 팀은 2024년 말까지 네트워크에 700개 이상의 GPU가 온라인 상태이며 약 78%의 활용률을 보였다고 보고했습니다(즉, 언제든지 GPU 용량의 약 78%가 임대됨). 이는 효율적인 토큰 인센티브 전환의 강력한 신호입니다(다음 섹션 참조). 내장된 수수료 공유 모델은 또한 이러한 사용량이 증가함에 따라 AKT 스테이커가 프로토콜 수익을 받아 토큰 보상을 실제 서비스 수익과 효과적으로 연결하여 더 건강한 장기 경제 설계를 만듭니다.

io.net (AI를 위한 탈중앙화 GPU 클라우드)​

io.net은 솔라나(Solana)에 구축된 새로운 프로젝트로, 특히 AI 및 머신 러닝 워크로드를 위해 "세계 최대 GPU 네트워크"가 되는 것을 목표로 합니다. 경제 모델은 렌더 및 아카시와 같은 이전 프로젝트에서 교훈을 얻었습니다. 네이티브 토큰 IO는 최대 공급량이 8억 개로 고정되어 있습니다. 출시 시 5억 개의 IO가 사전 발행되어 다양한 이해관계자에게 할당되었으며, 나머지 3억 개의 IO는 20년 동안 채굴 보상으로 배출됩니다(GPU 제공자 및 스테이커에게 시간당 분배). 특히, io.net은 수익 기반 소각 메커니즘을 구현합니다. 네트워크 수수료/수익의 일부는 IO 토큰을 소각하는 데 사용되어 토큰 공급을 플랫폼 사용량과 직접적으로 연결합니다. 이러한 조합, 즉 시간 경과에 따라 배출되는 제한된 공급량과 사용량에 따른 소각은 토큰 경제의 장기적인 지속 가능성을 보장하기 위한 것입니다.

GPU 노드로 네트워크에 참여하려면 제공자는 최소한의 IO를 담보로 스테이킹해야 합니다. 이는 두 가지 목적을 가집니다. 악의적이거나 품질이 낮은 노드를 억제하고("이해관계가 있음"), 보상 토큰의 즉각적인 매도 압력을 줄입니다(노드가 참여하려면 일부 토큰을 잠가야 함). 스테이커(제공자 및 기타 참여자 포함)도 네트워크 보상의 일부를 얻어 생태계 전반의 인센티브를 일치시킵니다. 수요 측면에서 고객(AI 개발자 등)은 io.net에서 GPU 컴퓨팅에 대해 IO 토큰 또는 스테이블코인으로 지불합니다. 이 프로젝트는 AWS와 같은 전통적인 제공업체보다 최대 90% 저렴한 비용으로 클라우드 GPU 성능을 제공한다고 주장합니다. 이러한 사용 수수료는 소각 메커니즘을 구동합니다. 수익이 유입되면 토큰의 일부가 소각되어 플랫폼 성공을 토큰 희소성과 연결합니다.

경제적 가치 창출: io.net의 가치 제안은 다양한 소스(데이터 센터, 채굴 장비를 재활용하는 암호화폐 채굴자 등)에서 GPU 성능을 집계하여 대규모로 온디맨드 AI 컴퓨팅을 제공할 수 있는 단일 네트워크를 만드는 것입니다. 전 세계적으로 100만 개 이상의 GPU를 온보딩하는 것을 목표로 하는 io.net은 단일 클라우드를 능가하고 급증하는 AI 모델 훈련 및 추론 수요를 충족시키고자 합니다. IO 토큰은 여러 메커니즘을 통해 가치를 포착합니다. 공급이 제한되어 있어(네트워크 서비스에 대한 수요가 증가하면 토큰 가치가 성장할 수 있음), 사용이 토큰을 소각하여(서비스 수익에서 토큰으로 직접적인 가치 피드백 생성), 토큰 보상이 공급을 부트스트랩합니다(GPU를 기여하는 사람들에게 점진적으로 토큰을 분배하여 네트워크 성장 보장). 본질적으로 io.net의 경제 모델은 공급 측 인센티브(시간당 IO 배출)가 상당하지만 유한하며, 실제 사용량에 따라 확장되는 토큰 싱크(소각)에 의해 균형을 이루는 정제된 DePIN 접근 방식입니다. 이는 수요 없는 과도한 인플레이션의 함정을 피하기 위해 설계되었습니다. 앞으로 보게 될 AI 컴퓨팅 트렌드는 io.net과 같은 네트워크가 활용할 수 있는 크고 성장하는 시장을 제공하며, 이는 토큰 인센티브가 강력한 서비스 사용으로 이어지는 바람직한 균형을 이끌어낼 수 있습니다. (io.net은 아직 신생 프로젝트이므로 실제 지표는 아직 입증되지 않았지만, 그 설계는 분명히 AI 컴퓨팅 부문의 요구를 목표로 합니다.)

