29 постов с тегом "Финансы"

1. Общий обзор​

Количественный трейдинг: как построить собственный бизнес по алгоритмической торговле — это практическое руководство, написанное экспертом по количественному трейдингу доктором Эрнестом П. Чаном (часто называемым Эрни Чан), призванное помочь независимым трейдерам создавать и управлять собственными бизнесами по алгоритмической торговле. Первое издание было опубликовано Wiley в 2009 году как часть серии Wiley Trading, объемом около 200 страниц. Более чем через десять лет после первого издания, автор выпустил второе издание в 2021 году (ISBN: 9781119800064, 256 страниц), обновив и расширив его содержание.

• Целевая аудитория: Книга предназначена для индивидуальных инвесторов и небольших торговых команд, желающих использовать количественные методы для торговли, а также для читателей, стремящихся работать в области количественного трейдинга в финансовых учреждениях. Автор предполагает, что читатели имеют базовые знания математики, статистики и программирования, но не требует ученой степени. Он подчеркивает, что даже школьного уровня знаний по математике, статистике, программированию или экономике достаточно, чтобы начать с базовых количественных стратегий. Как говорится в книге: «Если вы прошли несколько курсов по математике, статистике, компьютерному программированию или экономике на уровне средней школы, вы, вероятно, так же квалифицированы, как и любой другой, чтобы попробовать свои силы в некоторых базовых стратегиях статистического арбитража». Такое доступное позиционирование значительно снижает барьер для входа в количественный трейдинг, отражая миссию книги по «демократизации количественного трейдинга».

• Основное содержание: Книга построена вокруг полного процесса разработки, тестирования и исполнения количественных торговых стратегий, от зарождения идеи до создания бизнеса. Автор начинает с объяснения того, что такое количественный трейдинг и почему индивидуальные трейдеры могут конкурировать с институтами в этой области. Затем он углубляется в такие темы, как поиск идей для торговых стратегий, проведение исторических бэктестов для проверки эффективности стратегии, создание торговой инфраструктуры и систем исполнения, а также внедрение надлежащего управления капиталом и рисками. В книге обсуждаются не только технические детали (например, обработка данных, выбор модели и подводные камни бэктестинга), но и соображения на уровне бизнеса (такие как организационная структура торгового бизнеса, выбор брокера и конфигурация аппаратного/программного обеспечения). Кроме того, автор использует примеры и тематические исследования для демонстрации реализации конкретных стратегий, таких как возврат к среднему, импульс, факторные модели и сезонные эффекты, предоставляя соответствующий код или псевдокод для облегчения понимания читателем.

• Влияние: Будучи одним из классических вводных текстов в области количественного трейдинга, книга получила широкое признание с момента публикации и считается одной из «библий для независимых количественных трейдеров». Многие читатели считают, что среди многочисленных книг и статей по количественному трейдингу работа доктора Чана выделяется своей практической ценностью. Как прокомментировал один инсайдер отрасли: «Многие книги по количественному трейдингу написаны авторами без практического опыта, или они воздерживаются от раскрытия своих торговых секретов. Эрни придерживается другой философии: делиться значимой информацией и глубоко взаимодействовать с количественным сообществом. Он успешно свел огромное количество подробного и сложного материала в ясный и всеобъемлющий ресурс, из которого могут извлечь пользу как новички, так и профессионалы». После публикации первого издания доктор Чан оставался активным в области количественного трейдинга более десяти лет, написав такие книги, как Алгоритмический трейдинг (2013) и Машинный трейдинг (2017), чтобы расширить связанные темы. Во втором издании, выпущенном в 2021 году, автор обновил технологии и тематические исследования, добавив новые методы машинного обучения для оптимизации параметров, примеры кода на Python и R, а также последние результаты бэктестов стратегий, поддерживая актуальность содержания в соответствии с современными разработками в количественном трейдинге. Хотя инструменты и рыночные условия изменились, как подчеркивается в предисловии ко второму изданию, фундаментальные принципы количественного трейдинга, изложенные в книге, выдержали испытание временем, и ее основные концепции остаются применимыми более десяти лет спустя.

В итоге, Количественный трейдинг — это практико-ориентированное руководство, которое предоставляет читателям дорожную карту для создания количественных торговых стратегий и бизнесов с нуля. Оно помогает независимым трейдерам бросить вызов профессионалам с Уолл-стрит и предлагает ценную базу знаний и практические инструменты для инвесторов, ищущих систематический и объективный подход к торговле.

2. Основные идеи​

Книга воплощает ключевые взгляды и философию автора в отношении количественного трейдинга. Основные идеи изложены ниже:

• Суть количественного трейдинга: на основе данных, превосходящий субъективные суждения. Количественный трейдинг (или алгоритмическая торговля) относится к методу торговли, при котором решения о покупке и продаже полностью принимаются компьютерными алгоритмами. Это не просто обновление традиционного технического анализа, а процесс, который преобразует любую количественно измеримую информацию (цены, фундаментальные показатели, новостные настроения и т. д.) в алгоритмические входные данные, исполняемые автоматизированной системой для устранения влияния человеческих эмоций и субъективных предубеждений на торговые решения. Проще говоря, количественный трейдинг направлен на достижение избыточной доходности систематическим и дисциплинированным образом, используя компьютеры для строгого следования проверенным стратегиям и соблюдения заранее определенных правил, независимо от рыночных условий или личных чувств.

• Демократизация количественного трейдинга: арена, открытая для частных лиц. Чан подчеркивает, что количественный трейдинг больше не является исключительной прерогативой крупных институтов Уолл-стрит. С современными вычислительными ресурсами и общедоступными данными индивидуальные инвесторы также могут проявить себя в этой области. Автор указывает, что обладание базовыми математическими и статистическими концепциями и некоторыми навыками программирования/работы с Excel достаточно для разработки и тестирования простых стратегий статистического арбитража. Это распространение технологий и знаний дает независимым трейдерам возможность бросить вызов институциональным трейдерам в определенных нишевых областях, тем самым переопределяя конкурентную среду. Автор призывает читателей использовать инструменты с открытым исходным кодом и недорогие источники данных, подходя к количественному трейдингу с духом мелкомасштабного экспериментирования, а не пугаться высоких барьеров финансовой инженерии.

• Строгий бэктестинг и избегание ловушек. На протяжении всей книги Чан неоднократно подчеркивает, что бэктестинг (тестирование на исторических данных) является ядром разработки количественных стратегий и важнейшей основой для независимых трейдеров, чтобы укрепить уверенность и убедить потенциальных инвесторов (если таковые имеются). Однако он предостерегает читателей быть осторожными с результатами бэктестов и остерегаться распространенных предубеждений и ловушек. Например, он подробно обсуждает такие проблемы, как ошибка опережения, ошибка подгонки данных и ошибка выжившего, а также риски недостаточного размера выборки и переобучения, которые могут создавать «иллюзорную прибыль». Автор рекомендует использовать тестирование на вневыборочных данных, разделяя данные на обучающие и тестовые наборы, выполняя анализ чувствительности параметров стратегии и учитывая реальные транзакционные издержки и проскальзывание, чтобы гарантировать, что доходность стратегии является надежной, а не просто результатом подгонки кривой.

• Важность бизнес-архитектуры и автоматизированного исполнения. Чан рассматривает количественный трейдинг как серьезный бизнес, а не хобби, напоминая читателям сосредоточиться на организационной и исполнительной архитектуре своего торгового бизнеса в дополнение к технологиям. Он обсуждает различия между тем, чтобы быть независимым розничным трейдером и присоединиться к профессиональной торговой фирме, взвешивая плюсы и минусы таких аспектов, как разрешения на счета, лимиты кредитного плеча и нормативные требования. Независимо от модели, автор подчеркивает, что создание надежной торговой инфраструктуры и автоматизированной торговой системы имеет решающее значение. С одной стороны, полуавтоматизированная или полностью автоматизированная система может значительно снизить интенсивность ручных операций и вероятность ошибок, обеспечивая последовательное исполнение стратегии. С другой стороны, хорошая инфраструктура (включая высокоскоростной, стабильный интернет, API для исполнения ордеров с низкой задержкой и строгие системы мониторинга и оповещения) может помочь независимым трейдерам сократить разрыв в эффективности исполнения с крупными институтами. Автор отмечает, что автоматизированная торговля также помогает снизить транзакционные издержки (например, за счет алгоритмической оптимизации ордеров и избегания периодов с высокими комиссиями) и контролировать отклонение между фактической и ожидаемой производительностью, поскольку реальные результаты часто отличаются от результатов бэктестов, что является проблемой, которую можно выявить на ранней стадии с помощью симулированной торговли.

• Управление капиталом и контроль рисков: сначала выжить, потом преуспеть. Управление рисками ставится на равный, если не более высокий, уровень важности, чем разработка стратегии. Чан углубляется в то, как определить оптимальное распределение капитала и коэффициенты кредитного плеча для увеличения доходности при контроле рисков. В книге представлены такие методы, как критерий Келли, для расчета оптимального размера ставки при определенном коэффициенте выигрыша и выплаты, с математическими выводами для справки читателя. Автор также подробно описывает ряд категорий рисков, таких как риск модели (риск сбоя самой модели стратегии), риск программного обеспечения (потери из-за ошибок программирования или сбоев системы) и риск экстремальных событий (аномальные потери от стихийных бедствий или событий «черного лебедя»). Эти риски часто упускаются из виду новичками, но Чан напоминает читателям, что у них должны быть планы на случай непредвиденных обстоятельств. Кроме того, он подчеркивает важность психологической подготовки: трейдерам нужна психическая стойкость и дисциплина, чтобы выдерживать последовательные потери и продолжать выполнять стратегию до тех пор, пока сохраняется ее статистическое преимущество, не отклоняясь от плана из-за краткосрочных неудач. В целом, его философия управления капиталом и рисками заключается в том, чтобы сначала обеспечить избежание разрушительных потерь, стремясь при этом к максимизации прибыли. Только выжив, можно надеяться на прибыль в долгосрочной перспективе.

• Возврат к среднему против импульсной торговли: компромисс различных философий. Обсуждая специальные темы, Чан проводит сравнительный анализ стратегий возврата к среднему и следования за трендом (импульсных). Он указывает, что все торговые стратегии приносят прибыль при условии, что цены либо демонстрируют характеристики возврата к среднему, либо характеристики продолжения тренда; в противном случае, если цены следуют случайному блужданию, прибыли не будет. Стратегии возврата к среднему основаны на идее, что цены в конечном итоге вернутся к своему долгосрочному равновесию после отклонения, поэтому эти стратегии часто занимают контртрендовые позиции, извлекая выгоду из коррекции чрезмерной волатильности. Импульсные стратегии, наоборот, предполагают, что как только тренд (восходящий или нисходящий) установлен, он будет сохраняться в течение некоторого времени, поэтому они следуют за трендом, извлекая выгоду из его продолжения. Автор особо подчеркивает различные роли стоп-лосс ордеров в этих двух типах торговли. В импульсных стратегиях, если цена движется против позиции, это, вероятно, сигнализирует о развороте тренда, и своевременный стоп-лосс может предотвратить большие потери. В стратегиях возврата к среднему, однако, неблагоприятное движение цены может быть просто нормальным отклонением, и преждевременный стоп-лосс может привести к тому, что трейдер упустит последующую возможность получения прибыли, когда цена вернется к среднему. Однако определить, находится ли рынок в данный момент в трендовом или возвращающемся к среднему состоянии, непросто — движения, обусловленные новостями или фундаментальными факторами, часто являются трендовыми, и не следует «пытаться встать на пути товарного поезда», продавая против тренда. Наоборот, колебания, не обусловленные новостями, с большей вероятностью будут возвращаться к среднему. Он также исследует механизмы, которые генерируют импульс (такие как дрейф после объявления о доходах, вызванный задержками распространения информации, и стадное поведение инвесторов) и отмечает, что усиление конкуренции сокращает продолжительность импульса. По мере того, как информация распространяется быстрее и в торговле участвует больше трейдеров, окно для продолжения тренда часто становится короче. Следовательно, импульсные модели нуждаются в постоянной корректировке, чтобы адаптироваться к более быстрому темпу. Для стратегий возврата к среднему автор вводит статистические методы для оценки периода полураспада возврата к среднему для выбора периодов удержания, что менее зависит от субъективных суждений, чем импульсные стратегии. В итоге, Чан советует трейдерам применять различные методы контроля рисков и оптимизации параметров в зависимости от характеристик стратегии, полностью понимая различия в производительности между стратегиями «возврата к среднему» и «импульсными» стратегиями в различных рыночных состояниях. В таблице ниже приведены некоторые сравнения этих двух типов стратегий из книги:

Характеристика	Стратегия возврата к среднему	Импульсная стратегия
Основная логика	Цены возвращаются к историческому среднему.	Ценовые тренды будут продолжаться.
Сигнал входа	Покупать, когда цена низка, продавать, когда высока (относительно среднего).	Покупать, когда цена растет, продавать, когда падает.
Позиционирование	Контртрендовое (контрарное).	Следование за трендом.
Роль стоп-лосса	Рискованно; может привести к преждевременному выходу до возврата.	Критически важно; сигнализирует о потенциальном развороте тренда.
Источник прибыли	Коррекция чрезмерных реакций и волатильности.	Использование продолжения ценового движения.
Рыночное состояние	Лучше всего на боковых или нетрендовых рынках.	Лучше всего на трендовых рынках (обусловленных новостями, фундаментальными факторами).
Типичная проблема	Определение истинного, стабильного среднего.	Определение начала и конца тренда.

