Introducción

Para la mayoría de las personas, las interrupciones inesperadas en las cadenas de suministro tienen pocas ventajas. Sin embargo, para los investigadores, estas disrupciones ofrecen valiosas oportunidades para comprender la dinámica del mercado que, de otro modo, sería difícil de desentrañar. Por ejemplo, debido a que los precios y las cantidades son los resultados observados de la oferta y la demanda, es difícil saber si la oferta, la demanda o ambas tienen un impacto. Esto da lugar al viejo dicho "no razones a partir de un cambio de precio". Pero cuando uno u otro factor cambia repentinamente de una manera predecible, a veces se puede.

Por ejemplo, un estudiar desde NBER utiliza el shock de oferta de COVID-19 para comprender la dinámica de la demanda, mostrando cómo tales golpes externos repentinos pueden servir como fuerzas significativas de reasignación que afectan los empleos y las ventas dentro de la economía de EE. UU. Al analizar los cambios de comportamiento durante eventos de mercado raros, los investigadores pueden transformar las crisis en oportunidades para obtener conocimientos económicos más profundos.

Las redes de blockchain operan con limitaciones de capacidad inherentes similares a las líneas de producción. Cada bloque tiene una capacidad fija para los datos de transacción, lo que convierte al espacio en un recurso limitado. A medida que la demanda de transacciones aumenta, la competencia por el espacio del bloque se intensifica, lo que lleva a una posible congestión de la red.

En marzo, la implementación de EIP-4844 tenía como objetivo mejorar la capacidad de la red y reducir los costos de transacción para las capas 2 de Ethereum, beneficiando a redes como Arbitrum y Optimism con importantes reducciones en el precio del gas [1]. Sin embargo, poco después de esta implementación, Base experimentó un aumento en los precios del gas, superando los niveles anteriores observados antes de la introducción de EIP-4844.

Durante este período, hubo un notable aumento en la actividad de los usuarios en Base, impulsado principalmente por las actividades de comercio de DeFi. Este aumento fue particularmente inesperado dado que el ecosistema de Base se ha cultivado para favorecer las aplicaciones orientadas al consumidor. Inicialmente incubado por el equipo de Coinbase, Base se ha beneficiado de extensos esfuerzos de marketing y branding dirigidos a crear una cadena que fomente la participación de creadores, constructores y comunidad. Como resultado, el ecosistema consiste predominantemente en aplicaciones para consumidores, siendo las aplicaciones más exitosas, como Friend.tech, orientadas al consumidor.

La reversión en la actividad de los usuarios y el repentino aumento en la negociación en Base podrían atribuirse potencialmente a un shock de suministro, inducido por un evento externo inesperado que impactó la cadena de suministro del sistema. Estos shocks pueden alterar significativamente la disponibilidad y los costos, cambiando fundamentalmente el comportamiento de los usuarios y la dinámica de la red.

Catalyst Hunting

Para calificar como un verdadero choque de oferta, el evento debe ser exógeno, inesperado y lo suficientemente potente como para interrumpir la dinámica del mercado establecida.

Tras la implementación de EIP-4844, uno de los cambios más significativos fue el aumento repentino del trading en DEX, que se expandió más allá de los típicos stablecoins y ETH para abarcar nuevos tokens. Anteriormente, el trading en Base se había centrado predominantemente en estas categorías, y los tokens de meme representaban menos del 15% en promedio del volumen de trading semanal en todos los DEX.

Históricamente, las temporadas de memecoin a menudo son encendidas por un token "guía" que captura un interés significativo del mercado y establece nuevos puntos de referencia comerciales. Este fenómeno probablemente está impulsado por factores como cascadas de información [2]. En plataformas como Crypto Twitter, las historias exitosas de trading se amplifican, mientras que los fracasos a menudo son ignorados, lo que lleva a una percepción sesgada de las ganancias potenciales. A medida que los traders observan e imitan las acciones de otros, asumiendo que tienen ideas valiosas, se crea un bucle auto-reforzante. Esto hace que los precios de las memecoins suban rápidamente y a menudo conduce a una volatilidad significativa del mercado.