표 1: 주요 DePIN 프로젝트의 핵심 경제 모델 특징

프로젝트	부문	토큰 (티커)	공급 및 분배	인센티브 메커니즘	토큰 유틸리티 및 가치 흐름
헬륨(Helium)	탈중앙화 무선 (IoT 및 5G)	헬륨 네트워크 토큰 (HNT); 하위 토큰 IOT 및 MOBILE	가변 공급, 발행량 감소: HNT 발행량은 약 2년마다 반감(원래 블록체인 기준), 50년 후 약 2억 2,300만 HNT 유통 목표. 솔라나로 마이그레이션하며 2개의 새로운 하위 토큰 도입: IOT와 MOBILE은 IoT 및 5G 핫스팟 소유자에게 보상.	커버리지 증명 채굴: 핫스팟은 커버리지(LoRaWAN 또는 5G)를 제공하여 IOT 또는 MOBILE 토큰을 획득. 이 하위 토큰들은 트레저리 풀을 통해 HNT로 변환 가능. HNT는 거버넌스(veHNT)를 위해 스테이킹되며 모든 네트워크의 보상 기반.	데이터 크레딧을 통한 네트워크 사용: HNT는 기기 연결을 위한 데이터 크레딧(DC)을 생성하기 위해 소각됨 (24바이트당 $0.0001 고정 가격). 모든 네트워크 수수료(DC 구매)는 사실상 HNT를 소각하여 공급을 줄임. 따라서 토큰 가치는 IoT/모바일 데이터 전송 수요와 연결됨. HNT의 가치는 또한 하위 DAO 토큰을 뒷받침함(희소 자산으로의 전환 가능성 부여).
파일코인(Filecoin)	탈중앙화 스토리지	파일코인 (FIL)	최대 공급량 20억 개: 70%는 스토리지 채굴 보상에 할당(수십 년에 걸쳐 배포); 약 30%는 프로토콜 랩스, 투자자, 재단에 할당. 블록 보상은 6년 반감기를 따름(초기 인플레이션 높고 이후 감소).	스토리지 채굴: 스토리지 제공자는 기여한 스토리지 증명에 비례하여 FIL 블록 보상을 획득. 고객은 데이터 저장 또는 검색에 FIL을 지불. 채굴자는 실패 시 삭감될 수 있는 FIL 담보를 제공. _파일코인 플러스_는 "유용한" 고객 데이터에 대해 10배의 파워 보상을 제공하여 실제 스토리지 장려.	지불 및 담보: FIL은 스토리지 계약의 통화임 – 고객은 데이터를 저장하기 위해 FIL을 지출하여 토큰에 대한 유기적 수요를 창출. 채굴자는 FIL을 담보로 잠그고(일시적으로 유통 공급량 감소) 유용한 서비스에 대해 FIL을 획득. 사용량이 증가함에 따라 더 많은 FIL이 계약 및 담보에 묶임. 네트워크 수수료(트랜잭션용)는 미미함(파일코인은 채굴자에게 가는 스토리지 수수료에 집중). 장기적으로 FIL 가치는 데이터 스토리지 수요와 새로운 사용 사례(예: 데이터에 대한 스마트 계약을 가능하게 하는 파일코인 가상 머신(FVM), 잠재적으로 새로운 수수료 싱크 생성)에 따라 달라짐.
렌더 네트워크(Render Network)	탈중앙화 GPU 컴퓨팅 (렌더링 및 AI)	렌더 토큰 (RNDR / RENDER)	초기 공급량 약 5억 3,690만 RNDR, 새로운 배출을 통해 최대 약 6억 4,400만으로 증가. 소각 및 발행 균형: 새로운 RENDER는 고정된 일정에 따라 배출(약 5년에 걸쳐 20% 인플레이션 풀, 이후 꼬리 배출). 배출은 네트워크 인센티브(노드 보상 등) 자금으로 사용. 소각: 사용자의 RENDER 결제는 완료된 각 작업에 대해 소각됨. 분배: 65% 트레저리(네트워크 운영 및 보상), 25% 투자자, 10% 팀/고문.	GPU 작업을 위한 마켓플레이스: 노드 운영자는 렌더링/컴퓨팅 작업을 수행하고 RENDER를 획득. 작업은 USD로 가격이 책정되지만 RENDER로 지불됨; 필요한 토큰은 작업 완료 시 소각됨. 각 에포크(예: 주간)마다 새로운 RENDER가 발행되어 완료한 작업에 따라 노드 운영자에게 분배됨. 노드 운영자는 더 높은 신뢰도와 잠재적인 작업 우선순위를 위해 RNDR을 스테이킹할 수도 있음.	유틸리티 및 가치 흐름: RENDER는 GPU 서비스의 수수료 토큰임 – 콘텐츠 제작자와 AI 개발자는 작업을 완료하기 위해 이를 획득하고 지출해야 함. 해당 토큰이 소각되기 때문에 사용량은 직접적으로 공급을 줄임. 새로운 토큰 발행은 작업자에게 보상하지만 감소하는 일정에 따름. 네트워크 수요가 높으면(소각 > 발행), RENDER는 디플레이션이 됨; 수요가 낮으면 인플레이션이 소각을 초과할 수 있음(수요가 따라잡을 때까지 더 많은 공급을 장려). RENDER는 또한 네트워크를 거버넌스함. 따라서 토큰 가치는 플랫폼 사용량과 밀접하게 연결됨 – 실제로, RNDR은 2023년에 AI 기반 GPU 컴퓨팅 수요가 급증하면서 약 10배 상승하여 사용량(및 소각)이 높을 것이라는 시장의 신뢰를 나타냄.
아카시 네트워크(Akash Network)	탈중앙화 클라우드 (일반 컴퓨팅 및 GPU)	아카시 토큰 (AKT)	초기 공급량 1억 개; 최대 공급량 3억 8,900만 개. 인플레이션 PoS 토큰: 연간 약 15-25%의 적응형 인플레이션(스테이킹 비율이 높아지면 감소)으로 스테이킹 장려. 지속적인 배출은 검증자와 위임자에게 지불. 분배: 34.5% 투자자, 27% 팀, 19.7% 재단, 8% 생태계, 5% 테스트넷(락업/베스팅 포함).	역경매 마켓플레이스: 제공자는 배포 호스팅에 입찰; 고객은 임대에 대해 AKT로 지불. 수수료 풀: AKT 결제의 10%(또는 다른 토큰 결제의 20%)가 프로토콜 수수료로 네트워크(스테이커)에 전달됨. 아카시는 지분 증명(Proof-of-Stake) 체인을 사용 – 검증자는 네트워크를 보호하고 블록 보상을 얻기 위해 AKT를 스테이킹. 고객은 AKT 또는 통합된 스테이블코인(변환 포함)을 통해 지불 가능.	유틸리티 및 가치 흐름: AKT는 모든 트랜잭션에 사용됨(직접 또는 스테이블코인 결제 변환을 통해). 고객은 컴퓨팅 임대료를 지불하기 위해 AKT를 구매하여 네트워크 사용량이 증가함에 따라 수요를 창출. 제공자는 AKT를 획득하고 판매하거나 스테이킹할 수 있음. 스테이킹 보상 + 수수료 수익: AKT를 보유하고 스테이킹하면 인플레이션 보상 및 모든 수수료의 일부를 얻으므로 활발한 네트워크 사용이 스테이커에게 직접적인 혜택을 줌. 이 모델은 토큰 가치를 클라우드 수요와 일치시킴: 아카시에서 더 많은 CPU/GPU 워크로드가 실행될수록 더 많은 AKT 수수료가 보유자에게 흘러가고(더 많은 AKT가 담보로 잠기거나 제공자에 의해 스테이킹될 수 있음). 거버넌스도 AKT 보유를 통해 이루어짐. 전반적으로 토큰의 건전성은 활용률이 높을수록 개선되며 장기적인 참여를 장려하기 위한 인플레이션 통제 장치가 있음.
io.net	탈중앙화 GPU 클라우드 (AI 중심)	IO 토큰 (IO)	최대 공급량 8억 IO로 고정: 5억 개 사전 발행(팀, 투자자, 커뮤니티 등에 할당), 3억 개는 약 20년에 걸쳐 채굴 보상으로 배출(시간당 분배). 최대 공급량 이후 추가 인플레이션 없음. 내장된 소각: 네트워크 수익은 토큰 소각을 유발하여 공급을 줄임. 스테이킹: 제공자는 참여하기 위해 최소한의 IO를 스테이킹해야 함(보상을 위해 더 많이 스테이킹 가능).	GPU 공유 네트워크: 하드웨어 제공자(데이터 센터, 채굴자)는 GPU를 연결하고 용량 기여에 대해 지속적으로(시간당) IO 보상을 획득. 또한 고객 사용료로부터 수수료를 획득. 스테이킹 요구 사항: 운영자는 선량한 행동을 보장하기 위해 IO를 담보로 스테이킹. 사용자는 AI 컴퓨팅 작업에 대해 IO(또는 IO로 변환된 스테이블코인)로 지불할 가능성이 높으며, 모든 수수료의 일부는 프로토콜에 의해 소각됨.	유틸리티 및 가치 흐름: IO는 네트워크에서 GPU 컴퓨팅 파워의 교환 매체이자 운영자가 스테이킹하는 보안 토큰임. 토큰 가치는 세 가지 요소에 의해 구동됨: (1) AI 컴퓨팅 수요 – 고객은 작업을 지불하기 위해 IO를 획득해야 하며, 사용량이 많을수록 더 많은 토큰이 소각됨(공급 감소). (2) 채굴 인센티브 – GPU 제공자에게 분배되는 새로운 IO는 네트워크 성장을 동기 부여하지만, 고정된 최대 공급량은 장기적인 인플레이션을 제한함. (3) 스테이킹 – IO는 제공자(및 잠재적으로 사용자 또는 위임자)에 의해 잠겨 보상을 얻고, 유동 공급을 줄이며 참여자를 네트워크 성공과 일치시킴. 요약하면, io.net의 토큰 모델은 대규모 AI 워크로드를 성공적으로 유치하면 토큰 공급이 (소각 및 스테이킹을 통해) 점점 더 희소해져 보유자에게 이익이 되도록 설계됨. 고정된 공급량은 또한 규율을 부과하여 끝없는 인플레이션을 방지하고 지속 가능한 "수익 대비 보상" 균형을 목표로 함.

출처: 각 프로젝트의 공식 문서 및 연구 자료 (위의 인용 참조).