• Нишевое преимущество независимых трейдеров: оставаться незамеченным, сосредоточиться на нишевых стратегиях. Автор считает, что для успеха независимым трейдерам следует выбирать области стратегий, которые не находятся в поле зрения крупных институтов или в которых им трудно участвовать, тем самым используя преимущество «малых и проворных». Он предлагает, что при оценке стратегии следует задать вопрос: «Находится ли эта стратегия вне «радарного» покрытия институциональных фондов?» То есть, стараться открывать неизвестные стратегии или активы, потому что если стратегия слишком очевидна и имеет высокую емкость, крупные игроки на Уолл-стрит, вероятно, уже участвуют, оставляя мало места и альфы для более мелких игроков. Наоборот, на некоторых нишевых рынках или с конкретными стратегиями (такими как очень краткосрочный статистический арбитраж или стратегии, основанные на очень новых альтернативных данных), индивидуальные трейдеры могут избежать прямой конкуренции с гигантами и получать относительно стабильную избыточную доходность. Чан призывает независимых трейдеров развивать острое чувство к тонким рыночным неэффективностям. Даже если стратегия кажется простой и имеет низкую норму прибыли, если она может стабильно приносить деньги и не конкурирует напрямую с крупными фондами, это хорошая стратегия, которую стоит рассмотреть. Эта философия «выживания в щелях» пронизывает книгу и отражается в ожиданиях, которые он устанавливает для читателя: вместо того, чтобы фантазировать о поиске волшебной формулы для разрушения рынка, лучше создать несколько небольших, но эффективных торговых стратегий и накапливать доходность со временем.

Эти основные идеи формируют основу философии количественного трейдинга автора: подходить к торговле рационально, используя научные методологии и инструменты, упрощать сложные проблемы, сосредоточиться на своих преимуществах и рыночных неэффективностях, а также придерживаться дисциплины для получения долгосрочной, стабильной доходности.

3. Подробные обзоры глав​

Книга разделена на 8 тематических глав, а также несколько приложений. Ниже представлен обзор основного содержания и ключевых концепций каждой главы:

• Глава 1. Что, кто и почему в количественном трейдинге Эта вводная глава отвечает на три фундаментальных вопроса: «Что такое количественный трейдинг, кто может им заниматься и почему?» Автор сначала определяет количественный трейдинг: метод торговли, который использует компьютерные алгоритмы для автоматического принятия решений на основе количественных показателей, отличая его от традиционного технического анализа и дискреционной торговли. Далее автор отвечает на вопрос, кто может стать количественным трейдером, подчеркивая, что независимые трейдеры могут быть вполне компетентны с базовыми знаниями математики, программирования и статистической интуиции, не нуждаясь в престижной степени или опыте работы на Уолл-стрит. Он перечисляет несколько основных преимуществ независимого количественного трейдинга, которые составляют его деловую ценность: во-первых, Масштабируемость (эффективная алгоритмическая стратегия может пропорционально увеличивать прибыль по мере роста капитала); во-вторых, Эффективность по времени (алгоритмы могут работать автоматически, уменьшая необходимость в ручном мониторинге, позволяя трейдеру управлять несколькими стратегиями и иметь больше свободного времени); в-третьих, поскольку решения полностью основаны на данных, для подтверждения эффективности стратегии практически не требуется маркетинг (в отличие от ручной торговли, которая требует рассказа истории для привлечения капитала) — сама производительность является лучшим «маркетингом». Эти факторы вместе формируют деловую мотивацию для частных лиц заниматься количественным трейдингом. Глава завершается обзором траектории развития количественного трейдинга и дальнейшего пути читателя, призывая новичков начинать с небольшого капитала и простых стратегий, постепенно накапливая опыт и капитал (рост по принципу пирамиды), и подготавливает почву для последующих глав.

• Глава 2. Поиск идей Эта глава посвящена тому, как находить и оценивать идеи для количественных торговых стратегий. Автор сначала отвечает на вопрос «где найти хорошие идеи для стратегий», указывая, что вдохновение может приходить из различных источников: научных статей, финансовых блогов, торговых форумов, деловых новостей и даже повседневного опыта. Но что более важно, он обсуждает, как оценить, подходит ли стратегия вам. Чан предлагает ряд параметров самооценки, чтобы помочь читателям отфильтровать стратегии, соответствующие их личным обстоятельствам:

  • Доступное рабочее время: Некоторые стратегии требуют высокочастотного мониторинга и корректировки позиций, что подходит для трейдеров, работающих полный рабочий день. Для тех, кто может торговать только неполный рабочий день, следует выбирать низкочастотные стратегии или стратегии исполнения в конце дня.
  • Навыки программирования: Если навыки программирования читателя не сильны, он может начать с простых стратегий в Excel или торговли на основе графиков. Наоборот, те, кто хорошо владеет программированием, могут напрямую реализовывать сложные модели с использованием MATLAB, Python и т. д.
  • Размер торгового капитала: Размер капитала влияет на выбор стратегии. Небольшой капитал подходит для стратегий с низкой емкостью, таких как краткосрочная торговля акциями с малой капитализацией или высокочастотный арбитраж. Большой капитал требует учета масштабируемости стратегии и емкости рынка, чтобы избежать влияния на сам рынок. (Чан предоставляет таблицу, сравнивающую выбор при различных уровнях капитала, например, трейдеры с небольшим капиталом могут склоняться к присоединению к проприетарной торговой фирме для получения кредитного плеча, в то время как трейдеры с большим капиталом могут рассмотреть независимый счет).
  • Цели по доходности: Различные стратегии имеют разные профили риска и доходности и должны соответствовать личным финансовым целям. Некоторые ищут стабильную, умеренную доходность, в то время как другие стремятся к высокой доходности и готовы нести высокую волатильность; стратегии должны быть подобраны соответствующим образом. После этой самооценки, вторая половина главы предоставляет ключевые моменты для «предварительной проверки реализуемости стратегии» — проверки критических вопросов перед тем, как приступить к полному бэктесту:
  • Сравнение с бенчмарком и устойчивость доходности: Значительно ли историческая производительность стратегии превосходит простой бенчмарк (например, индекс), и является ли источник доходности разумным? Является ли кривая капитала гладкой, или она сильно зависит от нескольких крупных сделок?
  • Максимальная просадка и ее продолжительность: Какова историческая максимальная просадка стратегии и ее продолжительность? Является ли просадка настолько глубокой и долгой, что инвестор не смог бы ее выдержать? Это интуитивный показатель уровня риска стратегии.
  • Влияние транзакционных издержек: Если учесть фактические комиссии и проскальзывание, будет ли прибыль стратегии уничтожена? Высокочастотные стратегии, в частности, чрезвычайно чувствительны к издержкам.
  • Ошибка выжившего в данных: Страдают ли используемые исторические данные от ошибки выжившего (включая только выжившие ценные бумаги, игнорируя те, которые были исключены из листинга)? Неполные данные приводят к чрезмерно оптимистичным результатам бэктестов. Чан предупреждает, что бесплатные данные (например, с Yahoo Finance) часто имеют это смещение, в то время как данные без смещения дороги и труднодоступны.
  • Долгосрочная применимость: Изменилась ли производительность стратегии за десятилетия? То есть, была ли она эффективна только в определенный исторический период, или она сохраняла свое преимущество в меняющихся рыночных условиях? Если стратегия недавно потерпела неудачу, будьте осторожны, возможно, она была арбитражирована.
  • Ошибка подгонки данных (ловушка «выуживания» данных): Может ли эта стратегия быть продуктом переобучения? Чан подчеркивает подозрение на «случайную хорошую производительность» — если параметры были выбраны постфактум для соответствия историческим данным, доходность может быть ложным шумом. Это должно быть подтверждено строгим тестированием на вневыборочных данных.
  • Внимание институционалов: Вышеупомянутый вопрос «оставаться незамеченным институционалами». Если стратегия уже используется многими крупными хедж-фондами, индивидуальному трейдеру будет трудно конкурировать. Нишевые стратегии имеют более высокий шанс на успех. С помощью этой серии вопросов автор помогает читателям провести предварительную оценку реализуемости идей стратегий, прежде чем вкладывать ценное время и усилия в полную разработку.

• Глава 3. Бэктестинг Это одна из более технических глав, систематически объясняющая, как правильно проводить исторический бэктестинг, включая используемые инструменты, обработку данных и избегание распространенных ошибок.

  • Инструменты: Чан представляет несколько распространенных платформ и инструментов для бэктестинга: электронные таблицы (Excel) для начинающих, MATLAB для мощных научных вычислений (приложение содержит краткое введение), Python/R (добавлены во втором издании, так как они стали мейнстримом) и интегрированные платформы, такие как TradeStation.
  • Данные: Он обсуждает получение и обработку исторических данных, подчеркивая важность скорректированных цен (для сплитов и дивидендов) и критическую проблему ошибки выжившего. Он отмечает, что «база данных без ошибки выжившего обычно недешева».
  • Метрики производительности: Помимо стандартных метрик, таких как коэффициент Шарпа, Чан подчеркивает важность сосредоточения на Максимальной просадке и периоде ее восстановления, поскольку они напрямую связаны с реальной переносимостью стратегии.
  • Подводные камни бэктестинга: Это важный раздел, охватывающий: _ Ошибка опережения: Использование будущей информации в бэктесте. _ Ошибка подгонки данных: Сообщение только о лучших результатах из множества протестированных стратегий. Чан рекомендует строгую валидацию на вневыборочных данных для борьбы с этим. _ Недостаточный размер выборки: Небольшое количество сделок делает результаты статистически ненадежными. _ Переобучение: Создание стратегии со слишком большим количеством параметров, которая «обманчиво оптимизирована» для прошлого. Он предлагает перекрестную проверку или бэктесты на скользящих выборках для проверки надежности. * Пренебрежение транзакционными издержками: Игнорирование комиссий и проскальзывания. Чан советует быть консервативным и даже переоценивать издержки. Глава завершается тем, что цель бэктестинга — не просто найти «оптимальные» исторические параметры, а проверить логику стратегии и понять ее риски.

• Глава 4. Создание бизнеса Эта глава переходит от технических к практическим вопросам, обсуждая, как начать и структурировать количественный трейдинг как бизнес.

  • Структура бизнеса: Чан взвешивает плюсы и минусы двух путей: торговля как независимый розничный трейдер (полная автономия, но ограниченное кредитное плечо и более высокие издержки) против присоединения/создания проприетарной торговой фирмы (более высокое кредитное плечо, более низкие издержки, но разделение прибыли и меньшая автономия).
  • Выбор брокера: Он перечисляет ключевые критерии для выбора брокера: размер комиссий, доступное кредитное плечо (например, портфельная маржа), доступ к рынку, качество API и репутация. Interactive Brokers упоминается как подходящий выбор для квантов.
  • Инфраструктура: Он охватывает физическую настройку для независимого трейдера: аппаратное обеспечение (мощные компьютеры), сетевое подключение (высокоскоростной интернет), потоки данных и планы резервного копирования/аварийного восстановления (ИБП, резервный интернет). Он также вводит концепцию колокации для стратегий, чувствительных к задержкам, хотя отмечает, что для большинства независимых трейдеров это излишне. Основная идея заключается в том, чтобы относиться к количественному трейдингу как к серьезному предпринимательскому предприятию, тщательно планируя бизнес-архитектуру и инфраструктуру.

• Глава 5. Системы исполнения Эта глава углубляется в процесс исполнения сделок и создания автоматизированной системы.

  • Уровни автоматизации: Чан рекомендует новичкам начинать с полуавтоматизированной системы (например, программа генерирует сигналы, трейдер исполняет вручную), прежде чем переходить к полностью автоматизированной системе, которая подключается к API брокера для обработки всего, от генерации сигналов до размещения ордеров.
  • Проектирование системы: Он подчеркивает создание надежных и отказоустойчивых систем, которые могут обрабатывать исключения, такие как сбои сети или отклоненные ордера.
  • Минимизация транзакционных издержек: Автоматизированная система может интеллектуально снижать издержки за счет алгоритмического разделения ордеров или выбора между рыночными и лимитными ордерами.
  • Бумажная торговля: Автор настоятельно рекомендует тестировать систему в симуляции реального рынка (бумажная торговля), прежде чем рисковать реальными деньгами. Это помогает выявить ошибки и логистические проблемы.
  • Проскальзывание производительности: Чан признает, что реальная производительность часто не соответствует результатам бэктестов из-за таких факторов, как проскальзывание, задержка и влияние на рынок. Он советует трейдерам отслеживать эти расхождения и постоянно совершенствовать модель исполнения. Ключевой вывод заключается в том, что эффективное и надежное исполнение — это проблема «последней мили» в превращении хорошей стратегии в реальную прибыль.

• Глава 6. Управление капиталом и рисками Эта глава посвящена управлению капиталом и контролю рисков, что имеет решающее значение для выживания и долгосрочной прибыльности.