Por ejemplo, a finales de 2023 en Solana, el token dogwifhat (WIF) pasó de una capitalización de mercado de menos de $1 millón a miles de millones en cuestión de meses [3]. El éxito de WIF inspiró una manía por memecoin en Solana, marcada por un aumento en los lanzamientos de tokens meme y el desarrollo de infraestructura de memecoin [4].

Si bien las memecoins han existido en Base desde su lanzamiento inicial, ninguna de ellas capturó la atención del mercado hasta marzo de este año. El lanzamiento inicial de la mainnet de Base fue impulsado por una fiebre de intercambio de memecoins [5]. Antes del lanzamiento oficial de la red, miles de usuarios migraron a Base para intercambiar memes. La actividad en estas monedas disminuyó a medida que comenzaron a lanzarse nuevas aplicaciones. Inspirada en un personaje de un libro popular con Pepe, la ficha BRETT se lanzó a fines de febrero a principios de marzo y rápidamente dejó su huella en Base, alcanzando una capitalización de mercado de $350 millones mucho antes de que se afianzara una actividad significativa de intercambio de memes [5]. Su rápido ascenso no solo la distinguió de las tendencias típicas del mercado, sino que también encendió una fiebre comercial más amplia en toda la red.

El éxito inicial del token BRETT atrajo a traders especulativos a través de posibles efectos miméticos, atrayendo a una nueva cohorte de usuarios más interesados en el comercio de memes que en interactuar con las aplicaciones de la red. Aunque el enfoque de este grupo ha seguido siendo estrecho, es valioso explorar los efectos secundarios de esta fiebre de memes en la base existente de usuarios del ecosistema de Base, especialmente cómo cambiaron sus comportamientos típicos en respuesta a este evento. Dicho esto, si bien los datos superficiales por sí solos no pueden confirmar que la congestión observada sea directamente resultado del evento del token BRETT, nos anima a realizar un análisis más detallado para evaluar con precisión los impactos directos en el comportamiento y la demanda de los usuarios.

El Experimento:

El objetivo principal del experimento propuesto es analizar la dinámica de la oferta y la demanda en Base, centrada en cómo interactúan las tarifas de gas (oferta) y la actividad de transacción (demanda) antes, durante y después del evento BRETT. Un aspecto crítico de este análisis implica aislar el impacto del lanzamiento de BRETT del comportamiento general del mercado.

Para obtener una visión clara de la dinámica del mercado, excluiremos la actividad comercial directamente relacionada con el token BRETT. Nuestro análisis se centrará en las direcciones que estuvieron activas antes del lanzamiento del token a fines de febrero, lo que nos permitirá evaluar una base de usuarios constante no afectada por el interés especulativo que suelen generar los nuevos tokens. Este enfoque garantiza que nuestro examen del comportamiento del usuario en general en Base sea imparcial, sin verse desproporcionadamente influenciado por aquellos interesados principalmente en BRETT.

El Modelo:

En este estudio, utilizamos un modelo de regresión con una variable binaria central para analizar el impacto del lanzamiento de BRETT. La selección de variables y sus funciones dentro del modelo se eligen para reflejar los efectos matizados de este evento de mercado.

El modelo se define como sigue:

Dónde:

• Average Gas Usage (𝑄𝑡): Representa el uso promedio de gas en el momento 𝑡, que sirve como un indicador clave de la complejidad de la transacción y la carga de la red.
• Indicador de choque (𝐷𝑡): Una variable binaria que indica si ocurrió el evento del token BRETT (0 si fue antes del lanzamiento, 1 en caso contrario).
• Tarifa de gas (𝑃𝑡): Indica el precio del gas en gwei en el momento 𝑡.
• Término de interacción (𝐷𝑡𝑃𝑡): Captura la interacción entre el shock de BRETT y los precios del gas.
• Recuento de transacciones (𝑇𝑡): Denota el número de transacciones en el momento 𝑡, incluido para comprender cómo las variaciones en el volumen de transacciones influyen en la congestión de la red y el uso del gas.