토큰 인센티브 대 실제 서비스 사용​

DePIN 프로젝트의 중요한 질문은 토큰 인센티브가 실제 서비스 제공 및 네트워크의 실제 사용으로 얼마나 효과적으로 전환되는가입니다. 초기 단계에서 많은 DePIN 프로토콜은 수요가 미미하더라도 관대한 토큰 보상을 통해 공급(하드웨어 배포)을 부트스트랩하는 데 중점을 두었습니다. 이는 "만들어 놓으면 (바라건대) 그들이 올 것이다"라는 전략이었습니다. 이로 인해 네트워크의 시가 총액과 토큰 배출량이 고객으로부터의 수익을 훨씬 초과하는 상황이 발생했습니다. 2024년 말 현재, **전체 DePIN 부문(약 350개 프로젝트)**의 총 시가 총액은 약 500억 달러였지만, 연간 수익은 약 5억 달러에 불과했습니다. 이는 연간 수익의 약 100배에 달하는 총 가치 평가입니다. 이러한 격차는 초기 단계의 _비효율성_을 강조합니다. 그러나 최근 동향은 네트워크가 순전히 공급 주도 성장 모델에서 수요 주도 채택으로 전환함에 따라 개선되고 있음을 보여주며, 특히 AI 컴퓨팅 수요의 급증이 이를 촉진하고 있습니다.

아래에서는 각 예시 프로젝트의 토큰 인센티브 효율성을 평가하고, 토큰 지출 대비 사용량 지표를 살펴봅니다.

• 헬륨(Helium): 헬륨의 IoT 네트워크는 2021-2022년에 폭발적으로 성장하여 LoRaWAN 커버리지를 위해 전 세계적으로 거의 100만 개의 핫스팟이 배포되었습니다. 이 성장은 거의 전적으로 HNT 채굴 인센티브와 암호화폐 열풍에 의해 주도되었으며, 낮은 수준에 머물렀던 IoT 데이터에 대한 고객 수요에 의한 것이 아니었습니다. 2022년 중반까지 헬륨의 데이터 트래픽(실제로 네트워크를 사용하는 장치)이 막대한 공급 측 투자에 비해 미미하다는 것이 분명해졌습니다. 2022년 한 분석에 따르면, 네트워크가 핫스팟 보상으로 수천만 달러 상당의 HNT를 발행하고 있었음에도 불구하고 월간 데이터 사용으로 소각된 토큰은 1,000달러 미만이었습니다. 이는 극심한 불균형이었습니다(본질적으로 토큰 배출량의 1% 미만이 네트워크 사용으로 상쇄됨). 2022년 말과 2023년에 HNT 토큰 보상은 예정된 반감기를 거쳤지만(발행량 감소), 사용량은 여전히 뒤처져 있었습니다. 2023년 11월의 한 예로, 헬륨 데이터 크레딧 소각액은 그날 하루에 약 156달러에 불과했지만, 네트워크는 여전히 핫스팟 소유자에게 토큰 보상으로 하루에 약 55,000달러를 지급하고 있었습니다(USD 가치 기준). 즉, 그날의 토큰 인센티브 "비용"이 실제 네트워크 사용량을 350:1의 비율로 초과했습니다. 이는 헬륨의 초기 IoT 단계에서 인센티브 대 사용 전환율이 낮았음을 보여줍니다. 헬륨의 창립자들은 이 "닭이 먼저냐, 달걀이 먼저냐"의 딜레마를 인식했습니다. 네트워크는 사용자를 유치하기 전에 커버리지가 필요하지만, 사용자가 없으면 커버리지를 수익화하기 어렵습니다.

  개선의 조짐이 있습니다. 2023년 말, 헬륨은 소비자 대상 셀룰러 서비스(T-Mobile 로밍 지원)를 갖춘 5G 모바일 네트워크를 활성화하고 5G 핫스팟 운영자에게 MOBILE 토큰으로 보상하기 시작했습니다. **헬륨 모바일(5G)**의 출시는 빠르게 유료 사용자(예: 헬륨의 월 20달러 무제한 모바일 요금제 가입자)와 새로운 유형의 네트워크 사용을 가져왔습니다. 몇 주 만에 헬륨의 네트워크 사용량이 급증했습니다. 2024년 초까지 일일 데이터 크레딧 소각액은 약 4,300달러에 도달했습니다(몇 달 전 거의 없었던 것에서 증가). 더욱이, 2024년 1분기 현재 **소비된 모든 데이터 크레딧의 92%가 모바일 네트워크(5G)**에서 발생했으며, 이는 5G 서비스가 즉시 IoT 사용량을 압도했음을 의미합니다. 하루 4,300달러는 절대적인 기준으로 여전히 미미하지만(연간 약 160만 달러), 실제 수익을 향한 의미 있는 단계입니다. 헬륨의 토큰 모델은 적응하고 있습니다. IoT와 모바일 네트워크를 별도의 보상 토큰으로 분리함으로써 5G 사용이 실현되지 않으면 5G 보상(MOBILE 토큰)이 축소되고, IOT 토큰도 마찬가지로 비효율성을 효과적으로 억제합니다. 헬륨 모바일의 성장은 또한 토큰 인센티브를 즉각적인 소비자 관심사(저렴한 셀룰러 데이터)와 결합하는 힘을 보여주었습니다. 출시 6개월 만에 헬륨은 미국에 약 93,000개의 MOBILE 핫스팟을 배포했으며(전 세계 약 100만 개의 IoT 핫스팟과 함께), 커버리지 확대를 위해 (예: Telefónica와) 파트너십을 체결했습니다. 앞으로의 과제는 데이터 크레딧을 위한 HNT 소각이 HNT 발행 규모에 근접하도록 사용자 기반(IoT 기기 고객 및 5G 가입자 모두)을 크게 늘리는 것입니다. 요약하면, 헬륨은 극심한 공급 과잉(그리고 그에 상응하는 과대평가된 토큰)으로 시작했지만, 수요(5G 및 다른 네트워크를 위한 "인프라 계층"으로의 포지셔닝)로의 전환은 점차 토큰 인센티브의 효율성을 개선하고 있습니다.

• 파일코인(Filecoin): 파일코인의 경우 불균형은 스토리지 용량 대 실제 저장된 데이터 사이에 있었습니다. 토큰 인센티브는 공급의 _과잉_을 초래했습니다. 정점에 달했을 때 파일코인 네트워크는 채굴자들이 약속한 원시 스토리지 용량이 15 엑사바이트(EiB)를 훨씬 넘었지만, 오랫동안 그 중 단 몇 퍼센트만이 실제 데이터로 활용되었습니다. 많은 공간이 더미 데이터로 채워졌습니다(고객은 증명 요구 사항을 충족시키기 위해 무작위 쓰레기 데이터를 저장할 수도 있었음). 이는 채굴자들이 FIL 보상을 얻기 위해서였습니다. 이는 많은 FIL이 사용자가 실제로 요구하지 않는 스토리지를 위해 발행되고 수여되었음을 의미합니다. 그러나 2022-2023년에 걸쳐 네트워크는 수요를 창출하는 데 큰 진전을 이루었습니다. 파일코인 플러스와 같은 이니셔티브와 공개 데이터셋의 적극적인 온보딩을 통해 활용률은 2023년에 약 3%에서 20% 이상으로 상승했습니다. 2024년 4분기까지 파일코인의 스토리지 활용률은 약 30%로 더욱 상승하여, 막대한 용량의 거의 3분의 1이 실제 고객 데이터를 보유하고 있음을 의미합니다. 이는 여전히 100%와는 거리가 멀지만, 추세는 긍정적입니다. 토큰 보상은 점점 더 빈 공간 채우기가 아닌 유용한 스토리지에 사용되고 있습니다. 또 다른 척도로, 2024년 1분기 현재 약 1,900 PiB (1.9 EiB)의 데이터가 파일코인의 활성 계약에 저장되어 있으며, 이는 전년 대비 200% 증가한 수치입니다. 특히, 새로운 계약의 대부분은 이제 파일코인 플러스(검증된 고객)를 통해 이루어지며, 이는 채굴자들이 보너스 보상 배율을 얻을 수 있는 데이터에 공간을 할애하는 것을 강력히 선호함을 나타냅니다.