  • Оптимальное распределение капитала: Чан вводит критерий Келли как теоретическое руководство для определения оптимального размера позиции для максимизации долгосрочного роста благосостояния. Однако он предупреждает, что использование полной ставки Келли может быть слишком волатильным, и предлагает использовать на практике подход «половины Келли» или «дробной Келли».
  • Типы рисков: Глава охватывает всесторонний обзор рисков: _ Риск на уровне портфеля: Установление бюджетов рисков для стратегий и мониторинг корреляций между ними. _ Риск кредитного плеча: Осторожное использование кредитного плеча и мониторинг маржинальных требований. _ Риск модели: Риск того, что базовые предположения стратегии неверны или становятся недействительными. _ Технологический и операционный риск: Риски от ошибок программного обеспечения, сбоев оборудования или отключений электроэнергии. Он рекомендует иметь планы на случай непредвиденных обстоятельств. * Психологический риск: Риск того, что трейдер эмоционально вмешивается в систематическую стратегию. Руководящая философия — «риск-прежде всего». Успех зависит не только от получения прибыли, но и от контроля потерь и выживания достаточно долго, чтобы получить прибыль.

• Глава 7. Специальные темы в количественном трейдинге Эта глава охватывает набор продвинутых тем и конкретных типов стратегий.

  • Возврат к среднему против импульса: Подробное сравнение двух доминирующих философий стратегий, подчеркивающее важность определения рыночного «режима» (трендового или бокового).
  • Переключение режимов и условные параметры: Обсуждается создание моделей, которые адаптируются к меняющимся рыночным условиям. Пример 7.1 показывает использование машинного обучения для обнаружения точек разворота рынка и соответствующей корректировки параметров стратегии.
  • Стационарность и коинтеграция: Объясняет статистическую концепцию коинтеграции для парного трейдинга. Парная торговля GLD против GDX (Пример 3.6/7.2) — это классическое тематическое исследование, используемое для демонстрации всего процесса от тестирования на коинтеграцию до бэктестинга стратегии. Контрпример с использованием KO против PEP (Пример 7.3) показывает, что высокая корреляция не гарантирует коинтеграцию.
  • Факторные модели: Вводит многофакторные модели (например, Фама-Френч) для объяснения доходности и управления рисками. Он показывает, как анализ главных компонент (PCA) может быть использован для извлечения базовых факторов (Пример 7.4).
  • Стратегии выхода: Обсуждается важность хорошо определенного плана выхода, охватывающего такие методы, как целевые уровни прибыли, стоп-лоссы, выходы по времени и скользящие стопы.
  • Сезонные торговые стратегии: Исследует календарные эффекты, используя «Январский эффект» в акциях с малой капитализацией в качестве конкретного, протестированного примера (Пример 7.6).
  • Высокочастотный трейдинг (HFT): Кратко вводит концепции и стратегии HFT (маркет-мейкинг, арбитраж задержек), признавая, что, хотя настоящий HFT недоступен для большинства частных лиц, принципы могут быть информативными.
  • Высокое кредитное плечо против высокой беты: Обсуждение того, что лучше: использовать кредитное плечо для портфеля с низким риском или инвестировать в высокорисковый (с высокой бетой) портфель без кредитного плеча, заключая, что стратегия с высоким коэффициентом Шарпа и низкой волатильностью с умеренным кредитным плечом, как правило, превосходит.

• Глава 8. Заключение Заключительная глава резюмирует ключевые сообщения книги и дает рекомендации для дальнейших шагов читателя. Чан повторяет, что независимые трейдеры могут добиться успеха, следуя дисциплинированному, научному пути. Он призывает читателей:

  • Продолжайте учиться и практиковаться: Читайте больше, следите за блогами и экспериментируйте с небольшими суммами капитала.
  • Общайтесь и сотрудничайте: Найдите партнеров или наставников для создания команды.
  • Рассмотрите карьерные пути: Используйте самостоятельно разработанные стратегии в качестве портфолио для поиска работы в отрасли.
  • Будьте в курсе: Следите за новыми технологиями и изменениями на рынке, такими как использование машинного обучения. Глава завершается реалистичной, но обнадеживающей нотой, подчеркивая терпение и настойчивость как ключи к долгосрочному успеху.

• Приложения:

  • Приложение A: Краткое руководство по MATLAB для читателей, незнакомых с программным обеспечением.
  • Приложение B (неявное): Математический вывод критерия Келли для нормально распределенной доходности.

4. Конкретная методология​

В книге изложена систематическая методология для разработки и запуска бизнеса по количественному трейдингу. Этот процесс можно резюмировать в следующих логических шагах:

1. Генерация идей и выбор стратегий: Начните с поиска идей из нескольких каналов (исследования, наблюдения), а затем проведите предварительную проверку реализуемости на основе логики, личного соответствия (время, навыки, капитал) и институциональной конкуренции.
2. Сбор и подготовка данных: Получите необходимые исторические данные, отдавая приоритет качеству (без смещений, если возможно). Очистите, скорректируйте (для сплитов/дивидендов) и отформатируйте данные для стратегии.
3. Моделирование и валидация бэктестов: Создайте строгий механизм бэктестинга, который избегает ошибки опережения и учитывает реалистичные издержки. Проверьте производительность стратегии с помощью внутривыборочной оптимизации и вневыборочного тестирования, чтобы обеспечить надежность и избежать переобучения.
4. Оптимизация и подтверждение стратегии: Уточните стратегию на основе результатов бэктестов, но избегайте чрезмерной подгонки кривой. Цель — простая, надежная модель. Подтвердите окончательную модель и рассмотрите возможность создания портфеля некоррелированных стратегий.
5. Структура бизнеса и подготовка счетов: Определите юридическую и операционную структуру (розничный трейдер против проприетарной фирмы). Настройте необходимые брокерские счета, обеспечьте финансирование и убедитесь, что все API-соединения работают.
6. Разработка системы исполнения: Создайте или настройте автоматизированную или полуавтоматизированную торговую систему для преобразования сигналов в реальные ордера. Сначала тщательно протестируйте эту систему в симулированной среде.
7. Реальная торговля и мониторинг: Разверните стратегию с реальным капиталом. Постоянно отслеживайте ее производительность по сравнению с ожиданиями и историческими бэктестами. Поддерживайте строгую дисциплину и придерживайтесь правил управления рисками.
8. Итерация стратегии и новая разработка: Используйте обратную связь в реальном времени для внесения обоснованных корректировок в существующую стратегию. Одновременно продолжайте цикл исследований и разработок для создания новых, некоррелированных стратегий для роста бизнеса.

Эту методологию подкрепляют два принципа:

• Сочетание количественного и качественного анализа: Хотя Чан ориентирован на данные, он советует использовать здравый смысл и экономическую интуицию для проверки идей и управления рисками.
• Приоритет простоты: Следуя максиме Эйнштейна: «Делайте вещи как можно проще, но не проще», он выступает за простые, понятные и поддерживаемые стратегии вместо сложных «черных ящиков».

5. Практические примеры применения​

Книга богата практическими примерами, иллюстрирующими ее концепции. Ключевые примеры включают:

Пример исследования	Глава(ы)	Иллюстрируемая ключевая концепция	Детали
Парная торговля GLD против GDX	3, 5, 7	Коинтеграция, возврат к среднему, бэктестинг	Подробное описание тестирования на коинтеграцию, оптимизации параметров на обучающем наборе, валидации на тестовом наборе и расчета периода полураспада возврата к среднему.
Тест на коинтеграцию KO против PEP	7	Коинтеграция против корреляции	Демонстрирует, что две высококоррелированные акции в одной отрасли не обязательно коинтегрированы, предостерегая от принятия предположений без статистического доказательства.
Дрейф после объявления о доходах (PEAD)	7	Импульсная стратегия	Приводит исследования феномена PEAD как классического примера импульсной стратегии, обусловленной медленным распространением фундаментальной информации.
Январский эффект	7	Сезонная стратегия	Представляет бэктест (с кодом MATLAB) стратегии, которая покупает акции с малой капитализацией в январе, показывая, как рыночная аномалия может быть превращена в стратегию, основанную на правилах.
Машинное обучение для режимов	7	Переключение режимов, продвинутые методы	Представляет идею использования моделей машинного обучения для прогнозирования изменений в поведении рынка (например, от трендового к боковому) для динамической адаптации параметров стратегии.
Применение критерия Келли	6	Управление капиталом, определение размера позиции	Предлагает четкий, основанный на формулах метод определения оптимального размера ставки для максимизации долгосрочного роста при управлении риском, с практическими советами по использованию дробного подхода.
Использование инструментов и данных	Различные	Практические навыки	Включает фрагменты кода для таких задач, как сбор исторических данных с Yahoo Finance с помощью MATLAB, демонстрируя, как получать и обрабатывать данные для анализа.

Эти конкретные примеры служат шаблонами, позволяя читателям переходить от теории к практике и применять методы книги к своим собственным идеям.

6. Информация об авторе​

Понимание личности автора, доктора Эрнеста П. Чана, является ключом к оценке ценности книги.

• Образование и опыт работы на Уолл-стрит: Доктор Чан имеет степень доктора философии по теоретической физике Корнеллского университета. Его сильный количественный опыт привел его к карьере на Уолл-стрит, где он работал количественным аналитиком и разработчиком в таких учреждениях, как IBM Research, Morgan Stanley, Credit Suisse и хедж-фонд Millennium Partners. Этот опыт дал ему практические знания в области статистического арбитража, высокочастотного трейдинга и интеллектуального анализа данных.

• Предпринимательство и консалтинг: После ухода с Уолл-стрит Чан основал собственную фирму по управлению количественными инвестициями, QTS Capital Management, LLC, где он торговал систематическими стратегиями для частных клиентов. Позже он основал PredictNow.ai, компанию по разработке программного обеспечения для финансового машинного обучения и консалтингу. Его предпринимательская и консалтинговая деятельность держала его на переднем крае практических количественных финансов.

• Автор и преподаватель: Доктор Чан — плодовитый автор, известный своим практичным и доступным стилем письма. Среди его других популярных книг — Алгоритмический трейдинг: выигрышные стратегии и их обоснование (2013) и Машинный трейдинг: применение компьютерных алгоритмов для завоевания рынков (2017), а совсем недавно — Генеративный ИИ для трейдинга и управления активами (2023). Его готовность делиться кодом, данными и с трудом завоеванными уроками принесла ему звездную репутацию в квантовом сообществе.

• Влияние на сообщество: С 2006 года доктор Чан ведет популярный блог (epchan.blogspot.com), делясь идеями и стратегиями. Он также является активным преподавателем, читая курсы для таких учреждений, как QuantInsti и Наньянский технологический университет в Сингапуре.

В итоге, доктор Чан — уважаемый практикующий ученый, который успешно преодолел разрыв между институциональными количественными финансами и независимым торговым сообществом. Его работа сыграла важную роль в демистификации этой области и расширении возможностей частных лиц. Как выразился один из читателей, Кори Хоффштейн: «Книга Эрни — идеальное руководство для тех, кто стремится пройти путь от 0 до 1 в количественном трейдинге». Авторитет книги проистекает не только из ее содержания, но и из глубокого и достоверного опыта автора как в теории, так и на практике.

---

Ссылки:

• Чан, Эрнест П. Количественный трейдинг: как построить собственный бизнес по алгоритмической торговле. Wiley, 1-е изд. 2009 и 2-е изд. 2021. (Оглавление и выдержки).
• Чан, Эрнест П. – Предисловие ко второму изданию и аннотация (2021); Отзывы о книге.
• Краткое изложение книги SoBrief – Ключевые выводы по количественному трейдингу.
• Биография преподавателя QuantInsti – Доктор Эрнест П. Чан (образование, карьера, книги).
• Подробная информация о книге Akademika – Информация о продукте и биография автора.
• Выдержки из PDF Investarr – Пример 3.6 (парная торговля GLD-GDX); Пример 7.1 (ML для переключения режимов); Пример 7.3 (тест на коинтеграцию KO-PEP); Пример 7.6 (код январского эффекта); Обсуждение импульса против возврата к среднему; Ссылки на данные и Yahoo Finance.

Введение​

Децентрализованные сети физической инфраструктуры (DePIN) — это блокчейн-проекты, которые стимулируют людей развертывать реальное оборудование в обмен на крипто-токены. Используя незадействованные или недостаточно используемые ресурсы — от радиопередатчиков до жестких дисков и GPU — проекты DePIN создают краудсорсинговые сети, предоставляющие реальные услуги (связь, хранение данных, вычисления и т. д.). Эта модель превращает обычно простаивающую инфраструктуру (например, неиспользуемую пропускную способность, дисковое пространство или мощность GPU) в активные, приносящие доход сети, вознаграждая участников токенами. Основными ранними примерами являются Helium (краудсорсинговые беспроводные сети) и Filecoin (распределенное хранение данных), а новые участники нацелены на вычисления на GPU и совместное использование покрытия 5G (например, Render Network, Akash, io.net).

