PCE模型,FomoCat为何发起反Web3空气资产的社区试验

2023-10-17 04:30

本文主要是介绍PCE模型,FomoCat为何发起反Web3空气资产的社区试验,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在FomoCat的Gitbook中,第一句话便是“欢迎来到一场全新的社会金融PCE试验——全新的通证发行模式。”为这个项目的风格和目的做出了简单且直接的解释。

接下来便是一系列对当下各类层出不穷的Web3项目和概念的抨击。在FomoCat团队视野里,当下的Web3项目绝大部分都是挂着技术名义,实则只是在发行空气资产的虚假项目,连Ponzi都算不上。所谓的DAO和治理通证也不过是一个虚无缥缈的正当借口。将通证的价值重新回归到最初的“股权”的特点才是作为一个金融资产的基本要素。

FomoCat上线背景

FomoCat是由CopyCat发起的一场社区试验,并将在opBNB上首次上线,作为目前仅有的数十个项目里,唯一个社区试验性项目。CopyCat在2022年以独特的Copytrade交易系统和资金收益能力,被Binance Labs在第三期孵化计划中,获得直接投资,并且这也是Copycat所接受的唯一投资。但是随着市场的情绪被机构的空气项目所裹胁,大量用户的资金开始背离所谓的主流赛道,开始偏向一些meme币,或者更加单纯的空气项目、Ponzi 项目等等。

反应的问题直接表现在两个方面。首先,用户对机构项目的不信任,在这个环境下,参与机构项目,等同于去接盘别人的低价格筹码资产。并且随着机构、团队资产抛出的差不多,项目还会面临soft rug等问题。其次,直接参与一些空气型项目,靠着市场的Fomo情绪反而能够存在的确定性的盈利机会(根据参与时间而定)。在这两者的因素影响下,也就是成为了近段时间Friend.Tech这类型项目发展的空间。但是FT类型项目最大的问题以下几点:

1.法律风险问题:无论再怎么解释,FT房间创建者的个人发币行为是没有办法摆脱的,这在全世界范围内,大多数主流国家的法律中,是不被允许的。

2.流动性差问题:FT不仅需要用户仅能够在20%以上的差价出售才能获利,平时的直接交易也受到手续费的影响而低频。

3.流量利用率低问题:FT虽然能够有足够强的社交变现能力,但项目内的流量沉淀和转化效率极低。因此现在也在推出Farm功能,试图对流量进一步转化。

其实无论是现在所谓的技术型Web3项目还是Ponzi项目,最终表现得结果是,用户希望以一种更加公平的方式参与财富投资机会,并且资产的价格有所保证,不受机构、或者项目左右。这就顺理成章的成为了FomoCat的上线背景和试验目的。

FomoCat如何设计机制,实现公平

公平和赚钱是目前大量普通用户在参与Web3项目中最简洁的需求。在这个条件下,FomoCat的核心机制,分别能够实现两三个特点:

1.仅用户参与合约交互时,资产才会发行。

2.资产发行的价格,会随着资产发行的价格逐步上涨。

3.资产的价格将会通过PCE模型进行价值托底。

换句话说,在传统的Web3项目中,用户仅能够进行买资产,等待项目团队或者委托的市商主动拉盘的情况下才能获利,所谓的生态和供给需求,FomoCat团队认为在一定程度上都是故事。因此在合约上,每新增一枚Cat就会增加一定的价格。并且这个价格曲线经过和合理的数学模型和规模增效计算。从公募的2500万枚开始,到发行至10亿枚。可以直接计算出,CAT通证的价格会从0.008U,增幅至0.1125U左右。

用合约发行资产,用合约拉盘资产价格。下一个问题,如何保证资产价格增长的可持续性。这就会用到PCE模型的特点了。CopyCat最早就是通过Copytrade为用户、托管资金赚取收益。所以在FomoCat中,用户的资金会成为一个未来奖池,在奖池兑现之前,其中的资金会用于CopyCat的策略收益,这些收益会用户回购CAT和支撑CAT的市场价格。

这就实现了CAT公平发行,合理拉盘,价格可持续性的问题。

FomoCat的态度

FomoCat这个全新的通证发行机制的项目介绍,一种简单直接的PCE(Protocol Could Earned),向大家完美的展示了,当一个普通的项目,获得用户资金后,是如何让自己赚取更多的收益,和保持项目真实的运作资金的。

FomoCat只不过是把这种本质的现象,设计成了合约和通证发行方式,将本应该由项目方的赚取的大部分收益,回到了社区用户手中。让这个财富再分配的游戏,通过这场试验更加公平、公正的进行

是一个全新的货币发行协议,协议具有天然的公平启动的财富属性以及协议具有的资金效应将会成为本货币发行协议的原生财富支撑。

FomoCat的社区金融试验项目。在这里,你的财富会随着公平、公开的试验进行再分配,同时你的资产也不会成为只能够等待价格上涨而静态且无用的资产。

FomoCat协议会赋予每一个在区块链世界中的CAT资产收益能力。无须用户进行任何复杂操作。

拒绝无聊的故事与愿景,自动分红。

这篇关于PCE模型,FomoCat为何发起反Web3空气资产的社区试验的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/222963

相关文章

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备(一)硬件要求(二)软件要求(三)创建虚拟环境三、安装依赖库四、获取 Dee

DeepSeek模型本地部署的详细教程

《DeepSeek模型本地部署的详细教程》DeepSeek作为一款开源且性能强大的大语言模型,提供了灵活的本地部署方案,让用户能够在本地环境中高效运行模型,同时保护数据隐私,在本地成功部署DeepSe... 目录一、环境准备(一)硬件需求(二)软件依赖二、安装Ollama三、下载并部署DeepSeek模型选

Golang的CSP模型简介(最新推荐)

《Golang的CSP模型简介(最新推荐)》Golang采用了CSP(CommunicatingSequentialProcesses,通信顺序进程)并发模型,通过goroutine和channe... 目录前言一、介绍1. 什么是 CSP 模型2. Goroutine3. Channel4. Channe

Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)

《Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)》:本文主要介绍Python基于火山引擎豆包大模型搭建QQ机器人详细的相关资料,包括开通模型、配置APIKEY鉴权和SD... 目录豆包大模型概述开通模型付费安装 SDK 环境配置 API KEY 鉴权Ark 模型接口Prompt

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验