  경제적 효율성 측면에서 파일코인의 프로토콜도 변화를 겪었습니다. 초기에 프로토콜 "수익"(사용자가 지불한 수수료)은 채굴 보상에 비해 미미했습니다(일부 분석에서는 이를 수익으로 처리하여 초기 수치를 부풀렸음). 예를 들어, 2021년에 파일코인의 블록 보상은 (높은 FIL 가격으로) 수억 달러의 가치가 있었지만, 실제 스토리지 수수료는 미미했습니다. 2022년에 FIL 가격이 하락하면서 보고된 수익은 5억 9,600만 달러에서 1,300만 달러로 98% 감소했으며, 이는 2021년 "수익"의 대부분이 고객 지출이 아닌 토큰 발행 가치였음을 반영합니다. 앞으로 균형이 개선되고 있습니다. 유료 스토리지 고객 파이프라인이 성장하고 있습니다(예: 2023년 말에 1 PiB의 기업 계약이 체결되었으며, 이는 최초의 대규모 완전 유료 계약 중 하나임). 파일코인의 FVM(스마트 계약 활성화) 도입과 곧 출시될 스토리지 마켓플레이스 및 DEX는 더 많은 온체인 수수료 활동(그리고 잠재적으로 FIL 소각 또는 락업)을 가져올 것으로 예상됩니다. 요약하면, 파일코인의 토큰 인센티브는 초기에는 효율성이 5% 미만이었지만, 거대한 글로벌 스토리지 네트워크를 성공적으로 구축했습니다. 2024년까지 그 효율성은 약 20-30%로 개선되었으며, 실제 수요가 보조금 지원 공급을 따라잡으면서 더욱 상승할 것으로 보입니다. 탈중앙화 스토리지(Web3 데이터, 아카이브, NFT 메타데이터, AI 데이터셋 등)에 대한 부문 전체의 수요가 증가하고 있는 것으로 보이며, 이는 더 많은 채굴 보상을 실제 유용한 서비스로 전환하는 데 긍정적인 신호입니다.

• 렌더 네트워크(Render Network): 렌더의 토큰 모델은 소각 및 발행 균형 덕분에 본질적으로 인센티브를 사용량과 더 긴밀하게 연결합니다. 레거시 모델(2023년 이전)에서는 RNDR 발행이 주로 재단의 손에 있었고 네트워크 성장 목표에 기반했으며, 사용은 작업을 위해 RNDR을 에스크로에 잠그는 것을 포함했습니다. 이로 인해 효율성을 분석하기가 다소 어려웠습니다. 그러나 2023년에 BME가 완전히 구현되면서 발행된 토큰 대비 소각된 토큰의 수를 측정할 수 있게 되었습니다. 각 렌더링 또는 컴퓨팅 작업은 비용에 비례하여 RNDR을 소각하므로, 본질적으로 보상으로 배출되는 모든 토큰은 완료된 작업에 해당합니다(특정 에포크에서 배출 > 소각인 경우 순 인플레이션 제외). 업그레이드 후 렌더 네트워크의 초기 데이터에 따르면 사용량이 실제로 증가하고 있었습니다. 렌더 재단은 "피크 순간"에 네트워크가 이더리움이 트랜잭션에서 처리할 수 있는 것보다 초당 더 많은 렌더 프레임을 완료할 수 있다고 언급했으며, 이는 상당한 활동을 강조합니다. 상세한 사용 통계(예: 작업 수 또는 GPU 시간 소비)는 위의 스니펫에서 공개되지 않았지만, 한 가지 강력한 지표는 RNDR의 가격과 수요입니다. 2023년에 RNDR은 최고의 성과를 보인 암호화폐 자산 중 하나가 되어 1월 약 0.40달러에서 5월까지 2.50달러 이상으로 상승했으며, 그 후에도 계속 상승했습니다. 2023년 11월까지 RNDR은 AI 관련 컴퓨팅 파워에 대한 열풍에 힘입어 연초 대비 10배 이상 상승했습니다. 이러한 가격 움직임은 사용자들이 렌더링 및 AI 작업을 완료하기 위해 RNDR을 구매하고 있거나(또는 투기꾼들이 그럴 필요가 있을 것이라고 예상했음) 있음을 시사합니다. 실제로 AI 작업에 대한 관심은 새로운 수요의 물결을 가져왔을 가능성이 높습니다. 렌더는 네트워크가 미디어 렌더링을 넘어 AI 모델 훈련으로 확장되고 있으며, 전통적인 클라우드의 GPU 부족으로 인해 이 틈새 시장에서 수요가 공급을 훨씬 초과했다고 보고했습니다. 본질적으로 렌더의 토큰 인센티브(배출)는 동등하게 강력한 사용자 수요(소각)를 만나 인센티브 대 사용 전환율이 상대적으로 높습니다. BME 첫 해에 네트워크가 노드 운영자 수입을 부트스트랩하기 위해 의도적으로 일부 추가 토큰(910만 RENDER 배출)을 할당했다는 점은 주목할 가치가 있습니다. 만약 이것이 사용량을 초과하면 일시적인 인플레이션 비효율성을 초래할 수 있습니다. 그러나 네트워크의 성장을 고려할 때 RNDR의 소각률은 상승하고 있습니다. 2024년 중반 현재 렌더 네트워크 대시보드는 누적 RNDR 소각량의 꾸준한 증가를 보여주었으며, 이는 실제 작업이 처리되고 있음을 나타냅니다. 또 다른 질적 성공의 신호는 주요 스튜디오와 콘텐츠 제작자들이 유명 프로젝트에 렌더를 사용하여 실제 채택을 증명했다는 것입니다(이들은 단지 노드를 운영하는 암호화폐 애호가가 아니라 렌더링 비용을 지불하는 _고객_입니다). 종합적으로 볼 때, 렌더는 DePIN에서 가장 효과적인 토큰 대 서비스 전환 지표 중 하나를 가진 것으로 보입니다. 네트워크가 바쁘면 RNDR이 소각되고 토큰 보유자는 실질적인 가치를 보게 됩니다. 네트워크가 유휴 상태라면 토큰 배출이 유일한 결과물이겠지만, AI에 대한 열광으로 인해 네트워크는 결코 유휴 상태가 아닙니다.