Обещание DePIN заключается в распределении затрат на создание и эксплуатацию физических сетей с помощью токен-стимулов, что позволяет масштабировать сети быстрее, чем традиционные централизованные модели. Однако на практике эти проекты должны тщательно разрабатывать экономические модели, чтобы токен-стимулы превращались в реальное использование услуг и устойчивую ценность. Ниже мы проанализируем экономические модели ключевых сетей DePIN, оценим, насколько эффективно вознаграждения в токенах способствовали реальному использованию инфраструктуры, и как эти проекты соединяются с бурно растущим спросом на вычисления, связанные с ИИ.

Экономические модели ведущих проектов DePIN​

Helium (Децентрализованный беспроводной IoT и 5G)​

Helium стал пионером в создании децентрализованной беспроводной сети, стимулируя частных лиц развертывать радио- хотспоты. Изначально ориентированная на IoT (LoRaWAN) и позже расширенная на покрытие малых сот 5G, модель Helium строится вокруг нативного токена HNT. Операторы хотспотов зарабатывают HNT, участвуя в Proof-of-Coverage (PoC) — по сути, доказывая, что они обеспечивают беспроводное покрытие в определенном месте. В двухтокеновой системе Helium токен HNT имеет полезность через Data Credits (DC): пользователи должны сжигать HNT для выпуска непередаваемых DC, которые используются для оплаты фактического использования сети (подключения устройств) по фиксированной ставке 0,0001 $ за 24 байта. Этот механизм сжигания создает равновесие сжигания и выпуска (burn-and-mint equilibrium), при котором рост использования сети (расход DC) приводит к сжиганию большего количества HNT, что со временем сокращает предложение.

Изначально Helium работал на собственном блокчейне с инфляционной эмиссией HNT, которая сокращалась вдвое (халвинг) каждые два года (что давало постепенно уменьшающееся предложение и итоговый максимум около ~223 миллионов HNT в обращении). В 2023 году Helium мигрировал на Solana и представил структуру «сети сетей» с суб-DAO. Теперь сеть IoT и мобильная сеть 5G Helium имеют свои собственные токены (IOT и MOBILE соответственно), которыми вознаграждаются операторы хотспотов, в то время как HNT остается центральным токеном для управления и ценности. HNT можно обменять на токены суб-DAO (и наоборот) через пулы казначейства, также HNT используется для стейкинга в модели управления veHNT. Эта структура направлена на согласование стимулов в каждой подсети: например, операторы 5G-хотспотов зарабатывают токены MOBILE, которые могут быть конвертированы в HNT, что фактически связывает вознаграждение с успехом конкретной услуги.

Создание экономической ценности: Ценность Helium создается за счет предоставления недорогого беспроводного доступа. Распределяя вознаграждения в токенах, Helium переложил капитальные затраты (capex) на развертывание сети на частных лиц, которые приобретали и запускали хотспоты. Теоретически, по мере использования сети предприятиями и IoT-устройствами (путем расходования DC, требующих сжигания HNT), этот спрос должен поддерживать стоимость HNT и финансировать текущие вознаграждения. Helium поддерживает свою экономику через цикл сжигания и расходования: пользователи сети покупают HNT (или используют вознаграждения HNT) и сжигают их для получения DC для использования сети, а протокол выпускает HNT (согласно фиксированному графику) для оплаты провайдеров хотспотов. В дизайне Helium часть эмиссии HNT также выделялась основателям и в резерв сообщества, но большая часть всегда предназначалась операторам хотспотов как стимул для построения покрытия. Как будет обсуждаться далее, главной проблемой Helium стало привлечение достаточного платежеспособного спроса, чтобы сбалансировать щедрые стимулы со стороны предложения.

Filecoin (Децентрализованная сеть хранения данных)​

Filecoin — это децентрализованный рынок хранения данных, где каждый может предоставить дисковое пространство и заработать токены за хранение данных. Его экономическая модель построена вокруг токена FIL. Блокчейн Filecoin вознаграждает провайдеров хранилища (майнеров) блочными наградами в FIL за предоставление хранилища и корректное хранение данных клиентов — используя криптографические доказательства (Proof-of-Replication и Proof-of-Spacetime) для проверки надежности хранения данных. Клиенты, в свою очередь, платят FIL майнерам за хранение или извлечение своих данных, договариваясь о ценах на открытом рынке. Это создает цикл стимулирования: майнеры инвестируют в оборудование и вносят залог (стекинг) в FIL (для гарантии качества обслуживания), зарабатывая FIL в качестве вознаграждения за добавление емкости хранилища и выполнение сделок по хранению, в то время как клиенты тратят FIL на услуги хранения.

Распределение токенов Filecoin сильно смещено в сторону стимулирования предложения хранилища. FIL имеет максимальное предложение в 2 миллиарда, при этом 70% зарезервировано для вознаграждений за майнинг. (Фактически, ~1,4 миллиарда FIL выделены для выпуска в качестве вознаграждений за блоки майнерам хранилища на протяжении многих лет.) Остальные 30% были распределены между заинтересованными сторонами: 15% — Protocol Labs (команда основателей), 10% — инвесторам и 5% — Filecoin Foundation. Эмиссия вознаграждений за блоки следует графику, несколько смещенному на ранние этапы (с шестилетним периодом полураспада), что означало высокую инфляцию предложения в первые годы для быстрого запуска крупной сети хранения. Чтобы сбалансировать это, Filecoin требует от майнеров блокировать FIL в качестве залога за каждый гигабайт данных, который они обязуются хранить — если они не смогут доказать сохранность данных, они могут быть наказаны (слэшинг) потерей части залога. Этот механизм согласует интересы майнеров с надежностью сервиса.

Создание экономической ценности: Filecoin создает ценность, предлагая устойчивое к цензуре и избыточное хранение данных по потенциально более низким ценам, чем централизованные облачные провайдеры. Стоимость токена FIL привязана к спросу на хранение и полезности сети: клиенты должны приобретать FIL для оплаты хранения данных, а майнерам FIL необходим как для залога, так и зачастую для покрытия расходов или в качестве дохода. Изначально большая часть активности Filecoin была вызвана тем, что майнеры стремились заработать токены, иногда сохраняя данные с нулевой ценностью или дубликаты просто для увеличения своей мощности хранения и получения вознаграждений за блоки. Чтобы поощрять полезное хранение, Filecoin ввел программу Filecoin Plus: клиенты с подтвержденными полезными данными (например, открытые наборы данных, архивы) могут регистрировать сделки как «верифицированные», что дает майнерам в 10 раз больше эффективной мощности для этих сделок, что конвертируется в пропорционально большие вознаграждения в FIL. Это стимулировало майнеров искать реальных клиентов и значительно увеличило объем полезных данных, хранящихся в сети. К концу 2023 года объем активных сделок в сети Filecoin вырос примерно до 1 800 ПиБ, что в 3,8 раза больше по сравнению с прошлым годом, при этом использование хранилища выросло до ~20% от общей емкости (с всего лишь ~3% в начале 2023 года). Другими словами, токен-стимулы помогли создать колоссальную емкость, и теперь растущая часть этой емкости заполняется платящими клиентами — признак того, что модель начинает поддерживать себя реальным спросом. Filecoin также расширяется на смежные услуги (см. раздел Тренды вычислений для ИИ ниже), что может создать новые потоки доходов (например, децентрализованная доставка контента и услуги вычислений над данными или compute-over-data) для укрепления экономики FIL помимо простых комиссий за хранение.

Render Network (Децентрализованный рендеринг и вычисления на GPU)​

Render Network — это децентрализованный маркетплейс для вычислений на базе GPU, который изначально специализировался на рендеринге 3D-графики, а теперь также поддерживает задачи по обучению и инференсу моделей ИИ. Экономика платформы работает на базе нативного токена RNDR (недавно обновленного до тикера RENDER в сети Solana). Создатели (пользователи, которым нужны мощности GPU) платят в RNDR за задачи рендеринга или вычислений, а Операторы узлов (поставщики GPU) зарабатывают RNDR, выполняя эти задачи. Эта базовая модель превращает простаивающие GPU (принадлежащие частным лицам или дата-центрам) в распределенную облачную ферму рендеринга. Чтобы гарантировать качество и справедливость, Render использует эскроу-смарт-контракты: клиенты отправляют задачи и сжигают эквивалент платежа в RNDR, который удерживается до тех пор, пока операторы узлов не представят доказательство выполнения работы, после чего RNDR высвобождается в качестве вознаграждения. Изначально RNDR функционировал как чистый утилитарный/платежный токен, но недавно сеть обновила свою токеномику до модели «сжигание и минтинг» (Burn-and-Mint Equilibrium, BME) для лучшего баланса спроса и предложения.

В рамках модели BME все задачи по рендерингу или вычислениям оцениваются в стейблкоинах (USD), а оплачиваются в токенах RENDER, которые сжигаются по завершении работы. Параллельно протокол минтит новые токены RENDER в соответствии с заранее определенным графиком снижающейся эмиссии для компенсации операторам узлов и другим участникам. По сути, платежи пользователей за работу уничтожают токены, в то время как сеть выпускает токены с контролируемой скоростью в качестве вознаграждений за майнинг — чистое предложение может увеличиваться или уменьшаться со временем в зависимости от использования. Сообщество одобрило первоначальную эмиссию около 9,1 миллиона RENDER в первый год работы BME (середина 2023 — середина 2024 гг.) в качестве сетевых стимулов и установило долгосрочное максимальное предложение на уровне около 644 миллионов RENDER (по сравнению с первоначальными 536,9 миллионами RNDR, выпущенными при запуске). Примечательно, что распределение токенов RENDER было сильно ориентировано на рост экосистемы: 65% первоначального предложения было выделено в казначейство (для будущих стимулов сети), 25% — инвесторам и 10% — команде и консультантам. Благодаря BME это казначейство распределяется через контролируемую эмиссию для вознаграждения поставщиков GPU и других участников, в то время как механизм сжигания напрямую связывает эти вознаграждения с использованием платформы. RNDR также служит токеном управления (владельцы токенов могут голосовать за предложения Render Network). Кроме того, операторы узлов в Render могут стейкать RNDR, чтобы подтвердить свою надежность и потенциально получать больше работы, что добавляет еще один уровень стимулирования.

Экономическое создание ценности: Render Network создает ценность, предоставляя вычислительные мощности GPU по запросу за долю от стоимости традиционных облачных инстансов GPU. К концу 2023 года основатель Render отметил, что студии уже использовали сеть для рендеринга графики кинокачества со значительными преимуществами в стоимости и скорости — «одна десятая стоимости» и с огромной совокупной мощностью, превосходящей любого отдельного облачного провайдера. Такое ценовое преимущество возможно потому, что Render использует незадействованные GPU по всему миру (от любительских систем до профессиональных ферм рендеринга), которые в противном случае простаивали бы. С ростом спроса на время GPU (как для графики, так и для ИИ), маркетплейс Render удовлетворяет критическую потребность. Важно отметить, что модель токена BME означает, что стоимость токена напрямую связана с использованием сервиса: чем больше задач по рендерингу и ИИ проходит через сеть, тем больше RENDER сжигается (создавая давление на покупку или сокращая предложение), в то время как стимулы для узлов масштабируются только по мере выполнения этих задач. Это помогает избежать ситуации «оплаты впустую» — если использование сети стагнирует, эмиссия токенов в конечном итоге опережает сжигание (увеличивая предложение), но если использование растет, сжигание может компенсировать или даже превысить эмиссию, потенциально делая токен дефляционным, при этом вознаграждая операторов. Сильный интерес к модели Render отразился на рынке: цена RNDR взлетела в 2023 году, увеличившись в стоимости более чем на 1000%, так как инвесторы ожидали резкого роста спроса на децентрализованные GPU-сервисы на фоне бума ИИ. При поддержке OTOY (лидера в области ПО для облачного рендеринга) и использовании в производстве крупными студиями, Render Network позиционируется как ключевой игрок на пересечении Web3 и высокопроизводительных вычислений.

Akash Network (Децентрализованные облачные вычисления)​

Akash — это децентрализованный маркетплейс облачных вычислений, который позволяет пользователям арендовать общие вычислительные ресурсы (виртуальные машины, контейнеры и т. д.) у провайдеров со свободными серверными мощностями. Его можно рассматривать как децентрализованную альтернативу AWS или Google Cloud, работающую на основе блокчейн-системы обратных аукционов. Нативный токен AKT занимает центральное место в экономике Akash: клиенты оплачивают аренду вычислительных мощностей в AKT, а провайдеры зарабатывают AKT за предоставление ресурсов. Akash построен на базе Cosmos SDK и использует блокчейн с алгоритмом Delegated Proof-of-Stake для обеспечения безопасности и координации. Таким образом, AKT также функционирует как токен стейкинга и управления — валидаторы стейкают AKT (а пользователи делегируют AKT валидаторам), чтобы защищать сеть и получать вознаграждения за стейкинг.

