DeBox Institute深度调研社交明星DeBox，如何构建基于Web3使用场景的聚合社交平台
DeBox研究院 |作者：Cryptoming | 撰稿日期：9月9日摘要本文通过分析不同Web3应用的GAS消耗量，阐明了DEX和NFT市场交易是Web3用户最核心和原生的使用场景，然后分析讨论了DeBox如何在这些Web3使用场景上构建社交功能模块。DeBox作为基于Web3使用场景的聚合社交平台，提供了多种功能模块，包括DeBox原生DEX交易聚合器，“知识星球”付费社群、持仓聊天社群、群资产（DAO）治理、声誉社交展示、开放调用Bot链上交互和语音房等，以满足用户在Web3中包括获取有效社交消息（Alpha信息）和持有者社区动态等多样化的社交需求。通过将DeBox与Lens，Farcaster等主流社交协议应用进行对比，阐明了DeBox基于Web3使用场景构建社交平台的优势。DeBox大部分功能模块，如聊天群组、语音房和信用积分，都是通过链下验证和执行，以提供与Web2用户相似的无感社交体验。仅将Web3用户的部分必要社交功能置于链上合约执行，例如DeBox原生DEX交易聚合器，知识星球的链上付费社群和群资产的链上管理，从而一定程度上确保了社群的去中心化性质。总体而言，D...
DeBox Institute被大空头狙击的Curve是什么路子——玩转Defi必懂的知识点
摘要Curve 作为一个以稳定币为主的去中心化交易所被用户熟知，通过改进恒定乘积做市商模型和恒定和做市商模型，可为用户提供低滑点、低费用、低无常损失的稳定币交易体验。Curve 通过设计 VeToken 模型吸引了各大项目方积累 $veCRV、争夺Curve治理权之间的战争，力求在 Curve DAO 上拥有权力和影响力，并最终能够为其用户提供更高的收益，成为协议代币经济学的典范。同时也带动了 Convex 等相关若干生态协议的增长，形成项目生态的良性价值循环。Curve 还计划发行稳定币等不断扩大生态版图，激励生态持续发展，在未来依旧潜力无限。一、Curve简介Curve Finance 由 Michael Egorov 创立，于 2020 年 1 月推出，旨在提供一个采用自动做市商 （AMM）架构构建的去中心化交易所（DEX），主要聚焦于 稳定币（USDT、USDC、DAI）、合成资产/衍生品/锚定资产（wBTC、renBTC、stETH） 等。目前除了以Ethereum为主要业务阵地，还在Fantom、Polygon、Avalanche、Arbitrum、Optimism等...
DeBox InstituteFusionist 零投入打金最优策略：轻松提升数倍收益
【DeBox研究院】 | 作者：memeswap.bit | 撰稿日期：02月3日摘要Fusionist 作为 Binance Labs 官推特意转发的游戏，自从启动之初就收获了极大的市场关注，而昨天的主网上线更是让服务器一度过载。Fusionist 创始人出身腾讯游戏团队，游戏开发经验丰富。目前 Fusionist 网站上线了打卡挖矿系统，前 60 天发放 147 万代币，玩家通过每日打卡就可以获得代币 ACE 收入，持有 NFT 的玩家可以获得较高的收益，但是零撸用户收益怎样呢? 笔者做完研究和数据测算的答案是：在策略正确的情况下，收益还不错，但是收益池子下降很快，如果官方不调整，可能会很快结束或者相应的池子空了，故需要减少升级，且挖且珍惜（MOD 答复会增加池子，但是不排除会进一步调整政策降低收益，要做的尽快进入）。一、注册及打卡攻略首先登陆 Fusionist 的网站 ace.fusionist.io ，点击右上角链接钱包后 connect wallet 后完成绑定Discord、Twitter 等一系列操作完成注册。然后点击左上角 ENDURANCE ——Get ACE...
The Web3 social platform based on blockchain DID
DeBox Institute深度调研社交明星DeBox，如何构建基于Web3使用场景的聚合社交平台
DeBox研究院 |作者：Cryptoming | 撰稿日期：9月9日摘要本文通过分析不同Web3应用的GAS消耗量，阐明了DEX和NFT市场交易是Web3用户最核心和原生的使用场景，然后分析讨论了DeBox如何在这些Web3使用场景上构建社交功能模块。DeBox作为基于Web3使用场景的聚合社交平台，提供了多种功能模块，包括DeBox原生DEX交易聚合器，“知识星球”付费社群、持仓聊天社群、群资产（DAO）治理、声誉社交展示、开放调用Bot链上交互和语音房等，以满足用户在Web3中包括获取有效社交消息（Alpha信息）和持有者社区动态等多样化的社交需求。通过将DeBox与Lens，Farcaster等主流社交协议应用进行对比，阐明了DeBox基于Web3使用场景构建社交平台的优势。DeBox大部分功能模块，如聊天群组、语音房和信用积分，都是通过链下验证和执行，以提供与Web2用户相似的无感社交体验。仅将Web3用户的部分必要社交功能置于链上合约执行，例如DeBox原生DEX交易聚合器，知识星球的链上付费社群和群资产的链上管理，从而一定程度上确保了社群的去中心化性质。总体而言，D...
DeBox Institute被大空头狙击的Curve是什么路子——玩转Defi必懂的知识点
摘要Curve 作为一个以稳定币为主的去中心化交易所被用户熟知，通过改进恒定乘积做市商模型和恒定和做市商模型，可为用户提供低滑点、低费用、低无常损失的稳定币交易体验。Curve 通过设计 VeToken 模型吸引了各大项目方积累 $veCRV、争夺Curve治理权之间的战争，力求在 Curve DAO 上拥有权力和影响力，并最终能够为其用户提供更高的收益，成为协议代币经济学的典范。同时也带动了 Convex 等相关若干生态协议的增长，形成项目生态的良性价值循环。Curve 还计划发行稳定币等不断扩大生态版图，激励生态持续发展，在未来依旧潜力无限。一、Curve简介Curve Finance 由 Michael Egorov 创立，于 2020 年 1 月推出，旨在提供一个采用自动做市商 （AMM）架构构建的去中心化交易所（DEX），主要聚焦于 稳定币（USDT、USDC、DAI）、合成资产/衍生品/锚定资产（wBTC、renBTC、stETH） 等。目前除了以Ethereum为主要业务阵地，还在Fantom、Polygon、Avalanche、Arbitrum、Optimism等...
DeBox InstituteFusionist 零投入打金最优策略：轻松提升数倍收益
【DeBox研究院】 | 作者：memeswap.bit | 撰稿日期：02月3日摘要Fusionist 作为 Binance Labs 官推特意转发的游戏，自从启动之初就收获了极大的市场关注，而昨天的主网上线更是让服务器一度过载。Fusionist 创始人出身腾讯游戏团队，游戏开发经验丰富。目前 Fusionist 网站上线了打卡挖矿系统，前 60 天发放 147 万代币，玩家通过每日打卡就可以获得代币 ACE 收入，持有 NFT 的玩家可以获得较高的收益，但是零撸用户收益怎样呢? 笔者做完研究和数据测算的答案是：在策略正确的情况下，收益还不错，但是收益池子下降很快，如果官方不调整，可能会很快结束或者相应的池子空了，故需要减少升级，且挖且珍惜（MOD 答复会增加池子，但是不排除会进一步调整政策降低收益，要做的尽快进入）。一、注册及打卡攻略首先登陆 Fusionist 的网站 ace.fusionist.io ，点击右上角链接钱包后 connect wallet 后完成绑定Discord、Twitter 等一系列操作完成注册。然后点击左上角 ENDURANCE ——Get ACE...
The Web3 social platform based on blockchain DID
Subscribe to DeBox Institute
Subscribe to DeBox Institute
Share Dialog
Share Dialog
<100 subscribers
<100 subscribers
DeBox研究院 |作者：NingNing@EMC Labs | 撰稿日期：12月14日
坦率而言，我们Web3行业尚处于Gatnar新兴科技曲线的成长阶段。在这个阶段，叙事是驱动Web3项目原生Token二级市场价格上涨的核心因子之一。叙事经济学，成为Crypto Fund和VC机构研究Web3项目的一个重要分析框架。
但美中不足的是，之前Web3叙事分析框架主要以定性研究为主。本文将提供一种定量研究Web3叙事传播机制方法，帮助分析师和投资者对这一机制构建直观而准确的认知。
我们的定量研究方法，是基于流行病学经典的SIR模型分析Web3叙事的传播机制。
SIR模型是流行病学中一个经典的数学模型，是最成功、最著名的传染病传播模型之一。
在SIR模型中，全体人口被划分成三类人群：
易感人群（S）：尚未被传染的人群，但缺乏免疫能力，与感染者接触后容易受到感染。
感染人群（I）：已经被感染并具有传播力的患者群体。
康复人群（R）：从感染中恢复并且取得免疫的人群。
这个模型不但可以帮助我们理解和预测传染病的传播过程，也可以帮助我们理解和预测Web3叙事的传播过程。
关于这点，读过《叙事经济学》的朋友们都懂的。
科普结束，下面我们开始真正的表演：
第一步：初始化条件。
易感人群（S）= 某web3叙事的潜在目标用户比例
感染人群（I）= 已相信某web3叙事的用户比例
康复人群（R）= 已脱敏某web3叙事的用户比例
beta = 相信某web3叙事的转化率
gamma = 脱敏某web3叙事的转化率
我们设定：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.01
# 导入必要的库
import numpy as np
import pandas as pd
from scipy.integrate import odeint
import matplotlib.pyplot as plt
# SIR模型的定义
def sir_model(y, t, beta, gamma):
S, I, R = y
dSdt = -beta * S * I
dIdt = beta * S * I - gamma * I
dRdt = gamma * I
return [dSdt, dIdt, dRdt]
# 初始条件
S0 = 0.9 # 某web3叙事的潜在目标用户比例
I0 = 0.1 # 已相信某web3叙事的用户比例
R0 = 0.0 # 已脱敏某web3叙事的用户比例
beta = 0.8 # 相信某web3叙事的转化率
gamma = 0.01 # 脱敏某web3叙事的转化率
第二步：设置时间范围，生成10000个随机数，从Scipy库导入SIR模型，再传入我们的初始化参数处理数据。
# 时间向量
t = np.linspace(0, 100, 10000)
# 解SIR模型
solution = odeint(sir_model, [S0, I0, R0], t, args=(beta, gamma))
solution = np.array(solution)
# 绘制结果
plt.figure(figsize=[12, 8])
plt.figure(dpi=300)
plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False
plt.plot(t, solution[:, 0], label="某web3叙事的潜在目标用户比例")
plt.plot(t, solution[:, 1], label="相信某web3叙事的用户比例")
plt.plot(t, solution[:, 2], label="脱敏某web3叙事的用户比例")
plt.grid()
plt.legend()
plt.xlabel("时间")
plt.ylabel("比例")
plt.title("Web3叙事流行病学的SIR模型分析")
plt.text(0.5, 0.2, 'NingNing@EMC Labs', fontsize=20, color='gray', ha='center', va='center', alpha=0.5, transform=plt.gca().transAxes)
plt.show()
在以上的初始化条件下，某特定Web3叙事传播过程如下图所示。
这个可视化图还不够直观，无法动态展示某特定Web3叙事的传播过程。下面我们用代码实现移动气泡图效果，以更好的呈现某特定Web3叙事的传播过程。
第三步：重整数据，使用移动气泡图可视化web3叙事传播过程。
# 创建一个包含SIR模型解决方案的DataFrame
df = pd.DataFrame({
'Time': t,
'S': solution[:, 0],
'I': solution[:, 1],
'R': solution[:, 2]
})
df['sample_id'] = np.random.randint(1, 1000, df.shape[0])
# 创建一个新列'state'，state类型有S、R、I三种
# 'state'的分布符合SIR模型的输出结果
conditions = [
(df['S'] > df['I']) & (df['S'] > df['R']),
(df['I'] > df['S']) & (df['I'] > df['R']),
(df['R'] > df['S']) & (df['R'] > df['I'])
]
#choices = ['S', 'I', 'R']
choices = ['潜在目标用户', '相信某web3叙事的用户', '脱敏某web3叙事的用户']
df['state'] = np.select(conditions, choices, default='S')
# 删除不需要的列
df = df.drop(['S', 'I', 'R'], axis=1)
# 改变时间列名
df = df.rename(columns={'Time': 'datetime'})
# 将'datetime'列的数据类型改为datetime
df['datetime'] = pd.to_datetime(df['datetime'], unit='s')
from d3blocks import D3Blocks
d3 = D3Blocks()
d3.movingbubbles(df, speed={"slow": 1000, "medium": 200, "fast": 10}, filepath='movingbubbles.html')
可视化结果见下图，在以上初始化条件下，~72%的用户会选择长期相信某web3叙事，即加密行业常说的形成稳定“共识”
此外，我还测试了另外两组初始化条件：
第一组的web3叙事特性是高传播率、高脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.2。
可视化结果显示，仅1%~3%用户会选择长期相信这一组web3叙事。
第二组的web3叙事特性是中等传播率、低脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.5，gamma=0.01。
可视化结果显示，会有62%~76%用户会选择长期相信这一组web3叙事。
最后总结一下：对于某特定的Web3叙事，如RWA、L2、Web3游戏、铭文等，我们可以观察和统计其叙事传播中的beta值和gamma值，预测其能否形成长期稳定的共识。
免责声明
以上所有的市场分析及内容仅供参考，不代表对任何人做为投资建议以及决策依据，请勿基于此报告进行任何投资决策，报告作者和DeBox研究院不对用户的投资结果负责。所涉及标的不作推荐，据此买卖，风险自负。
本⽂中涉及的某些陈述可能是作者对于未来预期的假设以及其他的前瞻性观点，⽽已知和未知的⻛险与不确定因素，可能导致实际结果、表现或事件与陈述中的观点和假设存在实质性差异，作者不以任何方式向用户作出不受损失或者取得最低收益的承诺。
DeBox官方链接：
官网
Join DeBox, the ultimate Web3 social platform. Experience decentralized networking, social cryptocurrencies, DAO tools, and more. Unleash the power of Web3 communities with DeBox.
推特
官方NFT
nft://1/0x58CFF419613c00a4828f774DF8c2cA134dea97ce/?showBuying=true&showMeta=true
DeBox研究院 |作者：NingNing@EMC Labs | 撰稿日期：12月14日
坦率而言，我们Web3行业尚处于Gatnar新兴科技曲线的成长阶段。在这个阶段，叙事是驱动Web3项目原生Token二级市场价格上涨的核心因子之一。叙事经济学，成为Crypto Fund和VC机构研究Web3项目的一个重要分析框架。
但美中不足的是，之前Web3叙事分析框架主要以定性研究为主。本文将提供一种定量研究Web3叙事传播机制方法，帮助分析师和投资者对这一机制构建直观而准确的认知。
我们的定量研究方法，是基于流行病学经典的SIR模型分析Web3叙事的传播机制。
SIR模型是流行病学中一个经典的数学模型，是最成功、最著名的传染病传播模型之一。
在SIR模型中，全体人口被划分成三类人群：
易感人群（S）：尚未被传染的人群，但缺乏免疫能力，与感染者接触后容易受到感染。
感染人群（I）：已经被感染并具有传播力的患者群体。
康复人群（R）：从感染中恢复并且取得免疫的人群。
这个模型不但可以帮助我们理解和预测传染病的传播过程，也可以帮助我们理解和预测Web3叙事的传播过程。
关于这点，读过《叙事经济学》的朋友们都懂的。
科普结束，下面我们开始真正的表演：
第一步：初始化条件。
易感人群（S）= 某web3叙事的潜在目标用户比例
感染人群（I）= 已相信某web3叙事的用户比例
康复人群（R）= 已脱敏某web3叙事的用户比例
beta = 相信某web3叙事的转化率
gamma = 脱敏某web3叙事的转化率
我们设定：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.01
# 导入必要的库
import numpy as np
import pandas as pd
from scipy.integrate import odeint
import matplotlib.pyplot as plt
# SIR模型的定义
def sir_model(y, t, beta, gamma):
S, I, R = y
dSdt = -beta * S * I
dIdt = beta * S * I - gamma * I
dRdt = gamma * I
return [dSdt, dIdt, dRdt]
# 初始条件
S0 = 0.9 # 某web3叙事的潜在目标用户比例
I0 = 0.1 # 已相信某web3叙事的用户比例
R0 = 0.0 # 已脱敏某web3叙事的用户比例
beta = 0.8 # 相信某web3叙事的转化率
gamma = 0.01 # 脱敏某web3叙事的转化率
第二步：设置时间范围，生成10000个随机数，从Scipy库导入SIR模型，再传入我们的初始化参数处理数据。
# 时间向量
t = np.linspace(0, 100, 10000)
# 解SIR模型
solution = odeint(sir_model, [S0, I0, R0], t, args=(beta, gamma))
solution = np.array(solution)
# 绘制结果
plt.figure(figsize=[12, 8])
plt.figure(dpi=300)
plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False
plt.plot(t, solution[:, 0], label="某web3叙事的潜在目标用户比例")
plt.plot(t, solution[:, 1], label="相信某web3叙事的用户比例")
plt.plot(t, solution[:, 2], label="脱敏某web3叙事的用户比例")
plt.grid()
plt.legend()
plt.xlabel("时间")
plt.ylabel("比例")
plt.title("Web3叙事流行病学的SIR模型分析")
plt.text(0.5, 0.2, 'NingNing@EMC Labs', fontsize=20, color='gray', ha='center', va='center', alpha=0.5, transform=plt.gca().transAxes)
plt.show()
在以上的初始化条件下，某特定Web3叙事传播过程如下图所示。
这个可视化图还不够直观，无法动态展示某特定Web3叙事的传播过程。下面我们用代码实现移动气泡图效果，以更好的呈现某特定Web3叙事的传播过程。
第三步：重整数据，使用移动气泡图可视化web3叙事传播过程。
# 创建一个包含SIR模型解决方案的DataFrame
df = pd.DataFrame({
'Time': t,
'S': solution[:, 0],
'I': solution[:, 1],
'R': solution[:, 2]
})
df['sample_id'] = np.random.randint(1, 1000, df.shape[0])
# 创建一个新列'state'，state类型有S、R、I三种
# 'state'的分布符合SIR模型的输出结果
conditions = [
(df['S'] > df['I']) & (df['S'] > df['R']),
(df['I'] > df['S']) & (df['I'] > df['R']),
(df['R'] > df['S']) & (df['R'] > df['I'])
]
#choices = ['S', 'I', 'R']
choices = ['潜在目标用户', '相信某web3叙事的用户', '脱敏某web3叙事的用户']
df['state'] = np.select(conditions, choices, default='S')
# 删除不需要的列
df = df.drop(['S', 'I', 'R'], axis=1)
# 改变时间列名
df = df.rename(columns={'Time': 'datetime'})
# 将'datetime'列的数据类型改为datetime
df['datetime'] = pd.to_datetime(df['datetime'], unit='s')
from d3blocks import D3Blocks
d3 = D3Blocks()
d3.movingbubbles(df, speed={"slow": 1000, "medium": 200, "fast": 10}, filepath='movingbubbles.html')
可视化结果见下图，在以上初始化条件下，~72%的用户会选择长期相信某web3叙事，即加密行业常说的形成稳定“共识”
此外，我还测试了另外两组初始化条件：
第一组的web3叙事特性是高传播率、高脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.8，gamma=0.2。
可视化结果显示，仅1%~3%用户会选择长期相信这一组web3叙事。
第二组的web3叙事特性是中等传播率、低脱敏率，初始化条件为：S=0.9，I=0.1，R=0.0，beta=0.5，gamma=0.01。
可视化结果显示，会有62%~76%用户会选择长期相信这一组web3叙事。
最后总结一下：对于某特定的Web3叙事，如RWA、L2、Web3游戏、铭文等，我们可以观察和统计其叙事传播中的beta值和gamma值，预测其能否形成长期稳定的共识。
免责声明
以上所有的市场分析及内容仅供参考，不代表对任何人做为投资建议以及决策依据，请勿基于此报告进行任何投资决策，报告作者和DeBox研究院不对用户的投资结果负责。所涉及标的不作推荐，据此买卖，风险自负。
本⽂中涉及的某些陈述可能是作者对于未来预期的假设以及其他的前瞻性观点，⽽已知和未知的⻛险与不确定因素，可能导致实际结果、表现或事件与陈述中的观点和假设存在实质性差异，作者不以任何方式向用户作出不受损失或者取得最低收益的承诺。
DeBox官方链接：
官网
Join DeBox, the ultimate Web3 social platform. Experience decentralized networking, social cryptocurrencies, DAO tools, and more. Unleash the power of Web3 communities with DeBox.
推特
官方NFT
nft://1/0x58CFF419613c00a4828f774DF8c2cA134dea97ce/?showBuying=true&showMeta=true
No activity yet