• 아카시(Akash): 아카시의 효율성은 _클라우드 지출 대 토큰 발행_의 맥락에서 볼 수 있습니다. 지분 증명 체인으로서 아카시의 AKT는 검증자에게 보상하기 위한 인플레이션이 있지만, 그 인플레이션은 과도하게 높지 않으며(상당 부분은 스테이킹 락으로 상쇄됨) 더 흥미로운 부분은 토큰이 얼마나 많은 실제 사용량을 포착하고 있는가입니다. 2022년에 아카시 사용량은 상대적으로 낮았습니다(언제든지 수백 개의 배포에 불과했으며, 주로 소규모 앱이나 테스트넷이었음). 이는 AKT의 가치가 수수료로 뒷받침되지 않은 투기적이었음을 의미합니다. 그러나 2023-2024년에 AI로 인해 사용량이 폭발했습니다. 2024년 말까지 아카시는 네트워크에서 하루에 약 11,000달러의 지출을 처리하고 있었으며, 이는 2024년 1월의 하루 약 1,300달러에서 증가한 것으로, 연내 일일 수익이 약 749% 증가한 것입니다. 2024년 동안 아카시는 컴퓨팅에 대한 누적 유료 지출 160만 달러를 초과했습니다. 이 수치는 AWS와 같은 거대 기업에 비하면 여전히 작지만, 아카시에 워크로드를 배포하고 AKT 또는 USDC(궁극적으로 변환을 통해 AKT 수요를 유도함)로 지불하는 실제 고객을 나타냅니다. 해당 기간 동안의 토큰 인센티브(인플레이션 보상)는 유통 중인 1억 3,000만 AKT의 약 15-20% 정도였습니다(2024년에 약 2,000만-2,600만 AKT 발행, AKT당 1-3달러로 계산하면 2,000만-5,000만 달러 가치). 따라서 순 달러 기준으로 네트워크는 여전히 수수료로 벌어들이는 것보다 더 많은 가치의 토큰을 발행하고 있었습니다. 이는 다른 초기 단계 네트워크와 유사합니다. 그러나 추세는 사용량이 빠르게 따라잡고 있다는 것입니다. 한 가지 주목할 만한 통계는 2024년 3분기와 2023년 3분기를 비교했을 때 임대당 평균 수수료가 6.42달러에서 18.75달러로 상승했다는 것입니다. 이는 사용자들이 훨씬 더 자원 집약적인(따라서 더 비싼) 워크로드, 아마도 AI용 GPU를 실행하고 있으며, 더 많은 비용을 지불할 의향이 있음을 의미합니다. 이는 아마도 네트워크가 가치(예: 대안보다 저렴한 비용)를 제공하기 때문일 것입니다. 또한, 아카시는 임대에 대해 10-20%의 수수료를 프로토콜에 부과하므로, 누적 지출 160만 달러의 10-20%가 실제 수익으로 스테이커에게 돌아갔다는 것을 의미합니다. 2024년 4분기에 AKT의 가격은 수년 만에 최고치를 기록했으며(약 4달러, 2023년 중반 최저치에서 8배 증가), 이는 시장이 개선된 펀더멘털과 사용량을 인식했음을 나타냅니다. 2024년 말 온체인 데이터에 따르면 650개 이상의 활성 임대와 네트워크에 700개 이상의 GPU가 있으며 약 78%의 활용률을 보였습니다. 효과적으로, 인센티브를 통해 추가된 대부분의 GPU는 실제로 고객이 사용하고 있었습니다. 이는 토큰 인센티브가 서비스로 강력하게 전환되었음을 보여줍니다. 인센티브를 받은 GPU 5개 중 거의 4개가 AI 개발자(모델 훈련 등)에게 서비스를 제공하고 있었습니다. 신용카드 결제 활성화 및 인기 있는 AI 프레임워크 지원과 같은 아카시의 선제적인 조치는 암호화폐 토큰을 실제 사용자와 연결하는 데 도움이 되었습니다(일부 사용자는 내부적으로 AKT를 지불하고 있다는 사실조차 모를 수 있음). 전반적으로, 아카시는 초기에 "공급 > 수요"라는 일반적인 DePIN 문제를 겪었지만, 빠르게 더 균형 잡힌 상태로 나아가고 있습니다. AI 수요가 계속된다면 아카시는 수요가 토큰 인센티브를 초과하는 체제에 접근할 수도 있습니다. 즉, 사용량이 투기적 인플레이션보다 AKT의 가치를 더 많이 주도할 수 있습니다. 수수료를 스테이커와 공유하는 프로토콜의 설계는 또한 효율성이 개선됨에 따라 AKT 보유자가 직접적인 혜택을 본다는 것을 의미합니다(예: 2024년 말까지 스테이커는 인플레이션뿐만 아니라 실제 수수료로부터 상당한 수익을 얻고 있었음).

• io.net: 매우 새로운 프로젝트(2023/24년 출시)이므로 io.net의 효율성은 아직 대부분 이론적이지만, 그 모델은 인센티브 전환을 극대화하기 위해 명시적으로 구축되었습니다. 공급을 엄격하게 제한하고 시간당 보상을 도입함으로써 io.net은 무한한 인플레이션 시나리오를 피합니다. 그리고 수익에 따라 토큰을 소각함으로써 수요가 시작되자마자 토큰 배출에 대한 자동적인 균형추가 있음을 보장합니다. 초기 보고서에 따르면 io.net은 많은 수의 GPU를 집계했으며(아마도 기존 채굴 팜과 데이터 센터를 온보딩함으로써), 제공할 상당한 공급을 확보했습니다. 핵심은 그 공급이 AI 고객으로부터 상응하는 수요를 찾을 수 있는지 여부입니다. 이 부문에 대한 한 가지 긍정적인 신호는 2024년 현재 탈중앙화 GPU 네트워크(렌더, 아카시, io.net 포함)가 종종 수요 제약이 아닌 용량 제약을 겪고 있다는 것입니다. 즉, 네트워크가 특정 순간에 온라인으로 제공할 수 있는 것보다 더 많은 사용자 컴퓨팅 수요가 있었습니다. 만약 io.net이 그 미충족 수요를 활용한다면(솔라나 생태계를 통해 더 낮은 가격이나 독특한 통합을 제공함으로써), 토큰 소각이 가속화될 수 있습니다. 반면에, 초기 공급량 5억 IO의 상당 부분을 내부자나 제공자에게 분배했다면, 사용량이 뒤처질 경우 매도 압력의 위험이 있습니다. 아직 구체적인 사용 데이터가 없는 상태에서 io.net은 정제된 토크노믹스 접근 방식의 시험대 역할을 합니다. 즉, 처음부터 수요 주도 균형을 목표로 하여 토큰을 과잉 공급하는 것을 피하려고 합니다. 앞으로 몇 년 동안, 3억 개의 배출량 중 몇 퍼센트가 네트워크 수익(소각)으로 효과적으로 "지불"되는지를 추적하여 그 성공을 측정할 수 있습니다. DePIN 부문의 진화는 io.net이 AI 수요가 높은 시기에 진입하고 있음을 시사하므로, 이전 프로젝트보다 더 빨리 높은 활용률에 도달할 수 있습니다.

요약하면, 초기 DePIN 프로젝트는 종종 낮은 토큰 인센티브 효율성에 직면했으며, 토큰 지급액이 실제 사용량을 훨씬 초과했습니다. 헬륨의 IoT 네트워크는 토큰 보상이 거대한 네트워크를 구축했지만 활용률은 몇 퍼센트에 불과했던 대표적인 예였습니다. 파일코인도 마찬가지로 저장된 데이터가 거의 없는 상태에서 풍부한 스토리지를 가지고 있었습니다. 그러나 네트워크 개선과 외부 수요 동향을 통해 이러한 격차는 좁혀지고 있습니다. 헬륨의 5G 전환은 사용량을 배가시켰고, 파일코인의 활용률은 꾸준히 상승하고 있으며, 렌더와 아카시 모두 AI 붐과 함께 실제 사용량이 급증하여 토큰 경제를 지속 가능한 순환에 더 가깝게 만들었습니다. 2024년의 일반적인 추세는 **"수요 증명"**으로의 전환이었습니다. DePIN 팀들은 단지 하드웨어와 과대광고가 아닌 사용자 및 수익 확보에 집중하기 시작했습니다. 이는 헬륨이 IoT 및 통신 분야에서 기업 파트너를 유치하고, 파일코인이 대규모 Web2 데이터셋을 온보딩하며, 아카시가 AI 개발자를 위해 플랫폼을 사용자 친화적으로 만드는 것과 같은 네트워크에서 입증됩니다. 순 효과는 토큰 가치가 단지 투기가 아닌 펀더멘털(예: 저장된 데이터, 판매된 GPU 시간)에 의해 점점 더 뒷받침되고 있다는 것입니다. 아직 갈 길은 멀지만(전체 부문이 100배의 가격/수익 비율을 보인다는 것은 여전히 많은 투기가 남아 있음을 의미함), 궤도는 토큰 인센티브의 보다 효율적인 사용을 향하고 있습니다. 토큰을 서비스(또는 "현장의 하드웨어")로 전환하지 못하는 프로젝트는 사라질 가능성이 높으며, 높은 전환율을 달성하는 프로젝트는 투자자와 커뮤니티의 신뢰를 얻고 있습니다.