Маркетплейс Akash работает через систему ставок: клиент определяет параметры развертывания (ЦП, ОЗУ, хранилище, возможно, требования к GPU) и максимальную цену, а несколько провайдеров могут предлагать свои услуги, снижая цену. Как только клиент принимает предложение, формируется аренда (lease), и рабочая нагрузка запускается на инфраструктуре выбранного провайдера. Платежи за аренду обрабатываются блокчейном: клиент вносит AKT в эскроу, и они постепенно передаются провайдеру в течение всего времени активности развертывания. Уникальной особенностью является то, что сеть Akash взимает протокольную комиссию (take rate) с каждой аренды для финансирования экосистемы и вознаграждения стейкеров AKT: 10% от суммы аренды, если оплата производится в AKT (или 20%, если в другой валюте), направляется в качестве комиссионных в казначейство сети и стейкерам. Это означает, что стейкеры AKT зарабатывают часть от общего использования сети, что связывает стоимость токена с фактическим спросом на платформе. Для повышения удобства обычных пользователей Akash интегрировала платежи стейблкоинами и кредитными картами (через свое консольное приложение): клиент может платить в стейблкоинах USD, которые внутри системы конвертируются в AKT (с более высокой ставкой комиссии). Это снижает риск волатильности для пользователей, сохраняя при этом ценность токена AKT (так как эти платежи в стейблкоинах в конечном итоге приводят к покупке/сжиганию AKT или распределению среди стейкеров).

Что касается предложения, токеномика AKT разработана для стимулирования долгосрочного участия. Akash начал с 100 миллионов AKT в генезис-блоке и имеет максимальное предложение 389 миллионов за счет инфляции. Скорость инфляции является адаптивной и зависит от доли застейканных AKT: целевой показатель составляет 20–25% годовой инфляции при низком коэффициенте стейкинга и около 15%, если застейкан высокий процент AKT. Такая адаптивная инфляция (распространенная схема в сетях на базе Cosmos) побуждает держателей стейкать токены (способствуя безопасности сети), вознаграждая их больше, когда участие в стейкинге низкое. Вознаграждения за блоки из инфляции выплачиваются валидаторам и делегаторам, а также идут на финансирование резерва для роста экосистемы. Первоначальное распределение AKT включало аллокации для инвесторов, основной команды (Overclock Labs) и фонда экосистемы (например, ранняя программа в 2024 году финансировала привлечение провайдеров GPU).

Экономическое создание ценности: Akash создает ценность, предлагая облачные вычисления по потенциально гораздо более низким ценам, чем традиционные облачные провайдеры, за счет использования недозагруженных серверов по всему миру. Децентрализуя облако, он также стремится заполнить региональные пробелы и снизить зависимость от нескольких крупных технологических компаний. Ценность токена AKT растет за счет нескольких факторов: комиссии со стороны спроса (больше нагрузок = больше комиссий в AKT стейкерам), потребности со стороны предложения (провайдеры могут хранить или стейкать заработанное, а также должны стейкать часть AKT в качестве залога для предоставления услуг) и общего роста сети (AKT необходим для управления и как резервная валюта экосистемы). Важно отметить, что по мере запуска большего количества реальных рабочих нагрузок на Akash, доля AKT в обращении, используемая для стейкинга и депозитов комиссий, должна увеличиваться, отражая реальную полезность. Изначально Akash видел умеренное использование для веб-сервисов и хостинга криптоинфраструктуры, но в конце 2023 года он расширил поддержку нагрузок на GPU, что позволило запускать в сети обучение ИИ, машинное обучение и высокопроизводительные вычисления. Это значительно подстегнуло использование Akash в 2024 году. К третьему кварталу 2024 года показатели сети продемонстрировали взрывной рост: количество активных развертываний («аренд») выросло на 1729% в годовом исчислении, а средняя комиссия за аренду (показатель сложности нагрузок) выросла на 688%. На практике это означает, что пользователи развертывают гораздо больше приложений на Akash и готовы запускать более крупные и длительные рабочие нагрузки (многие из которых связаны с GPU) — доказательство того, что токенные стимулы привлекли реальный платный спрос. Команда Akash сообщила, что к концу 2024 года в сети было более 700 активных GPU с утилизацией ~78% (т. е. ~78% мощностей GPU арендовано в любой момент времени). Это сильный сигнал эффективной конверсии стимулов токена. Встроенная модель разделения комиссий также означает, что по мере роста использования стейкеры AKT получают доход протокола, фактически связывая вознаграждения в токенах с фактическим доходом от услуг — что является более здоровой долгосрочной экономической моделью.

io.net (Децентрализованное GPU-облако для ИИ)​

io.net — это новый участник рынка (построен на Solana), стремящийся стать «крупнейшей в мире сетью GPU», специально ориентированной на рабочие нагрузки ИИ и машинного обучения. Его экономическая модель опирается на опыт более ранних проектов, таких как Render и Akash. Нативный токен IO имеет фиксированное максимальное предложение в 800 миллионов. При запуске 500 миллионов IO были предварительно сминтированы и распределены между различными заинтересованными сторонами, а остальные 300 миллионов IO выпускаются в качестве вознаграждений за майнинг в течение 20-летнего периода (распределяются ежечасно между поставщиками GPU и стейкерами). Примечательно, что io.net внедряет механизм сжигания на основе выручки: часть сетевых сборов/доходов используется для сжигания токенов IO, что напрямую связывает предложение токенов с использованием платформы. Эта комбинация — ограниченное предложение с постепенной эмиссией и сжигание, зависящее от использования — призвана обеспечить долгосрочную устойчивость экономики токена.

Чтобы присоединиться к сети в качестве узла GPU, провайдеры обязаны внести в стейкинг минимальное количество IO в качестве залога. Это служит двум целям: сдерживает злонамеренные или низкокачественные узлы (так как у них есть экономическая заинтересованность, или «шкура на кону») и снижает немедленное давление со стороны продавцов токенов вознаграждения (поскольку узлы должны заблокировать часть токенов для участия). Стейкеры (к которым могут относиться как провайдеры, так и другие участники) также получают долю сетевых вознаграждений, что согласовывает стимулы внутри экосистемы. Со стороны спроса клиенты (разработчики ИИ и т. д.) оплачивают вычислительные мощности GPU на io.net, предположительно в токенах IO или возможных стабильных эквивалентах — проект заявляет, что предлагает мощность облачных GPU по цене на 90% ниже, чем традиционные провайдеры, такие как AWS. Эти сборы за использование запускают механизм сжигания: по мере поступления выручки часть токенов сжигается, связывая успех платформы с дефицитностью токена.

Создание экономической ценности: Ценностное предложение io.net заключается в агрегировании мощностей GPU из множества источников (дата-центров, криптомайнеров, перепрофилирующих свои фермы и т. д.) в единую сеть, которая может предоставлять вычислительные ресурсы по требованию для ИИ в огромных масштабах. Стремясь привлечь более 1 миллиона GPU по всему миру, io.net планирует превзойти по масштабам любое одиночное облако и удовлетворить растущий спрос на обучение и логический вывод моделей ИИ. Токен IO аккумулирует стоимость через сочетание механизмов: предложение ограничено (поэтому стоимость токена может расти при росте спроса на услуги сети), использование сжигает токены (напрямую создавая обратную связь по стоимости токена от выручки за услуги), а токенные вознаграждения стимулируют предложение (постепенно распределяя токены тем, кто предоставляет GPU, обеспечивая рост сети). По сути, экономическая модель io.net — это доработанный подход DePIN, где стимулы на стороне предложения (ежечасная эмиссия IO) существенны, но конечны, и они уравновешиваются механизмами вывода токенов (сжиганием), которые масштабируются вместе с фактическим использованием. Это разработано для того, чтобы избежать ловушки чрезмерной инфляции при отсутствии спроса. Как мы увидим, тренд на вычисления для ИИ обеспечивает большой и растущий рынок для таких сетей, как io.net, что может привести к желаемому равновесию, когда токенные стимулы ведут к активному использованию сервиса. (io.net все еще находится на этапе становления, поэтому его реальные показатели еще предстоит доказать, но его структура явно нацелена на потребности сектора вычислений для ИИ.)

Таблица 1: Ключевые особенности экономических моделей выбранных проектов DePIN

Проект	Сектор	Токен (Тикер)	Предложение и распределение	Механизм стимулирования	Полезность токена и поток стоимости
Helium	Децентрализованная беспроводная связь (IoT и 5G)	Токен сети Helium (HNT); плюс саб-токены IOT и MOBILE	Переменное предложение, уменьшающаяся эмиссия: Эмиссия HNT сокращается вдвое примерно каждые 2 года (согласно оригинальному блокчейну), с целью достижения ~223 млн HNT в обращении через 50 лет. Мигрировал на Solana с двумя новыми саб-токенами: IOT и MOBILE, которыми вознаграждаются владельцы хотспотов IoT и 5G.	Майнинг Proof-of-Coverage: Хотспоты зарабатывают токены IOT или MOBILE за обеспечение покрытия (LoRaWAN или 5G). Эти саб-токены можно конвертировать в HNT через пулы казначейства. HNT вносится в стейкинг для управления (veHNT) и является основой для вознаграждений во всех сетях.	Использование сети через Data Credits: HNT сжигается для создания Data Credits (DC) для подключения устройств (фиксированная цена $0,0001 за 24 байта). Все сетевые сборы (покупка DC) фактически сжигают HNT (сокращая предложение). Таким образом, стоимость токена привязана к спросу на передачу данных IoT/Mobile. Стоимость HNT также подкрепляет токены subDAO (обеспечивая их конвертируемость в дефицитный актив).
Filecoin	Децентрализованное хранилище	Filecoin (FIL)	Ограниченное предложение в 2 миллиарда: 70% выделено на вознаграждения за майнинг хранилища (выпускаются в течение десятилетий); ~30% — Protocol Labs, инвесторам и фонду. Блочные вознаграждения следуют шестилетнему циклу полураспада (более высокая инфляция в начале, постепенное снижение позже).	Майнинг хранилища: Провайдеры хранилищ зарабатывают блочные вознаграждения FIL пропорционально доказанному объему предоставленного хранилища. Клиенты платят FIL за хранение или извлечение данных. Майнеры вносят залог в FIL, который может быть урезан (slashed) за сбои. Filecoin Plus дает 10-кратное вознаграждение за мощность за «полезные» данные клиентов для стимулирования реального хранения.	Оплата и залог: FIL является валютой для сделок по хранению — клиенты тратят FIL для хранения данных, создавая органический спрос на токен. Майнеры блокируют FIL в качестве залога (временно сокращая оборотное предложение) и зарабатывают FIL за полезные услуги. По мере роста использования все больше FIL связывается в сделках и залогах. Сетевые сборы (за транзакции) минимальны (Filecoin фокусируется на сборах за хранение, которые идут майнерам). В долгосрочной перспективе стоимость FIL зависит от спроса на хранение данных и новых сценариев использования (например, Filecoin Virtual Machine, позволяющая использовать смарт-контракты для данных, что потенциально создает новые механизмы поглощения сборов).
Render Network	Децентрализованные вычисления на GPU (рендеринг и ИИ)	Токен Render (RNDR / RENDER)	Начальное предложение ~536,9 млн RNDR, увеличено до макс. ~644 млн через новую эмиссию. Равновесие «сжигание-и-минтинг» (BME): Новые RENDER выпускаются по фиксированному графику (пул инфляции 20% в течение ~5 лет, затем остаточная эмиссия). Эмиссия финансирует сетевые стимулы (вознаграждения узлов и т. д.). Сжигание: Платежи пользователей в RENDER сжигаются за каждое выполненное задание. Распределение: 65% — казначейство (сетевые операции и вознаграждения), 25% — инвесторы, 10% — команда/консультанты.	Маркетплейс для работы на GPU: Операторы узлов выполняют задачи по рендерингу/вычислениям и зарабатывают RENDER. Задания оцениваются в USD, но оплачиваются в RENDER; необходимые токены сжигаются после завершения работы. В каждую эпоху (например, еженедельно) новые RENDER минтируются и распределяются операторам узлов на основе выполненной ими работы. Операторы узлов также могут вносить RNDR в стейкинг для повышения доверия и приоритета в получении заданий.	Полезность и поток стоимости: RENDER является токеном оплаты за услуги GPU — создатели контента и разработчики ИИ должны приобретать и тратить его для выполнения работы. Поскольку эти токены сжигаются, использование напрямую сокращает предложение. Выпуск новых токенов компенсирует работу исполнителей, но по убывающему графику. Если спрос в сети высок (сжигание > эмиссии), RENDER становится дефляционным; если спрос низок, инфляция может превысить сжигание (стимулируя предложение, пока спрос не догонит его). RENDER также служит для управления сетью. Таким образом, стоимость токена тесно связана с использованием платформы — фактически, RNDR вырос почти в 10 раз в 2023 году, когда спрос на вычисления на GPU со стороны ИИ резко взлетел, что указывает на уверенность рынка в высоком уровне использования (и сжигания).
Akash Network	Децентрализованное облако (вычисления общего назначения и GPU)	Токен Akash (AKT)	Начальное предложение 100 млн; максимальное предложение 389 млн. Инфляционный PoS-токен: Адаптивная инфляция ~15–25% годовых (снижается при росте % стейкинга) для стимулирования стейкинга. Текущая эмиссия идет валидаторам и делегаторам. Распределение: 34,5% — инвесторы, 27% — команда, 19,7% — фонд, 8% — экосистема, 5% — тестнет (с периодами блокировки/вестинга).	Маркетплейс с обратным аукционом: Провайдеры соревнуются за размещение развертываний; клиенты платят в AKT за аренду. Пул комиссий: 10% платежей в AKT (или 20% платежей в других токенах) идет сети (стейкерам) в качестве протокольного сбора. Akash использует чейн на базе Proof-of-Stake — валидаторы стейкают AKT для обеспечения безопасности сети и получения вознаграждений за блоки. Клиенты могут платить через AKT или интегрированные стейблкоины (с конвертацией).	Полезность и поток стоимости: AKT используется для всех транзакций (напрямую или через конвертацию из стабильных платежей). Клиенты покупают AKT для оплаты аренды вычислительных мощностей, создавая спрос по мере роста использования сети. Провайдеры зарабатывают AKT и могут продавать их или вносить в стейкинг. Вознаграждения за стейкинг + доход от комиссий: Владение и стейкинг AKT приносит доход от инфляции и долю от всех комиссий, поэтому активное использование сети приносит прямую выгоду стейкерам. Эта модель связывает стоимость токена со спросом на облачные ресурсы: чем больше рабочих нагрузок CPU/GPU выполняется на Akash, тем больше комиссий в AKT поступает держателям (и больше AKT может быть заблокировано в качестве залога или стейкинга провайдерами). Управление также осуществляется через владение AKT. В целом, состояние токена улучшается при более высокой утилизации, а механизмы контроля инфляции поощряют долгосрочное участие.
io.net	Децентрализованное GPU-облако (ориентированное на ИИ)	Токен IO (IO)	Фиксированный лимит 800 млн IO: 500 млн предварительно сминтированы (распределены между командой, инвесторами, сообществом и т. д.), 300 млн выпускаются в течение ~20 лет в качестве вознаграждений за майнинг (ежечасное распределение). После достижения лимита дальнейшая инфляция отсутствует. Встроенное сжигание: Выручка сети инициирует сжигание токенов для сокращения предложения. Стейкинг: провайдеры должны внести минимум IO для участия (и могут стейкать больше для получения вознаграждений).	Сеть совместного использования GPU: Провайдеры оборудования (дата-центры, майнеры) подключают GPU и непрерывно (ежечасно) получают вознаграждения в IO за предоставление мощностей. Они также получают оплату от пользователей за использование ресурсов. Требование к стейкингу: Операторы стейкают IO в качестве залога для обеспечения надлежащего поведения. Пользователи, вероятно, платят в IO (или в стейблкоинах, конвертируемых в IO) за задачи ИИ-вычислений; часть каждой комиссии сжигается протоколом.	Полезность и поток стоимости: IO является средством обмена для вычислительных мощностей GPU в сети, а также токеном безопасности, который стейкают операторы. Стоимость токена определяется триадой факторов: (1) Спрос на ИИ-вычисления — клиенты должны приобретать IO для оплаты задач, а более высокое использование означает больше сожженных токенов (сокращение предложения). (2) Стимулы для майнинга — новые IO, распределяемые между поставщиками GPU, мотивируют рост сети, но фиксированный лимит ограничивает долгосрочную инфляцию. (3) Стейкинг — IO блокируется провайдерами (и, возможно, пользователями или делегатами) для получения вознаграждений, что снижает ликвидное предложение и объединяет участников в стремлении к успеху сети. В сумме модель токена io.net разработана так, что если она успешно привлечет масштабные рабочие нагрузки ИИ, предложение токенов станет все более дефицитным (через сжигание и стейкинг), что выгодно держателям. Фиксированное предложение также накладывает дисциплину, предотвращая бесконечную инфляцию и стремясь к устойчивому балансу «вознаграждение за выручку».

