Introduction

Pour la plupart des gens, les perturbations inattendues dans les chaînes d'approvisionnement ont peu d'avantages. Cependant, pour les chercheurs, ces perturbations offrent des opportunités précieuses pour comprendre les dynamiques du marché qui sont autrement difficiles à démêlées. Par exemple, parce que les prix et les quantités sont les résultats observés de l'offre et de la demande, il est difficile de savoir si l'offre, la demande ou les deux ont un impact. Cela donne lieu à l'ancien dicton « ne pas raisonner à partir d'un changement de prix ». Mais lorsque l'un ou l'autre facteur change soudainement de manière prévisible, parfois vous pouvez.

Par exemple, un étude à partir de NBER utilise le choc d'approvisionnement COVID-19 pour comprendre les dynamiques de la demande, montrant comment de tels chocs externes soudains peuvent servir de forces de réaffectation importantes affectant les emplois et les ventes au sein de l'économie américaine. En analysant les changements de comportement lors d'événements rares sur les marchés, les chercheurs peuvent transformer les crises en opportunités pour des insights économiques plus approfondis.

Les réseaux blockchain fonctionnent avec des contraintes de capacité inhérentes similaires à celles des chaînes de production. Chaque bloc a une capacité fixe pour les données de transaction, rendant l'espace une ressource limitée. À mesure que les demandes de transaction augmentent, la concurrence pour l'espace de bloc s'intensifie, entraînant une congestion potentielle du réseau.

En mars, la mise en œuvre de l’EIP-4844 visait à améliorer la capacité du réseau et à réduire les coûts de transaction pour les couches 2 d’Ethereum, ce qui a profité à des réseaux comme Arbitrum et Optimism avec des réductions significatives du prix du gaz [1]. Cependant, peu de temps après cette mise en œuvre, Base a connu une flambée des prix du gaz, dépassant les niveaux précédents observés avant l’introduction de l’EIP-4844.

Pendant cette période, on a constaté une augmentation notable de l'activité des utilisateurs sur Base, principalement alimentée par les activités de trading DeFi. Cette montée en puissance a été particulièrement inattendue étant donné que l'écosystème de Base a été cultivé pour favoriser les applications orientées consommateurs. Initialement incubé par l'équipe de Coinbase, Base a bénéficié d'efforts de marketing et de branding importants visant à créer une chaîne qui encourage les créateurs, les bâtisseurs et l'engagement communautaire. En conséquence, l'écosystème se compose principalement d'applications grand public, les applications les plus réussies, comme Friend.tech, étant orientées consommateurs.

La inversion de l'activité des utilisateurs et la montée soudaine des échanges sur Base pourraient potentiellement être attribuées à un choc d'approvisionnement, induit par un événement externe inattendu qui a impacté la chaîne d'approvisionnement du système. De tels chocs peuvent modifier considérablement la disponibilité et les coûts, changeant fondamentalement le comportement des utilisateurs et la dynamique du réseau.

Catalyst Hunting

Pour être considéré comme un choc d'offre véritable, l'événement doit être exogène, inattendu et assez puissant pour perturber les dynamiques de marché établies.

Suite à la mise en œuvre de l'EIP-4844, l'un des changements les plus significatifs a été l'augmentation soudaine des échanges DEX, qui s'est étendue au-delà des stablecoins et de l'ETH typiques pour englober de nouveaux jetons. Auparavant, les échanges sur Base se concentraient principalement sur ces catégories, les jetons mèmes représentant en moyenne moins de 15% du volume d'échanges hebdomadaire sur l'ensemble des DEX.

Historiquement, les saisons des memecoins sont souvent déclenchées par un jeton “phare” qui suscite un intérêt significatif sur le marché et établit de nouveaux repères commerciaux. Ce phénomène est probablement alimenté par des facteurs tels que les cascades d'informations [2]. Sur des plateformes comme Crypto Twitter, les histoires de trading réussies sont amplifiées, tandis que les échecs sont souvent ignorés, conduisant à une perception biaisée des gains potentiels. Alors que les traders observent et imitent les actions des autres, en supposant qu'ils ont des informations précieuses, une boucle auto-renforçante est créée. Cela fait rapidement monter les prix des memecoins et conduit souvent à une volatilité significative sur le marché.