AI 컴퓨팅 수요와의 결합: 동향 및 기회​

DePIN 프로젝트에 이익이 되는 가장 중요한 발전 중 하나는 AI 컴퓨팅 수요의 폭발적인 성장입니다. 2023-2024년에는 AI 모델 훈련 및 배포가 수십억 달러 규모의 시장이 되어 전통적인 클라우드 제공업체와 GPU 공급업체의 용량을 압박했습니다. 탈중앙화 인프라 네트워크는 이 기회를 포착하기 위해 신속하게 적응했으며, 이는 때때로 미래학자들에 의해 "DePIN x AI" 또는 심지어 "DePAI (Decentralized Physical AI)"라고 불리는 융합으로 이어졌습니다. 아래에서는 우리가 주목하는 프로젝트와 더 넓은 DePIN 부문이 AI 트렌드를 어떻게 활용하고 있는지 설명합니다.

• 탈중앙화 GPU 네트워크 및 AI: 렌더, 아카시, io.net과 같은 프로젝트(그리고 Golem, Vast.ai 등)는 AI 요구를 충족시키는 데 앞장서고 있습니다. 언급했듯이, 렌더는 렌더링을 넘어 AI 워크로드를 지원하도록 확장했습니다. 예를 들어, 스테이블 디퓨전(Stable Diffusion) 모델이나 다른 ML 작업을 훈련하기 위해 GPU 성능을 임대하는 것입니다. AI에 대한 관심은 이러한 네트워크의 사용량을 직접적으로 견인했습니다. 2023년 중반, 이미지 및 언어 모델을 훈련하기 위한 GPU 컴퓨팅 수요가 급증했습니다. 렌더 네트워크는 많은 개발자와 일부 기업이 더 저렴한 GPU 시간을 위해 이를 찾으면서 혜택을 보았습니다. 이는 RNDR의 10배 가격 급등의 한 요인이었으며, 렌더가 AI 요구를 충족시키기 위해 GPU를 공급할 것이라는 시장의 믿음을 반영했습니다. 마찬가지로, 2023년 말 아카시의 GPU 출시는 생성형 AI 붐과 일치했습니다. 몇 달 만에 아카시의 수백 개의 GPU가 언어 모델을 미세 조정하거나 AI API를 제공하기 위해 임대되었습니다. 2024년 말까지 아카시의 GPU 활용률이 약 78%에 도달한 것은 인센티브를 받은 하드웨어의 거의 전부가 AI 사용자로부터 수요를 찾았음을 나타냅니다. io.net은 명시적으로 자신을 "AI 중심의 탈중앙화 컴퓨팅 네트워크"로 포지셔닝하고 있습니다. AI 프레임워크와의 통합을 자랑합니다(머신 러닝에서 인기 있는 Ray 분산 컴퓨팅 프레임워크를 사용하여 AI 개발자가 io.net에서 쉽게 확장할 수 있도록 함). io.net의 가치 제안, 즉 클라우드보다 10-20배 효율적인 비용으로 90초 만에 GPU 클러스터를 배포할 수 있다는 것은 비싸거나 대기 중인 클라우드 GPU 인스턴스에 제약을 받는 AI 스타트업과 연구원들을 정면으로 겨냥한 것입니다. 이러한 타겟팅은 전략적입니다. 2024년에는 극심한 GPU 부족 현상이 있었습니다(예: NVIDIA의 고급 AI 칩이 매진됨). 그리고 어떤 종류의 GPU(구형 모델이나 게임용 GPU 포함)에 접근할 수 있는 탈중앙화 네트워크가 그 격차를 메우기 위해 나섰습니다. 세계 경제 포럼은 일반 사람들이 컴퓨팅 파워와 데이터를 AI 프로세스에 기여하고 보상을 받는 **"DePAI (Decentralized Physical AI)"**의 등장을 언급했습니다. 이 개념은 괜찮은 GPU를 가진 누구나 AI 워크로드를 지원하여 토큰을 벌 수 있도록 하는 GPU DePIN 프로젝트와 일치합니다. Messari의 연구 역시 2024년 AI 산업의 강렬한 수요가 DePIN 부문이 수요 주도 성장으로 전환하는 데 "중요한 가속기" 역할을 했다고 강조했습니다.

• 스토리지 네트워크 및 AI 데이터: AI 붐은 단지 컴퓨팅에 관한 것이 아닙니다. 또한 (훈련을 위한) _방대한 데이터셋_을 저장하고 훈련된 모델을 배포해야 합니다. 파일코인과 **아위브(Arweave)**와 같은 탈중앙화 스토리지 네트워크는 여기서 새로운 사용 사례를 찾았습니다. 특히 파일코인은 AI를 핵심 성장 동력으로 받아들였습니다. 2024년에 파일코인 커뮤니티는 "컴퓨팅 및 AI"를 세 가지 중점 분야 중 하나로 식별했습니다. 파일코인 가상 머신(FVM)의 출시로 이제 파일코인에 저장된 데이터에 가까운 곳에서 컴퓨팅 서비스를 실행할 수 있게 되었습니다. Bacalhau(분산 데이터 기반 컴퓨팅 프로젝트) 및 Fluence의 컴퓨팅 L2와 같은 프로젝트는 사용자가 네트워크에 저장된 데이터에서 직접 AI 알고리즘을 실행할 수 있도록 파일코인 위에 구축되고 있습니다. 아이디어는 예를 들어, 대규모 데이터셋을 중앙 집중식 클러스터로 이동할 필요 없이 이미 파일코인 노드에 분산 저장된 데이터셋에서 모델을 훈련할 수 있도록 하는 것입니다. **IPC (InterPlanetary Consensus)**와 같은 파일코인의 기술 혁신은 특정 워크로드(예: 파일코인의 스토리지 보안을 활용하는 AI 전용 사이드체인)에 전념할 수 있는 서브네트워크를 생성할 수 있게 합니다. 또한, 파일코인은 AI와 매우 관련성이 높은 탈중앙화 데이터 커먼즈를 지원하고 있습니다. 예를 들어, 대학, 자율 주행 차량 데이터 또는 위성 이미지를 파일코인에 호스팅한 다음 AI 모델이 접근할 수 있습니다. 네트워크는 주요 AI 관련 데이터셋(참조된 UC 버클리 및 인터넷 아카이브 데이터 등)을 자랑스럽게 저장합니다. 토큰 측면에서 이는 더 많은 클라이언트가 데이터를 위해 FIL을 사용한다는 것을 의미하지만, 더 흥미로운 것은 데이터의 2차 시장에 대한 잠재력입니다. 파일코인의 비전에는 스토리지 클라이언트가 AI 훈련 사용 사례를 위해 자신의 데이터를 수익화할 수 있도록 하는 것이 포함됩니다. 이는 AI 회사가 훈련을 위해 비용을 지불할 때 파일코인에 대규모 데이터셋을 소유하면 토큰을 벌 수 있는 미래를 시사하며, FIL이 단지 스토리지가 아닌 데이터 사용 권리를 위해 흐르는 생태계를 만듭니다. 이는 아직 초기 단계이지만 파일코인이 AI 트렌드와 얼마나 깊이 결합하고 있는지를 보여줍니다.

• 무선 네트워크 및 AI를 위한 엣지 데이터: 표면적으로 헬륨 및 유사한 무선 DePIN은 AI 컴퓨팅과 직접적인 관련이 적습니다. 그러나 몇 가지 연결점이 있습니다. IoT 센서 네트워크(헬륨의 IoT 하위 DAO 및 Nodle 또는 WeatherXM과 같은 다른 네트워크)는 AI 모델에 공급할 귀중한 실제 데이터를 제공할 수 있습니다. 예를 들어, WeatherXM(기상 관측소 데이터를 위한 DePIN)은 기후 모델이나 AI 예측을 개선할 수 있는 탈중앙화된 기상 데이터 스트림을 제공합니다. WeatherXM 데이터는 바로 이러한 이유로 파일코인의 Basin L2를 통해 통합되고 있습니다. 스마트폰을 노드로 사용하여 데이터를 수집하는 Nodle(DePIN으로 간주됨)은 탈중앙화 스마트 카메라 영상을 위한 "Click"이라는 앱을 구축하고 있습니다. 그들은 이미지를 저장하고 잠재적으로 AI 컴퓨터 비전 훈련에 사용하기 위해 파일코인을 통합할 계획입니다. 헬륨의 역할은 이러한 엣지 장치에 대한 연결성을 제공하는 것일 수 있습니다. 예를 들어, 도시가 공기 질이나 교통을 위해 헬륨 IoT 센서를 배포하고, 그 데이터셋이 도시 계획 AI를 훈련하는 데 사용되는 것입니다. 또한, 헬륨 5G 네트워크는 미래에 AI를 위한 엣지 인프라 역할을 할 수 있습니다. 자율 드론이나 차량이 연결을 위해 탈중앙화 5G를 사용한다고 상상해 보십시오. 그들이 생성(및 소비)하는 데이터는 지속적으로 AI 시스템에 연결될 수 있습니다. 헬륨이 구체적인 "AI 전략"을 발표하지는 않았지만, 모회사인 Nova Labs는 헬륨을 다른 DePIN 프로젝트를 위한 일반적인 인프라 계층으로 포지셔닝할 것을 암시했습니다. 여기에는 AI 분야의 프로젝트도 포함될 수 있습니다. 예를 들어, 헬륨은 AI 기반 장치 함대에 물리적 무선 계층을 제공하고, 그 AI 함대의 계산 요구는 아카시와 같은 네트워크에서 처리되며, 데이터 저장은 파일코인에서 처리되는 상호 연결된 DePIN 스택을 상상할 수 있습니다.

• 시너지 성장 및 투자: 암호화폐 투자자와 전통적인 플레이어 모두 DePIN-AI 시너지를 주목하고 있습니다. Messari의 2024년 보고서는 추세가 계속된다면 DePIN 시장이 2028년까지 3조 5천억 달러로 성장할 수 있다고 예측했습니다(2024년 약 500억 달러에서). 이러한 낙관적인 전망은 주로 AI가 탈중앙화 인프라의 "킬러 앱"이 될 것이라는 전제에 기반합니다. **DePAI (Decentralized Physical AI)**의 개념은 일반 사람들이 하드웨어뿐만 아니라 데이터도 AI 시스템에 기여하고 보상을 받아 빅테크의 AI 데이터셋 독점을 깨는 미래를 구상합니다. 예를 들어, 누군가의 자율 주행 차량이 도로 데이터를 수집하고, 헬륨과 같은 네트워크를 통해 업로드하고, 파일코인에 저장하고, 아카시에서 훈련 중인 AI에 의해 사용될 수 있으며, 각 프로토콜은 기여자에게 토큰으로 보상합니다. 다소 미래적인 이야기이지만, 이 비전의 초기 구성 요소가 나타나고 있습니다(예: 운전자의 대시캠이 지도를 구축하는 DePIN 매핑 프로젝트인 HiveMapper - 이 지도는 자율 주행 AI를 훈련시킬 수 있으며, 기여자는 토큰을 얻음). 또한 **Bittensor (TAO)**와 같은 AI 중심의 암호화폐 프로젝트, 즉 탈중앙화 방식으로 AI 모델을 훈련하는 네트워크가 수십억 달러의 가치 평가에 도달하는 것을 보며, AI+암호화폐 조합에 대한 강력한 투자자 욕구를 알 수 있습니다.

• 자율 에이전트 및 기계 간 경제: 다가오는 흥미로운 트렌드는 AI 에이전트가 DePIN 서비스를 자율적으로 사용하는 것입니다. Messari는 2025년까지 AI 에이전트 네트워크(자율 봇과 같은)가 인간이나 다른 기계를 위한 작업을 수행하기 위해 DePIN 프로토콜에서 직접 탈중앙화 컴퓨팅 및 스토리지를 조달할 수 있다고 추측했습니다. 이러한 시나리오에서 AI 에이전트(예: 탈중앙화 AI 서비스 네트워크의 일부)는 더 많은 컴퓨팅이 필요할 때 렌더나 io.net에서 자동으로 GPU를 임대하고, 암호화폐로 지불하고, 결과를 파일코인에 저장하고, 헬륨을 통해 통신할 수 있습니다. 이 모든 것이 인간의 개입 없이 스마트 계약을 통해 협상하고 거래됩니다. 이러한 기계 간 경제는 DePIN에 본질적으로 적합한 새로운 수요의 물결을 열 수 있습니다(AI 에이전트는 신용카드가 없지만 토큰을 사용하여 서로 지불할 수 있기 때문). 아직 초기 단계이지만, Fetch.ai와 같은 프로토타입이 이 방향을 암시하고 있습니다. 만약 이것이 실현된다면, DePIN 네트워크는 _기계 주도 사용의 직접적인 유입_을 보게 되어 모델을 더욱 검증하게 될 것입니다.

• 에너지 및 기타 물리적 버티컬: 우리의 초점은 연결성, 스토리지, 컴퓨팅에 있었지만, AI 트렌드는 다른 DePIN 분야에도 영향을 미칩니다. 예를 들어, 탈중앙화 에너지 그리드(때로는 DeGEN - 탈중앙화 에너지 네트워크라고도 함)는 AI가 에너지 분배를 최적화함에 따라 혜택을 볼 수 있습니다. 누군가 초과 태양광 에너지를 마이크로그리드에 공유하고 토큰을 받으면, AI가 그 전력을 효율적으로 예측하고 라우팅할 수 있습니다. 바이낸스 보고서에 인용된 한 프로젝트는 초과 태양광 에너지를 그리드에 기여하는 것에 대한 토큰을 설명합니다. 이러한 그리드를 관리하는 AI 알고리즘은 다시 탈중앙화 컴퓨팅에서 실행될 수 있습니다. 마찬가지로, AI는 탈중앙화 네트워크의 성능을 향상시킬 수 있습니다. 예를 들어, 헬륨의 라디오 커버리지의 AI 기반 최적화나 파일코인 스토리지 노드의 예측 유지보수를 위한 AI 운영이 있습니다. 이는 DePIN 내에서 AI를 _사용_하는 것에 더 가깝지만, 기술의 상호 교류를 보여줍니다.