Источники: Официальная документация и исследования по каждому проекту (см. встроенные цитаты выше).

Токен-стимулы против реального использования сервисов​

Критически важный вопрос для проектов DePIN заключается в том, насколько эффективно токен-стимулы конвертируются в реальное предоставление услуг и фактическое использование сети. На начальных этапах многие протоколы DePIN делали упор на бутстрэппинг предложения (развертывание оборудования) через щедрые вознаграждения в токенах, даже если спрос был минимальным — стратегия «построй это, и (надеемся), они придут». Это привело к ситуациям, когда рыночная капитализация сети и эмиссия токенов далеко опережали выручку от клиентов. По состоянию на конец 2024 года весь сектор DePIN (~ 350 проектов) имел совокупную рыночную капитализацию около ~ 50 млрд долларов, при этом генерируя лишь около ~ 0,5 млрд долларов годового дохода — совокупная оценка составляла ~ 100-кратную годовую выручку. Такой разрыв подчеркивает неэффективность на ранних стадиях. Однако последние тенденции показывают улучшения, поскольку сети переходят от роста, ориентированного исключительно на предложение, к внедрению, основанному на спросе, что особенно стимулируется всплеском потребностей в вычислениях для ИИ.

Ниже мы оцениваем эффективность токен-стимулов каждого примера проекта, рассматривая показатели использования в сравнении с затратами токенов:

• Helium: Сеть IoT Helium показала взрывной рост в 2021–2022 годах: для покрытия LoRaWAN было развернуто почти 1 миллион хотспотов по всему миру. Этот рост был почти полностью обусловлен стимулами майнинга HNT и крипто-энтузиазмом, а не потребительским спросом на данные IoT, который оставался низким. К середине 2022 года стало ясно, что трафик данных Helium (устройства, фактически использующие сеть) был ничтожно мал по сравнению с огромными инвестициями со стороны предложения. Один из анализов 2022 года показал, что в месяц на оплату передачи данных сжигалось менее 1 000 долларов в токенах, в то время как сеть выпускала HNT на десятки миллионов долларов в качестве вознаграждения для хотспотов — резкий дисбаланс (по сути, менее 1 % эмиссии токенов компенсировалось использованием сети). В конце 2022 и 2023 годах вознаграждения в токенах HNT прошли через плановые халвинги (сокращение выпуска), но использование все еще отставало. Пример из ноября 2023 года: долларовая стоимость сожженных дата-кредитов (Data Credits) Helium составила всего около 156 долларов за этот день, в то время как сеть по-прежнему выплачивала владельцам хотспотов вознаграждения в токенах на сумму примерно 55 000 долларов в день (в эквиваленте USD). Другими словами, «стоимость» токен-стимулов в тот день превысила фактическое использование сети в соотношении 350:1. Это иллюстрирует низкую конверсию стимулов в использование на ранней фазе IoT Helium. Основатели Helium признали эту дилемму «курицы и яйца»: сети необходимо покрытие, прежде чем она сможет привлечь пользователей, но без пользователей покрытие трудно монетизировать.

  Появились признаки улучшения. В конце 2023 года Helium активировала свою 5G мобильную сеть с потребительским сервисом сотовой связи (при поддержке роуминга T-Mobile) и начала вознаграждать операторов 5G-хотспотов токенами MOBILE. Запуск Helium Mobile (5G) быстро привлек платных пользователей (например, подписчиков на безлимитный мобильный тариф Helium за 20 долларов в месяц) и новые типы использования сети. В течение нескольких недель использование сети Helium подскочило — к началу 2024 года ежедневное сжигание дата-кредитов достигло ~ 4 300 долларов (по сравнению с почти нулевыми значениями парой месяцев ранее). Более того, по состоянию на первый квартал 2024 года 92 % всех потребленных дата-кредитов приходилось на мобильную сеть (5G), что означает, что сервис 5G мгновенно затмил использование IoT. Хотя 4,3 тыс. долларов в день — это все еще скромная сумма в абсолютном выражении (~ 1,6 млн долларов в год), она представляет собой значимый шаг к реальному доходу. Модель токенов Helium адаптируется: разделяя сети IoT и Mobile на отдельные токены вознаграждения, она гарантирует, что вознаграждения 5G (токены MOBILE) будут сокращаться, если использование 5G не материализуется, и аналогично для токенов IOT — это эффективно ограничивает неэффективность. Рост Helium Mobile также показал силу сочетания токен-стимулов с сервисом, представляющим немедленный интерес для потребителей (дешевая сотовая связь). В течение 6 месяцев после запуска Helium развернула ~ 93 000 хотспотов MOBILE в США (наряду с ~ 1 млн хотспотов IoT по всему миру) и заключила партнерские соглашения (например, с Telefónica) для расширения покрытия. Предстоящая задача — существенно нарастить базу пользователей (как клиентов IoT-устройств, так и подписчиков 5G), чтобы сжигание HNT для дата-кредитов приблизилось к масштабам эмиссии HNT. Таким образом, Helium начала с экстремального избытка предложения (и, соответственно, переоцененного токена), но ее поворот к спросу (5G и позиционирование в качестве «инфраструктурного уровня» для других сетей) постепенно повышает эффективность ее токен-стимулов.

• Filecoin: В случае Filecoin дисбаланс наблюдался между емкостью хранилища и фактически хранящимися данными. Токен-стимулы привели к избытку предложения: на пике сеть Filecoin имела более 15 эксбибайтов (ЭиБ) необработанной емкости хранилища, предоставленной майнерами, однако долгое время лишь несколько процентов из этого объема использовалось для реальных данных. Большая часть пространства была заполнена фиктивными данными (клиенты могли хранить даже случайный «мусор», чтобы удовлетворить требованиям доказательств) только для того, чтобы майнеры могли получать вознаграждения FIL. Это означало, что огромное количество FIL выпускалось и распределялось за хранение, которое на самом деле не было востребовано пользователями. Однако в течение 2022–2023 годов сеть добилась больших успехов в стимулировании спроса. Благодаря таким инициативам, как Filecoin Plus и активной загрузке открытых наборов данных, коэффициент использования вырос с ~ 3 % до более чем 20 % емкости в 2023 году. К четвертому кварталу 2024 года использование хранилища Filecoin выросло до ~ 30 % — это означает, что почти треть огромной емкости была занята реальными данными клиентов. Это все еще далеко от 100 %, но тенденция положительная: вознаграждения в токенах все чаще направляются на полезное хранение, а не на пустое заполнение пространства. Другой показатель: по состоянию на первый квартал 2024 года в активных сделках на Filecoin хранилось около 1 900 ПиБ (1,9 ЭиБ) данных, что на 200 % больше, чем в предыдущем году. Примечательно, что большинство новых сделок теперь проходит через Filecoin Plus (верифицированные клиенты), что указывает на то, что майнеры предпочитают выделять место под данные, которые приносят им бонусные множители вознаграждений.

  С точки зрения экономической эффективности, протокол Filecoin также претерпел изменения: изначально «доход» протокола (комиссии, уплачиваемые пользователями) был ничтожно мал по сравнению с вознаграждениями за майнинг (которые в некоторых анализах трактовались как доход, что раздувало ранние показатели). Например, в 2021 году вознаграждения за блоки Filecoin стоили сотни миллионов долларов (при высоких ценах на FIL), но фактические сборы за хранение были крошечными; в 2022 году, когда цена FIL упала, заявленный доход снизился на 98 % — с 596 млн до 13 млн долларов, что отражает тот факт, что большая часть «дохода» 2021 года была стоимостью эмиссии токенов, а не тратами клиентов. В будущем баланс улучшается: поток платных клиентов хранилища растет (например, в конце 2023 года была заключена корпоративная сделка на 1 ПиБ, одна из первых крупных полностью оплаченных сделок). Ожидается, что внедрение FVM в Filecoin (поддержка смарт-контрактов) и создание рынков хранения и DEX принесут больше активности по комиссиям в сети (и, возможно, сжигание или блокировку FIL). Резюмируя: токен-стимулы Filecoin успешно построили массивную глобальную сеть хранения, хотя на раннем этапе эффективность была ниже 5 %; к 2024 году эта эффективность улучшилась до ~ 20–30 % и имеет все шансы вырасти дальше по мере того, как реальный спрос догоняет субсидируемое предложение. Общий спрос сектора на децентрализованное хранение (данные Web3, архивы, метаданные NFT, наборы данных для ИИ и т. д.), по-видимому, растет, что сулит хорошую конверсию вознаграждений за майнинг в реальные полезные услуги.