Par exemple, fin 2023 sur Solana, le jeton dogwifhat (WIF) est passé d'une capitalisation boursière de moins de 1 million de dollars à des milliards en quelques mois [3]. Le succès de WIF a inspiré une manie des memecoins sur Solana, marquée par une augmentation des lancements de jetons mèmes et le développement d'une infrastructure memecoin [4].

Alors que les memecoins existent sur Base depuis son lancement, aucun d'entre eux n'a capturé l'esprit du marché jusqu'en mars de cette année. Le lancement initial du mainnet de Base a été alimenté par une frénésie de trading de memecoin [5]. Avant le lancement officiel du réseau, des milliers d'utilisateurs ont migré vers Base pour échanger des jetons meme. L'activité sur ces jetons a diminué à mesure que de nouvelles applications ont commencé à être lancées. Inspiré par un personnage d'un livre populaire mettant en vedette Pepe, le jeton BRETT lancé de fin février à début mars a rapidement marqué Base, atteignant une capitalisation boursière de 350 millions de dollars bien avant que l'activité de trading de meme ne prenne de l'ampleur [5]. Sa montée rapide l'a non seulement distingué des tendances de marché typiques, mais a également déclenché une frénésie de trading plus large sur le réseau.

Le succès initial du jeton BRETT a attiré des traders spéculatifs grâce à des effets mimétiques potentiels, attirant une nouvelle cohorte d'utilisateurs plus intéressés par le trading de mèmes que par la participation aux applications du réseau. Bien que la focalisation de ce groupe soit restée étroite, il est précieux d'explorer les répercussions de cette frénésie des mèmes sur la base existante de l'écosystème de Base, en particulier la manière dont leurs comportements habituels ont évolué en réponse à cet événement. Cela dit, bien que les données de surface seules ne puissent pas confirmer que la congestion observée est directement résultée de l'événement du jeton BRETT, elles nous encouragent à poursuivre une analyse plus détaillée pour évaluer avec précision les impacts directs sur le comportement des utilisateurs et la demande.

L'expérience:

L'objectif principal de l'expérience proposée est d'analyser la dynamique de l'offre et de la demande sur Base, en se concentrant sur la manière dont les frais de gaz (offre) et l'activité des transactions (demande) interagissent avant, pendant et après l'événement BRETT. Un aspect critique de cette analyse implique d'isoler l'impact du lancement de BRETT du comportement général du marché.

Pour obtenir une vision claire de la dynamique du marché, nous exclurons l'activité de trading directement liée au token BRETT. Notre analyse se concentrera sur les adresses qui étaient actives avant le lancement du token fin février, nous permettant d'évaluer une base d'utilisateurs cohérente non affectée par l'intérêt spéculatif que suscitent souvent les nouveaux tokens. Cette approche garantit que notre examen du comportement des utilisateurs plus larges sur Base reste impartial, sans être disproportionnellement influencé par ceux qui s'intéressent principalement à BRETT.

Le modèle :

Dans cette étude, nous utilisons un modèle de régression avec une variable binaire de base pour analyser l'impact du lancement de BRETT. La sélection des variables et leurs fonctions dans le modèle sont choisies pour refléter les effets nuancés de cet événement sur le marché.

Le modèle est défini comme suit :

Où :

• Utilisation moyenne du gaz (𝑄𝑡): Représente l'utilisation moyenne du gaz au moment 𝑡, servant de principal indicateur de la complexité des transactions et de la charge du réseau.
• Indicateur de choc (Dt) : Une variable binaire qui indique si l'événement du jeton BRETT s'est produit (0 s'il s'est produit avant le lancement, 1 sinon).
• Frais de gaz (𝑃𝑡): Indique le prix du gaz en gwei au moment 𝑡.
• Terme d'interaction (𝐷𝑡𝑃𝑡) : Capture l'interaction entre le choc BRETT et les prix du gaz.
• Nombre de transactions (𝑇𝑡) : Indique le nombre de transactions au moment 𝑡, inclus pour comprendre comment les variations du volume des transactions influencent la congestion du réseau et l'utilisation du gaz.

