Узнайте, почему «агентное моделирование» и «токеномика» дополняют друг друга

Агентные модели существуют уже несколько десятилетий. Они являются одной из основных методологий изучения сложных систем.

Основной идеей АВМ является моделирование систем путем моделирования их отдельных частей.

Эта идея противоречит стандартному математическому моделированию, которое фокусируется на поведении системы более высокого уровня.

Почему кто-то хочет сосредоточиться на этом?

Есть две основные причины:

1. ==ABM может моделировать нелинейное и хаотичное поведение систем, которое очень сложно отразить с помощью других типов моделей.==

1. ==ABM очень интуитивно понятны. Например, если мы моделируем рынок, мы можем моделировать каждого отдельного трейдера на основе нескольких простых моделей поведения.==

Примером первых успехов ABM была модель сегрегации Шеллинга.

Томас Шеллинг продемонстрировал, как сообщества могут подвергаться сегрегации, даже если отдельные люди не пытаются добиться сегрегации сами.

Мы предполагаем, что все люди живут в квадратной сетке и что их единственное требование состоит в том, чтобы половина их соседей была одного цвета.

Они совершенно счастливы, если половина их соседей другого цвета кожи, поэтому они не расисты в том смысле, что требуют, чтобы все их соседи были такими же, как они.

Если это предположение не выполняется, то они стремятся переехать в другое место. Даже при этих предположениях модель сходится к ситуации, когда создаются отдельные сегрегированные области.

Агентное моделирование и экономика

Как вы уже могли догадаться, использование этого типа модели в экономике имеет абсолютный смысл. Экономическая методология обычно связана с моделями более высокого уровня, такими как кривые спроса и предложения.

Однако эти модели требуют чрезмерного упрощения лежащей в основе динамики. Наиболее ярким примером является предположение о рациональности, которое вызвало много споров после финансового краха 2008 года.

[The Economist] (http://www.economist.com/node/16636121) написал статью, в которой обсуждалось, сможет ли ABM предсказать кризис, который традиционные модели не смогли предсказать.

Агентная вычислительная экономика существует чуть более десяти лет.

Одним из ярких примеров является модель Sugarscape, разработанная Джошуа М. Эпштейном. ) и Robert Axtell и подробно описаны в их книге Growing Artificial Societies, который касается вымышленной экономики, в которой агенты живут за счет «сахара».

Агенты потребляют сахар и могут воспроизводить, торговать, передавать информацию и т. д., как упрощения реальных людей. Моделирование модели показано ниже.

Итак, какое отношение все это имеет к токеномике и ICO?

Токеномика позволяет нам создавать искусственную экономику с искусственно сконструированными стимулами. Во всех официальных документах в этой области делаются всевозможные предположения относительно принятия токенов, их использования, прогнозов будущей стоимости и т. д. Однако мне редко попадались убедительные официальные документы в этой области.

Простая причина в том, что токеномика — относительно новая область. На самом деле, многие люди даже не узнают этот термин.

Не существует стандартных правил относительно того, как настроить экономику токенов и чего ожидать с точки зрения прогнозов и использования. Исследования в этой области также немногочисленны.

Однако ясно, что такая структура для оценки экономики токенов крайне необходима по двум причинам.

Во-первых, это позволило бы основателям экономики понять ее плюсы и минусы и улучшить свою модель.

Во-вторых, он может предложить инвесторам ICO некоторую уверенность в том, чего ожидать при инвестировании, поскольку такую ​​структуру можно использовать для прогнозирования будущей стоимости и принятия.

Агентное моделирование и токеномика

Поэтому, не имея прочной теоретической основы или математических моделей экономики, на которые можно было бы положиться, как кто-то может создать прочную основу для своей экономики токенов?

Именно здесь моделирование на основе агентов становится естественным выбором для токеномики.

Моделирование экономики токенов с помощью ABM позволяет нам обойти любые теоретические ограничения и напрямую моделировать агентов наших предположений, в то же время принимая во внимание любые ограничения или предположения, которые мы хотим.

Это модель, которую я успешно использовал для [ICO Crowd for Angels] (https://crowdforangels.com/ICO). С помощью ABM стало возможным продемонстрировать, что, если предположения, лежащие в основе бизнес-модели Crowd for Angels, верны, то их токен должен быть близок к паритету с британским фунтом стерлингов.

Я считаю, что потребность в ABM в токеномике становится еще более важной, если мы рассмотрим ошибки, которые допускают многие стартапы при разработке своей экономики токенов (об этом я писал в другом [сообщении] (http://www.skampakis.com/icos). -стартапы-рыночные-модели/)).

Тот факт, что ICO удалось привлечь около 5,6 млрд долларов США, с одной стороны, должен взволновать нас, но в то же время осторожно. Предстоит еще много работы по регулированию ICO, и пока ни одна из этих работ не затрагивает 3 наиболее важных вопроса:

1. Может ли работать конкретная экономика токенов?

1. Насколько хорошо это может работать, какова максимально возможная оценка?

1. Насколько он изменчив и чувствителен? Это стресс-тестирование?

Однако с использованием моделирования на основе агентов я уверен, что эти вопросы можно изучить и ответить на них с разумной степенью уверенности.

Построить хорошую модель токеномики непросто (как я объясняю в видео ниже). Однако с помощью агентного моделирования все становится значительно проще. Пришло время взять этот замечательный инструмент из нашего набора инструментов и вернуть его на передний план!

Совместно опубликовано [здесь] (https://thedatascientist.com/agent-based-modelling-tokenomics/)