• Render Network: Модель токенов Render по своей сути более тесно связывает стимулы с использованием благодаря равновесию «сжигания и эмиссии» (burn-and-mint equilibrium, BME). В старой модели (до 2023 года) выпуск RNDR в основном находился в руках фонда и базировался на целях роста сети, в то время как использование предполагало блокировку RNDR в эскроу для выполнения заданий. Это несколько затрудняло анализ эффективности. Однако после полноценного внедрения BME в 2023 году мы можем измерить, сколько токенов сжигается по отношению к выпущенным. Поскольку каждое задание по рендерингу или вычислениям сжигает RNDR пропорционально его стоимости, по сути, каждый токен, выпущенный в качестве вознаграждения, соответствует выполненной работе (за вычетом чистой инфляции, если эмиссия превышает сжигание в данную эпоху). Ранние данные сети Render после обновления показали, что использование действительно растет: Render Foundation отметил, что в «пиковые моменты» сеть может выполнять больше кадров рендеринга в секунду, чем Ethereum может обрабатывать транзакций, что подчеркивает значительную активность. Хотя детальная статистика использования (например, количество заданий или затраченных GPU-часов) не приведена в отрывке выше, одним из сильных индикаторов является цена и спрос на RNDR. В 2023 году RNDR стал одним из самых доходных криптоактивов, поднявшись с примерно 0,40 доллара в январе до более чем 2,50 доллара к маю и продолжая расти далее. К ноябрю 2023 года цена RNDR выросла более чем в 10 раз с начала года, подталкиваемая ажиотажем вокруг вычислительных мощностей для ИИ. Такая динамика цены предполагает, что пользователи покупали RNDR для выполнения задач по рендерингу и ИИ (или спекулянты предвидели, что им это понадобится). Действительно, интерес к задачам ИИ, вероятно, принес новую волну спроса — Render сообщил, что его сеть расширяется за пределы рендеринга медиа в область обучения моделей ИИ, и что дефицит GPU в традиционных облаках привел к тому, что спрос значительно превысил предложение в этой нише. По сути, токен-стимулы Render (эмиссия) встретили столь же сильный пользовательский спрос (сжигание), что делает конверсию стимулов в использование относительно высокой. Стоит отметить, что в первый год работы BME сеть намеренно выделила дополнительные токены (эмиссия 9,1 млн RENDER) для бутстрэппинга доходов операторов узлов. Если они превысят использование, это может привести к временной инфляционной неэффективности. Однако, учитывая рост сети, скорость сжигания RNDR постоянно растет. Дашборд Render Network по состоянию на середину 2024 года показывал стабильный рост совокупного объема сожженных RNDR, что указывает на обработку реальных заданий. Еще один качественный признак успеха: крупные студии и создатели контента использовали Render для громких проектов, что доказывает реальное внедрение (это не просто крипто-энтузиасты, запускающие узлы, а клиенты, платящие за рендеринг). В целом, Render, по-видимому, обладает одним из самых эффективных показателей конверсии токенов в услуги в секторе DePIN: если сеть занята, RNDR сжигается, и держатели токенов видят ощутимую ценность; если бы сеть простаивала, эмиссия токенов была бы единственным результатом, но ажиотаж вокруг ИИ гарантировал, что сеть далеко не простаивает.

• Akash: Эффективность Akash можно увидеть в контексте трат на облако против эмиссии токенов. Как сеть на базе Proof-of-Stake, AKT имеет инфляцию для вознаграждения валидаторов, но эта инфляция не является чрезмерно высокой (и большая ее часть компенсируется блокировками в стейкинге). Более интересным моментом является то, какую долю реального использования захватывает токен. В 2022 году использование Akash было относительно низким (всего несколько сотен развертываний в любой момент времени, в основном небольшие приложения или тестовые сети). Это означало, что ценность AKT была спекулятивной и не подкреплялась комиссиями. Однако в 2023–2024 годах использование взорвалось благодаря ИИ. К концу 2024 года Akash обрабатывал около 11 000 долларов трат в день в своей сети, по сравнению с всего лишь ~ 1 300 долларами в день в январе 2024 года — рост ежедневной выручки составил ~ 749 % за год. В течение 2024 года Akash преодолел отметку в 1,6 млн долларов совокупных оплаченных трат на вычисления. Эти цифры, хотя и невелики по сравнению с гигантами вроде AWS, представляют собой реальных клиентов, развертывающих рабочие нагрузки на Akash и платящих в AKT или USDC (что в конечном итоге стимулирует спрос на AKT через конвертацию). Токен-стимулы (инфляционные вознаграждения) в этот период составляли порядка 15–20 % от 130 млн AKT в обращении (~ 20–26 млн AKT, выпущенных в 2024 году, что при цене 1–3 доллара за AKT может составлять 20–50 млн долларов стоимости). Таким образом, в чистом долларовом выражении сеть все еще выпускала больше стоимости в токенах, чем приносила в виде комиссий — как и другие сети на ранних стадиях. Но тенденция такова, что использование быстро догоняет эмиссию. Показательная статистика: при сравнении третьего квартала 2024 года с третьим кварталом 2023 года средняя комиссия за аренду выросла с 6,42 до 18,75 доллара. Это означает, что пользователи запускают гораздо более ресурсоемкие (и, следовательно, дорогие) рабочие нагрузки, вероятно, GPU для ИИ, и они готовы платить больше, предположительно потому, что сеть приносит пользу (например, более низкая стоимость, чем у альтернатив). Кроме того, поскольку Akash взимает комиссию в размере 10–20 % с аренды в пользу протокола, это означает, что 10–20 % от этих 1,6 млн долларов совокупных трат пошли стейкерам в качестве реальной доходности. В четвертом квартале 2024 года цена AKT достигла новых многолетних максимумов (~ 4 доллара, восьмикратный рост по сравнению с минимумами середины 2023 года), что указывает на признание рынком улучшенных фундаментальных показателей и использования. Данные ончейн на конец 2024 года показали более 650 активных аренд и более 700 GPU в сети с коэффициентом использования ~ 78 % — фактически, большая часть GPU, добавленных с помощью стимулов, реально использовалась клиентами. Это сильная конверсия токен-стимулов в услуги: почти 4 из 5 субсидируемых GPU обслуживали разработчиков ИИ (для обучения моделей и т. д.). Проактивные шаги Akash, такие как введение оплаты кредитными картами и поддержка популярных фреймворков ИИ, помогли связать криптотокены с реальными пользователями (некоторые пользователи могут даже не знать, что под капотом они платят за AKT). В целом, хотя у Akash изначально была общая для DePIN проблема «предложение > спроса», она быстро движется к более сбалансированному состоянию. Если спрос на ИИ сохранится, Akash может даже достичь режима, когда спрос превысит токен-стимулы — другими словами, использование будет определять стоимость AKT сильнее, чем спекулятивная инфляция. Дизайн протокола, предусматривающий распределение комиссий между стейкерами, также означает, что держатели AKT получают прямую выгоду по мере роста эффективности (например, к концу 2024 года стейкеры получали значительную доходность от реальных комиссий, а не только от инфляции).

• io.net: Будучи очень новым проектом (запущен в 2023/24 году), эффективность io.net все еще во многом теоретическая, но ее модель построена специально для максимизации конверсии стимулов. Путем жесткого ограничения предложения и введения почасовых вознаграждений io.net избегает сценария бесконечной неконтролируемой инфляции. А за счет сжигания токенов на основе дохода она гарантирует, что как только возникнет спрос, появится автоматический противовес эмиссии токенов. В ранних отчетах утверждалось, что io.net агрегировала большое количество GPU (возможно, за счет привлечения существующих майнинговых ферм и дата-центров), что дало ей значительное предложение. Ключевым фактором станет то, найдет ли это предложение соразмерный спрос со стороны клиентов ИИ. Один из положительных признаков для сектора: по состоянию на 2024 год децентрализованные сети GPU (включая Render, Akash и io.net) часто были ограничены мощностями, а не спросом — это означает, что пользовательский спрос на вычисления превышал то, что сети могли предложить в онлайне в любой конкретный момент. Если io.net подключится к этому неудовлетворенному спросу (предлагая более низкие цены или уникальные интеграции через экосистему Solana), сжигание ее токенов может ускориться. С другой стороны, если значительная часть начального предложения в 500 млн IO была распределена среди инсайдеров или провайдеров, существует риск давления продаж при отставании использования. Пока нет конкретных данных об использовании, io.net служит тестом усовершенствованного токеномического подхода: она нацелена на равновесие, ориентированное на спрос, с самого начала, стараясь избежать избыточного предложения токенов. В ближайшие годы успех можно будет измерить, отслеживая, какой процент от эмиссии в 300 млн фактически «оплачивается» доходом сети (через сжигание). Эволюция сектора DePIN предполагает, что io.net выходит на рынок в удачное время, когда спрос на ИИ высок, поэтому она может достичь высокого уровня использования быстрее, чем более ранние проекты.

Подводя итог, можно сказать, что ранние проекты DePIN часто сталкивались с низкой эффективностью токен-стимулов, когда выплаты в токенах значительно превышали реальное использование. Сеть IoT Helium была ярким примером, где токен-вознаграждения позволили построить огромную сеть, которая использовалась лишь на несколько процентов. Filecoin аналогично имел избыток хранилища при малом объеме хранимых данных на начальном этапе. Однако благодаря улучшениям в сетях и внешним тенденциям спроса эти разрывы сокращаются. Поворот Helium к 5G многократно увеличил использование, коэффициент использования Filecoin неуклонно растет, а в Render и Akash наблюдается всплеск реального использования в тандеме с бумом ИИ, что приближает их токеномику к устойчивому циклу. Общей тенденцией 2024 года стал переход к принципу «докажи наличие спроса»: команды DePIN начали фокусироваться на привлечении пользователей и получении дохода, а не только на оборудовании и хайпе. Об этом свидетельствуют такие примеры, как Helium, привлекающая корпоративных партнеров в сфере IoT и телекоммуникаций, Filecoin, загружающая крупные наборы данных Web2, и Akash, делающая свою платформу удобной для разработчиков ИИ. Чистый эффект заключается в том, что стоимость токенов все больше подкрепляется фундаментальными показателями (например, объемом хранящихся данных, проданными GPU-часами), а не просто спекуляциями. Хотя впереди еще долгий путь — сектор в целом при соотношении цены к выручке 100x все еще содержит много спекуляций — траектория направлена на более эффективное использование токен-стимулов. Проекты, которым не удастся конвертировать токены в услуги (или «оборудование на местах»), скорее всего, угаснут, в то время как те, кто достигает высокого уровня конверсии, завоевывают доверие инвесторов и сообщества.

Сочетание со спросом на вычисления ИИ: тенденции и возможности​

Одним из наиболее значимых событий, приносящих пользу проектам DePIN, является взрывной рост спроса на вычисления ИИ. В 2023–2024 годах обучение и развертывание моделей ИИ превратились в мультимиллиардный рынок, что создало огромную нагрузку на мощности традиционных облачных провайдеров и поставщиков GPU. Сети децентрализованной инфраструктуры быстро адаптировались, чтобы воспользоваться этой возможностью, что привело к конвергенции, которую футуристы иногда называют «DePIN x AI» или даже «Децентрализованный физический ИИ (DePAI)». Ниже мы опишем, как наши фокусные проекты и более широкий сектор DePIN используют тренд ИИ:

• Децентрализованные сети GPU и ИИ: Проекты, такие как Render, Akash, io.net (и другие, такие как Golem, Vast.ai и т. д.), находятся в авангарде обслуживания потребностей ИИ. Как уже отмечалось, Render расширил свою деятельность за пределы рендеринга для поддержки рабочих нагрузок ИИ — например, аренды мощностей GPU для обучения моделей Stable Diffusion или других задач машинного обучения (ML). Интерес к ИИ напрямую стимулировал использование этих сетей. В середине 2023 года спрос на вычисления на GPU для обучения графических и языковых моделей резко возрос. Сеть Render выиграла от того, что многие разработчики и даже некоторые предприятия обратились к ней за более дешевым машинным временем GPU; это стало фактором 10-кратного скачка цены RNDR, отражая веру рынка в то, что Render предоставит GPU для удовлетворения потребностей ИИ. Аналогичным образом, запуск GPU на Akash в конце 2023 года совпал с бумом генеративного ИИ — в течение нескольких месяцев сотни GPU на Akash были арендованы для тонкой настройки языковых моделей или обслуживания API ИИ. Коэффициент использования GPU на Akash, достигший ~78% к концу 2024 года, указывает на то, что почти все стимулируемое оборудование нашло спрос со стороны пользователей ИИ. io.net явно позиционирует себя как «децентрализованная вычислительная сеть, ориентированная на ИИ». Она заявляет об интеграции с фреймворками ИИ (упоминается использование фреймворка распределенных вычислений Ray, популярного в машинном обучении, чтобы разработчикам ИИ было проще масштабироваться на io.net). Ценностное предложение io.net — возможность развернуть кластер GPU за 90 секунд с эффективностью в 10–20 раз выше, чем в облаке — нацелено именно на стартапы и исследователей в области ИИ, которые ограничены дорогими или перегруженными экземплярами облачных GPU. Такое таргетирование стратегически оправдано: в 2024 году наблюдался острый дефицит GPU (например, высокопроизводительные чипы NVIDIA для ИИ были распроданы), и децентрализованные сети с доступом к любым типам GPU (даже старым моделям или игровым GPU) включились, чтобы восполнить этот пробел. Всемирный экономический форум отметил появление «Децентрализованного физического ИИ (DePAI)», где обычные люди вносят свой вклад в процессы ИИ, предоставляя вычислительные мощности и данные, и получают за это вознаграждение. Эта концепция согласуется с проектами GPU DePIN, позволяя любому владельцу достойного GPU зарабатывать токены, поддерживая рабочие нагрузки ИИ. Исследование Messari также подчеркнуло, что интенсивный спрос со стороны индустрии ИИ в 2024 году стал «значительным ускорителем» для перехода сектора DePIN к росту, ориентированному на спрос.

• Сети хранения и данные ИИ: Бум ИИ — это не только вычисления, но и необходимость хранения массивных наборов данных (для обучения) и распространения обученных моделей. Децентрализованные сети хранения, такие как Filecoin и Arweave, нашли здесь новые сценарии использования. Filecoin, в частности, принял ИИ как ключевой вектор роста: в 2024 году сообщество Filecoin определило «Вычисления и ИИ» как одну из трех приоритетных областей. С запуском Виртуальной машины Filecoin (FVM) теперь можно запускать вычислительные сервисы в непосредственной близости от данных, хранящихся в Filecoin. Проекты вроде Bacalhau (проект распределенных вычислений над данными) и вычислительный L2 Fluence строятся на базе Filecoin, чтобы позволить пользователям запускать алгоритмы ИИ непосредственно на данных, хранящихся в сети. Идея состоит в том, чтобы, например, обучать модель на большом наборе данных, который уже распределен по узлам Filecoin, вместо того чтобы перемещать его в централизованный кластер. Технологические инновации Filecoin, такие как InterPlanetary Consensus (IPC), позволяют создавать подсети, которые могут быть выделены под конкретные рабочие нагрузки (например, специализированный сайдчейн для ИИ, использующий безопасность хранилища Filecoin). Кроме того, Filecoin поддерживает децентрализованные хранилища данных (data commons), которые крайне актуальны для ИИ — например, наборы данных из университетов, данные автономных транспортных средств или спутниковые снимки могут размещаться на Filecoin, а затем использоваться моделями ИИ. Сеть с гордостью хранит основные наборы данных, имеющие отношение к ИИ (например, упомянутые данные Калифорнийского университета в Беркли и Интернет-архива). Со стороны токенов это означает увеличение числа клиентов, использующих FIL для данных, но еще более захватывающим является потенциал вторичных рынков данных: концепция Filecoin включает возможность для клиентов хранилищ монетизировать свои данные для сценариев обучения ИИ. Это предполагает будущее, в котором владение большим набором данных в Filecoin может приносить вам токены, когда компании ИИ платят за обучение на них, создавая экосистему, где FIL течет не только за хранение, но и за права на использование данных. Это направление только зарождается, но подчеркивает, насколько глубоко Filecoin связывается с трендами ИИ.

• Беспроводные сети и периферийные данные для ИИ: На первый взгляд, Helium и аналогичные беспроводные DePIN менее напрямую связаны с вычислениями ИИ. Тем не менее, существует несколько точек соприкосновения. Сети датчиков IoT (такие как IoT subDAO Helium, а также другие, например Nodle или WeatherXM) могут поставлять ценные данные из реального мира для подпитки моделей ИИ. Например, WeatherXM (DePIN для данных метеостанций) предоставляет децентрализованный поток погодных данных, который может улучшить климатические модели или прогнозы ИИ — данные WeatherXM интегрируются через Filecoin Basin L2 именно по этим причинам. Nodle, который использует смартфоны в качестве узлов для сбора данных (и считается DePIN), создает приложение под названием «Click» для децентрализованной съемки умными камерами; они планируют интегрировать Filecoin для хранения изображений и потенциально использовать их в обучении компьютерного зрения ИИ. Роль Helium может заключаться в обеспечении связи для таких периферийных устройств — например, город развертывает датчики IoT Helium для мониторинга качества воздуха или трафика, и эти наборы данных затем используются для обучения ИИ в городском планировании. Кроме того, сеть Helium 5G может служить периферийной инфраструктурой для ИИ в будущем: представьте себе автономные дроны или транспортные средства, использующие децентрализованную сеть 5G для связи — генерируемые ими данные могут непрерывно поступать в системы ИИ. Хотя Helium не объявляла о конкретных «стратегиях ИИ», ее материнская компания Nova Labs намекала на позиционирование Helium как общего инфраструктурного уровня для других проектов DePIN. Это может включать и проекты в сфере ИИ. Например, Helium может обеспечить физический беспроводной уровень для парка устройств на базе ИИ, в то время как вычислительные потребности этого парка будут обрабатываться сетями вроде Akash, а хранение данных — Filecoin, образуя взаимосвязанный стек DePIN.

• Синергетический рост и инвестиции: Как криптоинвесторы, так и традиционные игроки замечают синергию DePIN и ИИ. Отчет Messari за 2024 год прогнозирует, что рынок DePIN может вырасти до 3,5 трлн долларов к 2028 году (с ~50 млрд долларов в 2024 году), если тенденции сохранятся. Этот оптимистичный прогноз в значительной степени основан на том, что ИИ станет «киллер-фичей» для децентрализованной инфраструктуры. Концепция DePAI (Децентрализованный физический ИИ) предполагает будущее, в котором обычные люди вносят вклад не только оборудованием, но и данными в системы ИИ и получают вознаграждение, разрушая монополию Big Tech на наборы данных ИИ. Например, чей-то автономный автомобиль может собирать дорожные данные, загружать их через сеть типа Helium, хранить в Filecoin и использовать для обучения ИИ на Akash — при этом каждый протокол вознаграждает участников токенами. Несмотря на некоторую футуристичность, первые элементы этого видения уже появляются (например, HiveMapper, проект картографирования DePIN, где видеорегистраторы водителей строят карту — эти карты могут обучать ИИ для беспилотного вождения; участники зарабатывают токены). Мы также видим ориентированные на ИИ криптопроекты, такие как Bittensor (TAO) — сеть для обучения моделей ИИ децентрализованным способом — достигающие многомиллиардных оценок, что указывает на сильный аппетит инвесторов к комбинациям ИИ и крипто.

• Автономные агенты и экономика межмашинного взаимодействия: Захватывающая тенденция на горизонте — ИИ-агенты, автономно использующие сервисы DePIN. Messari предположила, что к 2025 году сети ИИ-агентов (например, автономные боты) смогут напрямую закупать децентрализованные вычисления и хранилища у протоколов DePIN для выполнения задач для людей или других машин. В таком сценарии ИИ-агент (например, часть децентрализованной сети ИИ-сервисов) сможет автоматически арендовать GPU у Render или io.net, когда ему потребуется больше мощности, оплачивать это криптовалютой, сохранять результаты в Filecoin и обмениваться данными через Helium — и все это без вмешательства человека, договариваясь и совершая транзакции через смарт-контракты. Эта экономика межмашинного взаимодействия (M2M) может открыть новую волну спроса, которая органично подходит для DePIN (поскольку у ИИ-агентов нет кредитных карт, но они могут использовать токены для взаимных расчетов). Все это еще на ранней стадии, но прототипы вроде Fetch.ai и других указывают на это направление. Если оно материализуется, сети DePIN увидят прямой приток использования, управляемого машинами, что еще больше подтвердит их модели.

• Энергетика и другие физические вертикали: Хотя наше внимание было сосредоточено на связи, хранении и вычислениях, тренд ИИ затрагивает и другие области DePIN. Например, децентрализованные энергетические сети (иногда называемые DeGEN — децентрализованные энергетические сети) могут извлечь выгоду, так как ИИ оптимизирует распределение энергии: если кто-то передает излишки солнечной энергии в микросеть за токены, ИИ может прогнозировать и эффективно распределять эту мощность. Проект, упомянутый в отчете Binance, описывает токены за передачу избыточной солнечной энергии в сеть. Алгоритмы ИИ, управляющие такими сетями, опять же могут работать на децентрализованных вычислениях. Точно так же ИИ может повысить производительность децентрализованных сетей — например, оптимизация радиопокрытия Helium на основе ИИ или ИИ-операции для прогнозного обслуживания узлов хранения Filecoin. Это скорее касается использования ИИ внутри DePIN, но демонстрирует взаимное обогащение технологий.

В сущности, ИИ стал попутным ветром для DePIN. Ранее раздельные нарративы «блокчейн встречается с реальным миром» и «революция ИИ» сливаются в единый нарратив: децентрализация может помочь удовлетворить инфраструктурные потребности ИИ, а ИИ, в свою очередь, может стимулировать массовое использование децентрализованных сетей в реальном мире. Эта конвергенция привлекает значительный капитал — только в 2024 году в стартапы DePIN было инвестировано более 350 млн долларов, большая часть которых была направлена на инфраструктуру, связанную с ИИ (например, многие недавние сборы средств проводились для проектов децентрализованных GPU, периферийных вычислений для ИИ и т. д.). Это также способствует сотрудничеству между проектами (Filecoin работает с Helium, Akash интегрируется с другими поставщиками инструментов ИИ и т. д.).

Заключение​

Проекты DePIN, такие как Helium, Filecoin, Render и Akash, представляют собой смелую ставку на то, что крипто-стимулы могут способствовать развитию реальной инфраструктуры быстрее и более справедливо, чем традиционные модели. Каждый из них разработал уникальную экономическую модель: Helium использует сжигание токенов и Proof-of-Coverage для краудсорсинга беспроводных сетей, Filecoin использует криптоэкономику для создания децентрализованного рынка хранения данных, Render и Akash превращают GPU и серверы в глобальные общие ресурсы посредством токенизированных платежей и вознаграждений. На ранних этапах эти модели испытывали трудности — быстрый рост предложения при отстающем спросе — но они продемонстрировали способность адаптироваться и повышать эффективность с течением времени. Маховик токенизированных стимулов, хотя и не является универсальным решением, доказал свою способность создавать впечатляющие физические сети: глобальную сеть IoT / 5G, эксабайтную сеть хранения данных и распределенные облака GPU. Теперь, когда реальное использование догоняет предложение (от устройств IoT до лабораторий ИИ), эти сети переходят к устойчивой экономике услуг, где токены зарабатываются за счет предоставления ценности, а не просто за раннее участие.

Развитие ИИ значительно ускорило этот переход. Ненасытный аппетит ИИ к вычислительным мощностям и данным играет на руку преимуществам DePIN: неиспользуемые ресурсы могут быть задействованы, простаивающее оборудование пущено в ход, а участники по всему миру могут делить вознаграждение. Совмещение спроса, обусловленного ИИ, с предложением DePIN в 2024 году стало поворотным моментом, фактически обеспечив то «соответствие продукта рынку» (product-market fit), которого ждали некоторые из этих проектов. Тенденции указывают на то, что децентрализованная инфраструктура продолжит развиваться на волне ИИ — будь то хостинг моделей ИИ, сбор данных для обучения или обеспечение экономики автономных агентов. В процессе этого стоимость токенов, лежащих в основе этих сетей, может во все большей степени отражать фактическое использование (например, проданные GPU-часы, объем хранимых ТБ, количество подключенных устройств), а не только спекуляции.

Тем не менее, проблемы остаются. Проекты DePIN должны продолжать улучшать конвертацию инвестиций в полезность, гарантируя, что добавление еще одного хотспота или еще одного GPU действительно приносит пропорциональную пользу пользователям. Они также сталкиваются с конкуренцией со стороны традиционных провайдеров (которые не стоят на месте — например, облачные гиганты снижают цены на выделенные рабочие нагрузки ИИ) и должны преодолевать регуляторные барьеры (например, для 5G Helium требуется соблюдение частотного спектра), трудности пользовательского опыта в криптосфере и потребность в надежной производительности в масштабе. Модели токенов также требуют постоянной калибровки: например, разделение Helium на суб-токены было одной из таких корректировок; модель BME в Render — другой; остальные могут внедрять сжигание комиссий, динамические вознаграждения или даже изменения в управлении DAO для поддержания баланса.

С точки зрения инноваций и инвестиций, DePIN является одной из самых захватывающих областей в Web3, поскольку она напрямую связывает криптовалюту с осязаемыми услугами. Инвесторы следят за такими показателями, как доход протокола, уровень использования и захват стоимости токенов (коэффициенты P / S), чтобы определить победителей. Например, если токен сети имеет высокую рыночную капитализацию, но очень низкое использование (высокий P / S), он может быть переоценен, если только не ожидается резкий рост спроса. И наоборот, сеть, которой удается радикально увеличить доход (например, скачок ежедневных расходов Akash на 749 %), может увидеть фундаментальную переоценку своего токена. Аналитические платформы (Messari, Token Terminal) теперь отслеживают такие данные: например, годовой доход Helium (~ $3,5 млн) по сравнению со стимулами (~$ 47 млн) показал большой дефицит, в то время как проект типа Render может показать более близкое соотношение, если сжигание начнет компенсировать эмиссию. Со временем мы ожидаем, что рынок будет вознаграждать те токены DePIN, которые демонстрируют реальные денежные потоки или экономию средств для пользователей, — это означает взросление сектора от хайпа к фундаментальным показателям.

В заключение отметим, что устоявшиеся сети, такие как Helium и Filecoin, доказали силу и недостатки токенизированной инфраструктуры, а развивающиеся сети, такие как Render, Akash и io.net, продвигают эту модель в сферу высокого спроса на вычисления ИИ. Экономика каждой сети различается по механике, но имеет общую цель: создать самоподдерживающийся цикл, в котором токены стимулируют развитие услуг, а использование этих услуг, в свою очередь, поддерживает стоимость токена. Достижение этого равновесия сложно, но достигнутый прогресс — миллионы устройств, эксабайты данных и тысячи GPU, работающих в децентрализованных сетях — говорит о том, что эксперимент DePIN приносит плоды. По мере дальнейшей конвергенции ИИ и Web3, в ближайшие несколько лет децентрализованные инфраструктурные сети могут превратиться из нишевых альтернатив в жизненно важные опоры структуры интернета, предоставляя реальную полезность, основанную на криптоэкономике.

Источники: Официальная проектная документация и блоги, исследовательские отчеты Messari и аналитические данные из Token Terminal и других источников. Ключевые ссылки включают обзоры Helium и Akash от Messari, обновления Filecoin Foundation, отчеты Binance Research по DePIN и io.net, а также анализ производительности токенов в контексте ИИ от CoinGecko и CoinDesk. Они послужили фактической основой для приведенной выше оценки, как указано в тексте.