人人都是做市商，Algorand的拍卖该怎么玩？

编译：风答

在之前的文章中，我们跟Algorand的创始团队一起聊了聊他们的非典型去中心化哲学，而对于很多用户来说，他们更加关心的是：

Algorand的荷兰式拍卖究竟是怎么回事，我该去梭哈一把么？

今天我们带来了arrington关于Algorand的分析，arrington是一家tokenfund，由TechCrunch创始人创立，相信你看完之后，会对于Algorand的荷兰式拍卖会有更好的理解。

以下是正文，enjoy：

1 看跌期权&三种策略

90%成本回购是吸引很多玩家参与这次荷兰拍卖的重要原因，它本质是一种看跌期权，你在买入algo一年后，有权将其卖回给项目方。

涨跌期权是一种相对高阶的金融工具，用在这里使得algo的荷兰拍卖跟此前的ico和ieo完全区别开来，除了公开发行，这种有项目方做back up的拍卖，更是一种做市和风险对冲的手段，中期来看，这种方式会引导用户去做价值发现，同时帮助二级市场找到有效的价格。

我们举一个例子说明：

今天，Bob以2美金价格买入1000个algo，这意味着Bob 90%的的风险有了back up，在90%兑付来临之前，我们可以思考一下A在一年内可能的交易行为：

1、algo市场价格一直高于Bob的认购价，那他的选择有两种，卖掉algo，赚钱走人或者长期持有algo

2、algo价格处于波动状态，先高于Bob的认购价，后来又跌破两美金了，那对于来Bob来说，一个套利机会是，在高于认购价卖出algo，然后找一个algo价格低于1.8的时刻买回来，然后一年后找algo项目方做兑付

3、algo 长期低于Bob的认购价，类似于第二条的机会同样存在，Bob应该设置风险线，一旦价格跌破1.8，就应该立马在市场上卖掉，随后在成交价90%以下的价格再把algo买回来，等待一年后的90%本金兑付，采用这样的策略，此前10%的风险也被对冲掉了。

当然，在第三种策略中，有一种情况是，Algo的价格长期处于偏低的稳定状态，可能找到不到合理的对冲点。

2 人人都是做市商

上面我们讨论了只进行一次拍卖的情况，大部分参与拍卖用户的可能行为，但algorand的拍卖长达五年，这就意味着每次拍卖都会有一个成交价格。

这就会出现很多个Bob，然后他们都可能采用上述的三种策略来处理自己手中的algo，这也意味着，每一次拍卖都会对algo的流动性产生影响，而最后algo的定价可能是基于不同价格模型的加权。

这也就解释了，为什么我们说，algo的拍卖除了公开发行，还有风险对冲和做市的作用。

想象以下Alice的拍卖价格是2美金，Bob的拍卖价格是3美金，在临近90%兑付的时候会发生什么？

这里我们来看看每次拍卖加权后，可能的情况（为了方便计算，我们默认90%兑付，即拍卖成交价大于1美金）：

拍卖卖结束后的加权平均价格：

P = 90% x (A1P1+A2P2+...+AnPn)/(A1+A2+...+A2)

其中An=每次拍卖卖出的algo数量

Pn=每次拍卖的最终成交价

当然，这个价格算的非常粗略，我们只考虑了拍卖中Algo的流动性，基金逐步释放的份额和团队、节点手上的algo并没有完全考虑进去。

如果把这些并进去，最后的模型会更加复杂，但目前来看，这种计算是一个不错的参考，至于algo的价格会怎么走，将会是一件非常有趣的事情。

所有参与拍卖的用户都在玩一场游戏，这个游戏随着时间的推移，理论上会出现一个最低价格，而每一个参与者又都会有自己的价格来判断当前的价格是高或者低，所以在algo的拍卖中，每个人都是做市商。

3 你是哪种用户

这种机制让algo的流动性效率会大大提升，能更加有效的做市场运转，相较于EOS或ETH，它更加像传统的外汇市场，大部分货币都有自己独立的流动性，而不是跟着BTC的波动而波动。

值得注意的是，Smart Trader也会参与其中。如果拍卖提供了真实数据（实际是的，数据都在链上），他们能根据模型，推倒出一个相对有效的价格，那么其价格的偏差就构成了algo的套利空间，你可以想象市场可能对“价格”的错误判断，就像usdt不是长期处于1:1水平一样，而“smart trader”会利用usdt阶段性恐慌进行套利。

你可以想象的到，这些用户，会利用algo的经济模型给algo定价，跟踪每次一拍卖的结算日期和当期价格，他们会为低效率定价，并随着时间的推移消除波动性。比如：越接近退款日期，这些模型就越有可能生效，因为投机者的套利需求会增多。

同时他们会感谢拍卖者们的参与，让这一切都可能变成了可自我实现的预言，无论实际参与拍卖者的行为如何，市场都会为algo找到合理的价格。

所以，你是哪种用户？

原文链接：

http://arringtonxrpcapital.com/wp-content/uploads/2019/06/aXRPc_algorand_a_monetary_experiment.pdf