본질적으로, AI는 DePIN의 순풍이 되었습니다. 이전에 분리되었던 "블록체인과 현실 세계의 만남"과 "AI 혁명"의 서사는 탈중앙화가 AI의 인프라 수요를 충족시키는 데 도움이 될 수 있으며, _AI는 결과적으로 탈중앙화 네트워크에 막대한 실제 사용을 유도할 수 있다_는 공유된 서사로 수렴하고 있습니다. 이러한 융합은 상당한 자본을 유치하고 있습니다. 2024년에만 DePIN 스타트업에 3억 5천만 달러 이상이 투자되었으며, 그 중 상당 부분은 AI 관련 인프라를 목표로 했습니다(예: 최근 많은 자금 조달은 탈중앙화 GPU 프로젝트, AI를 위한 엣지 컴퓨팅 등에 대한 것이었음). 또한 프로젝트 간의 협력도 촉진하고 있습니다(파일코인이 헬륨과 협력하고, 아카시가 다른 AI 도구 제공업체와 통합하는 등).

결론​

헬륨, 파일코인, 렌더, 아카시와 같은 DePIN 프로젝트는 암호화폐 인센티브가 전통적인 모델보다 더 빠르고 공평하게 실제 인프라를 부트스트랩할 수 있다는 대담한 베팅을 나타냅니다. 각각은 독특한 경제 모델을 만들었습니다. 헬륨은 토큰 소각과 커버리지 증명을 사용하여 무선 네트워크를 크라우드소싱하고, 파일코인은 암호경제학을 사용하여 탈중앙화 데이터 스토리지 마켓플레이스를 만들며, 렌더와 아카시는 토큰화된 지불과 보상을 통해 GPU와 서버를 글로벌 공유 자원으로 전환합니다. 초기에 이러한 모델들은 빠른 공급 성장과 뒤처지는 수요로 인해 어려움을 겪었지만, 시간이 지남에 따라 조정하고 효율성을 개선할 수 있는 능력을 보여주었습니다. 토큰 인센티브 플라이휠은 만병통치약은 아니지만, 글로벌 IoT/5G 네트워크, 엑사바이트 규모의 스토리지 그리드, 분산 GPU 클라우드와 같은 인상적인 물리적 네트워크를 구축할 수 있음을 입증했습니다. 이제 실제 사용량(IoT 기기부터 AI 연구소까지)이 따라잡으면서 이러한 네트워크는 토큰이 단지 초기에 참여했다는 이유가 아니라 가치를 제공함으로써 얻어지는 지속 가능한 서비스 경제로 전환하고 있습니다.

AI의 부상은 이러한 전환을 가속화했습니다. 컴퓨팅과 데이터에 대한 AI의 끝없는 욕구는 DePIN의 강점과 맞아떨어집니다. 미개척 자원을 활용하고, 유휴 하드웨어를 가동하며, 전 세계 참여자들이 보상을 공유할 수 있습니다. 2024년 AI 주도 수요와 DePIN 공급의 정렬은 일부 프로젝트가 기다려온 "제품-시장 적합성"을 제공한 중추적인 순간이었습니다. 추세는 탈중앙화 인프라가 AI 모델을 호스팅하거나, 훈련 데이터를 수집하거나, 자율 에이전트 경제를 가능하게 함으로써 계속해서 AI의 물결을 탈 것임을 시사합니다. 그 과정에서 이러한 네트워크를 뒷받침하는 토큰의 가치는 점점 더 투기만이 아닌 실제 사용량(예: 판매된 GPU 시간, 저장된 TB, 연결된 장치)을 반영하게 될 것입니다.

그렇지만 도전 과제는 여전히 남아 있습니다. DePIN 프로젝트는 투자를 유틸리티로 전환하는 것을 계속 개선해야 합니다. 즉, 핫스팟이나 GPU를 하나 더 추가하는 것이 실제로 사용자에게 비례적인 가치를 더하도록 보장해야 합니다. 또한 전통적인 제공업체와의 경쟁에 직면해 있으며(클라우드 거대 기업들은 약정된 AI 워크로드에 대해 가격을 낮추는 등 가만히 있지 않음), 규제 장애물(헬륨의 5G는 스펙트럼 준수가 필요함 등), 암호화폐의 사용자 경험 마찰, 대규모에서 신뢰할 수 있는 성능의 필요성과 같은 문제를 극복해야 합니다. 토큰 모델도 지속적인 조정이 필요합니다. 예를 들어, 헬륨이 하위 토큰으로 분리된 것은 그러한 조정 중 하나였고, 렌더의 BME도 마찬가지였습니다. 다른 프로젝트들은 균형을 유지하기 위해 수수료 소각, 동적 보상 또는 DAO 거버넌스 조정을 구현할 수 있습니다.

혁신과 투자 관점에서 DePIN은 암호화폐를 실질적인 서비스와 직접적으로 연결하기 때문에 Web3에서 가장 흥미로운 분야 중 하나입니다. 투자자들은 승자를 식별하기 위해 프로토콜 수익, 활용률, 토큰 가치 포착(P/S 비율)과 같은 지표를 주시하고 있습니다. 예를 들어, 네트워크의 토큰이 시가 총액은 높지만 사용량이 매우 낮다면(높은 P/S), 수요 급증을 예상하지 않는 한 과대평가되었을 수 있습니다. 반대로, 수익을 급격히 증가시키는 데 성공한 네트워크(아카시의 일일 지출 749% 증가처럼)는 토큰이 근본적으로 재평가될 수 있습니다. 분석 플랫폼(Messari, Token Terminal)은 이제 이러한 데이터를 추적합니다. 예를 들어, 헬륨의 연간 수익(약 350만 달러) 대 인센티브(약 4,700만 달러)는 큰 적자를 낳았지만, 렌더와 같은 프로젝트는 소각이 배출을 상쇄하기 시작하면 더 가까운 비율을 보일 수 있습니다. 시간이 지남에 따라 시장은 사용자에게 실제 현금 흐름이나 비용 절감을 보여주는 DePIN 토큰에 보상할 것으로 예상됩니다. 이는 과대광고에서 펀더멘털로 성숙하는 부문의 모습입니다.

결론적으로, 헬륨과 파일코인과 같은 기존 네트워크는 토큰화된 인프라의 힘과 함정을 입증했으며, 렌더, 아카시, io.net과 같은 신흥 네트워크는 모델을 AI 컴퓨팅이라는 고수요 영역으로 밀어붙이고 있습니다. 각 네트워크의 경제학은 메커니즘은 다르지만 공통된 목표를 공유합니다. 토큰이 서비스 구축을 장려하고, 그 서비스의 활용이 다시 토큰의 가치를 지지하는 자생적인 순환을 만드는 것입니다. 이 균형을 달성하는 것은 복잡하지만, 지금까지의 진전, 즉 수백만 개의 장치, 엑사바이트의 데이터, 수천 개의 GPU가 이제 탈중앙화 네트워크에서 온라인 상태라는 점은 DePIN 실험이 결실을 맺고 있음을 시사합니다. AI와 Web3가 계속해서 융합됨에 따라, 향후 몇 년 동안 탈중앙화 인프라 네트워크는 틈새 대안에서 인터넷 구조의 중요한 기둥으로 이동하여 암호 경제학에 의해 구동되는 실제 유틸리티를 제공할 수 있을 것입니다.

출처: 공식 프로젝트 문서 및 블로그, Messari 연구 보고서, Token Terminal 및 기타 분석 데이터. 주요 참고 자료에는 Messari의 헬륨 및 아카시 개요, 파일코인 재단 업데이트, DePIN 및 io.net에 대한 바이낸스 리서치, AI 맥락에서의 토큰 성과에 대한 CoinGecko/CoinDesk 분석이 포함됩니다. 이들은 위 평가의 사실적 근거를 제공하며, 본문 전체에 걸쳐 인용되었습니다.