Falls Sie es verpasst haben, Robinhood Chain ist jetzt im Testnetz live. Ein erster Schritt in unserer Arbeit, um eine Onchain-Finanzinfrastruktur aufzubauen, die Entwicklern einen Platz bietet, um vor dem Mainnet zu entwickeln. Erforschen Sie das Testnetz:

Kunst, NFTs, Onchain Soziales, Gaming, DAOs Krypto-Eliten und die Leute in den Gräben haben diese für tot erklärt. Aber die beste Zeit zum Bauen ist, wenn alle anderen gegangen sind. Graveyard Hack beginnt heute. Belebte "tote" Kategorien wieder und gewinne Preise in 10 Kategorien 👇

Die Bedeutung eines Observablen liegt darin, dass es eine Menge an Informationen tragen kann, auch wenn es von verborgenen Variablen abhängt. Zum Beispiel ist die Ausführungsreihenfolge von Transaktionen ein Observable. Sie hängt eindeutig von verborgenen Variablen ab, wie dem Orderflow. Es ist jedoch immer noch möglich, einen Schätzer aus dem Observable zu konstruieren und Annahmen oder Modelle zu testen, um die Reproduzierbarkeit des beobachteten Ereignisses zu bewerten, ohne notwendigerweise die verborgene Variable zu kennen. Wir können die tatsächliche Ausführungsreihenfolge mit einer idealen vergleichen, bei der Transaktionen perfekt nach Priorität geordnet sind, indem wir eine Distanz zwischen der realen und der idealen Reihenfolge definieren. Daraus erhalten wir eine spezifische Verteilung für jeden Scheduler. Unter grundlegenden Annahmen, wie der Zeit, die für die Planung von Transaktionen vor der Ausführung benötigt wird, und dem Grad der Parallelisierung, können wir die gemessenen Verteilungen mithilfe von Simulationen reproduzieren, bei denen der Orderflow als gleichmäßig über alle Scheduler angenommen wird. Wir stellen fest, dass: - ein Scheduler, der Transaktionen ausführt, sobald sie verfügbar sind, wobei die Priorität nur zur Lösung gleichzeitiger Transaktionen verwendet wird, Agave fast perfekt reproduziert - ein Scheduler, der Transaktionen in Chargen zusammenfasst und alle 50 ms ausführt, BAM fast perfekt reproduziert - ein Scheduler, der wartet, bis kurz vor Ende des Slots alles auszuführen, Frankendancers Einnahmen-Scheduler fast perfekt reproduziert Nichts davon geht von Ungleichheiten im Orderflow aus. Bedeutet das, dass Orderflow als verborgene Variable ausgeschlossen werden kann? Nein. Die Tatsache, dass ein Modell die Daten reproduziert, impliziert nicht, dass Störungen des Modells keine Tail-Effekte haben können, wodurch Orderflow eine wesentliche Variable bei der Untersuchung von Ausreißern oder wiederholten anomalischen Ereignissen darstellt. Bedeutet das, dass man unter einem "gleichen Orderflow"-Regime nichts lernen kann? Nein. Was man lernt, ist, wie sich die Planung unter Paritätsbedingungen verhält.