Es importante reconocer que este modelo, en su forma actual, es algo simplista y sirve principalmente para sugerir cambios en la demanda relacionados con este catalizador específico. El modelo no tiene en cuenta la posible endogeneidad derivada de las condiciones básicas u otras tendencias subyacentes, lo que podría oscurecer la verdadera causalidad y elasticidad de la demanda antes del evento. Por ejemplo, pueden existir variables omitidas y podría haber causalidad simultánea entre el uso de gas y las tarifas, junto con ruido adicional que podría comprometer la precisión de nuestras estimaciones iniciales.

Sin embargo, este modelo nos permite determinar si el shock de BRETT provocó un cambio estadísticamente significativo en el comportamiento de las transacciones en Base, independientemente de las actividades comerciales directas de BRETT.

Resultados de regresión

Mirando a una cohorte no específica de usuarios de principios de enero de 2024 hasta finales de mayo, hora por hora, podemos deducir lo siguiente en torno al lanzamiento y la primera subida del token BRETT:

Tras la introducción del token Brett en Base, se produjo un cambio de comportamiento estadísticamente significativo entre los usuarios en respuesta al aumento de los precios del gas. El modelo de regresión indicó un término de interacción negativo significativo (𝛽3=−0.333), lo que sugiere que el aumento de las tarifas de gas después de la introducción del token probablemente disuadió las transacciones de los usuarios.

Específicamente, el término de interacción sugiere que para un aumento de una desviación estándar en los precios del gas (Δ𝑃=1.2×105 gwei) después del evento de meme, podemos esperar una disminución en el uso de gas, Δ𝑄, de 41.2k, lo que corresponde al 79% de la desviación estándar horaria típica. En otras palabras, según el modelo, un aumento de una desviación estándar en los precios del gas resulta en una disminución de aproximadamente 0.79 desviaciones estándar en la demanda durante un evento de alta congestión.

En general, la introducción del token de faro memecoin, BRETT, tuvo efectos secundarios adversos en la base inicial de usuarios de Base. La congestión inducida por el catalizador aumentó la sensibilidad de esta cohorte a los precios del gas en aumento, lo que los hizo más reacios a los costos de transacción, aunque estos costos estaban cerca de los niveles observados antes de la implementación de EIP-4844.

Alejando la vista

Los efectos secundarios de BRETT en Base sirven como una ilustración de las vulnerabilidades más amplias y los comportamientos adaptativos característicos de los ecosistemas criptográficos. Este evento subraya cómo los tokens emergentes, y más particularmente los eventos inesperados, pueden afectar sustancialmente las métricas de transacción, el comportamiento del usuario y la estabilidad de la red, ilustrando el ritmo rápido al que pueden evolucionar dinámicas dentro del marco operativo de una cadena de bloques.

Este incidente resalta la relación matizada entre la oferta (en este caso, las tarifas de red) y la demanda del usuario, que está lejos de ser una ecuación lineal simple. La demanda puede cambiar abruptamente, como lo demuestra el evento BRETT, o evolucionar de manera más gradual a medida que el ecosistema madura. Estos cambios subrayan la compleja interacción entre los ajustes de red y las respuestas de los usuarios, que no siempre son predecibles y pueden variar ampliamente según los impactos externos o los cambios anticipados, como las actualizaciones de red.

Mirando hacia el futuro, a medida que ocurran más eventos exógenos o actualizaciones conocidas, comprender estas dinámicas subyacentes se vuelve vital. Reconocer los patrones y las posibles reacciones de los usuarios a los cambios dentro del ecosistema puede ayudar a prever dinámicas y respuestas de usuarios más genuinas.

Renuncia:

1. Este artículo es reimpreso de[Stanford Blockchain Review], Todos los derechos de autor pertenecen al autor original [Stanford Blockchain Club]. Si hay objeciones a esta reimpresión, por favor contactar al Aprendizaje de la puertaequipo y ellos lo manejarán rápidamente.
2. Renuncia de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.