Il est important de reconnaître que ce modèle, dans sa forme actuelle, est quelque peu simpliste et sert principalement à suggérer des changements de la demande liés à ce catalyseur spécifique. Le modèle ne tient pas compte de la potentialité d'endogénéité découlant des conditions de base ou d'autres tendances sous-jacentes, ce qui pourrait obscurcir la véritable causalité et élasticité de la demande avant l'événement. Par exemple, des variables omises peuvent exister, et il pourrait y avoir une causalité simultanée entre l'utilisation du gaz et les frais, ainsi que du bruit supplémentaire qui pourrait compromettre l'exactitude de nos estimations initiales.

Cependant, ce modèle nous permet de déterminer si le choc BRETT a entraîné un changement statistiquement significatif dans le comportement des transactions sur Base, indépendamment des activités de trading direct de BRETT.

Résultats de régression

En examinant une cohorte d'utilisateurs non spécifique à BRETT de début janvier 2024 jusqu'à la fin de mai sur une base horaire, nous pouvons déduire ce qui suit concernant le lancement et la première montée du jeton BRETT :

Suite à l'introduction du jeton Brett sur Base, on a observé un changement comportemental statistiquement significatif chez les utilisateurs en réponse à la hausse des frais de gaz. Le modèle de régression a indiqué un terme d'interaction négatif significatif (𝛽3=−0,333), ce qui suggère que l'augmentation des frais de gaz après l'introduction du jeton a probablement dissuadé les transactions des utilisateurs.

Plus précisément, le terme d'interaction suggère qu'une augmentation d'un écart type des prix du gaz (Δ𝑃=1.2×105 gwei) suite à l'événement mème, entraînerait une diminution de l'utilisation du gaz, Δ𝑄, de 41.2k, ce qui correspond à 79% de l'écart type horaire typique. En d'autres termes, selon le modèle, une augmentation d'un écart type des prix du gaz entraîne une diminution d'environ 0.79 écart type de la demande lors d'un événement de forte congestion.

Dans l'ensemble, l'introduction du jeton de balise memecoin, BRETT, a eu des effets en cascade néfastes sur la base initiale d'utilisateurs de Base. La congestion induite par le catalyseur a accru la sensibilité de cette cohorte aux prix élevés du gaz, les rendant plus réticents aux coûts de transaction, même si ces coûts étaient proches des niveaux observés avant la mise en œuvre de l'EIP-4844.

Zoom arrière

Les effets déclenchés par BRETT sur Base servent d'illustration des vulnérabilités plus larges et des comportements adaptatifs caractéristiques des écosystèmes cryptographiques. Cet événement souligne comment les jetons émergents, et plus particulièrement les événements inattendus, peuvent affecter considérablement les métriques de transaction, le comportement des utilisateurs et la stabilité du réseau, illustrant la rapidité à laquelle les dynamiques peuvent évoluer au sein du cadre opérationnel d'une blockchain.

Cet incident met en lumière la relation nuancée entre l'offre (dans ce cas, les frais de réseau) et la demande des utilisateurs, qui est loin d'être une simple équation linéaire. La demande peut changer brusquement, comme en témoigne l'événement BRETT, ou évoluer plus progressivement à mesure que l'écosystème mûrit. De tels changements soulignent l'interaction complexe entre les ajustements du réseau et les réponses des utilisateurs, qui ne sont pas toujours prévisibles et peuvent varier considérablement en fonction des chocs externes ou des changements anticipés tels que les mises à niveau du réseau.

En regardant vers l'avenir, à mesure que davantage d'événements exogènes ou de mises à niveau connues se produisent, comprendre ces dynamiques sous-jacentes devient vital. Reconnaître les modèles et les réactions potentielles des utilisateurs aux changements au sein de l'écosystème peut aider à prévoir des dynamiques et des réponses d'utilisateurs plus authentiques.

Avertissement :

1. Cet article est repris de [Revue de la Blockchain de Stanford], Tous les droits d'auteur appartiennent à l'auteur original [Stanford Blockchain Club]. S'il y a des objections à cette réimpression, veuillez contacter le Gate Apprendrel'équipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité: Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent en aucun cas des conseils en matière d'investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdite.