DeFi 衍生品主流玩法对比：真实资产支持 VS 合成资产交易

来源：Chaos Labs X 账号

作者： Chaos Labs

编译：深潮TechFlow

 

由研究分析师  @0xGeeGee  撰写

在传统金融和加密货币领域，衍生品市场的规模都远远超过现货市场。例如，截至目前，比特币的日现货交易量约为40亿美元，而其衍生品交易量则高达538.9亿美元（数据来源：Cryptoquant.com）。

比特币：交易量比例（现货 vs 衍生品）— 来源：CryptoQuant

这一趋势自2021年初 开始加速 ，并一直持续到现在。传统金融中的衍生品市场早已超越现货市场，加密货币的中心化交易所（CEX）中的衍生品市场也紧随其后。在去中心化金融（DeFi）领域，衍生品尚未超过去中心化交易所（DEX）的现货市场。例如，在过去的24小时内， @Uniswap  v3 促成了13亿美元的现货交易，而 @HyperliquidX  处理了约10亿美元的衍生品交易（数据来源： Coingecko Data ）。

尽管如此，差距正在缩小，很明显，随着生态系统的成熟，链上衍生品可能会像其他成熟市场一样，最终超过现货市场。虽然市场需求正向衍生品倾斜，但这种增长需要有安全高效的交易平台和模式作为支撑。

衍生品交易量 — 来源：DefiLlama

理解支撑衍生品市场的不同模型对于构建支持这一转变的基础设施至关重要。在本文中，我将讨论硬流动性支持模型和合成模型。

硬流动性支持模型

在硬流动性支持模型中，交易者与流动性池中存放的真实资产、Token 或稳定币进行交易。这些资产实际上是借给交易者用于开立保证金头寸。 @GMX_IO 、 @JupiterExchange 、 @GearboxProtocol  的 PURE 和  @Contango_xyz  是采用这种方法的一些例子。

流动性提供者（LPs）通过存入硬资产来赚取交易费用，并且可能作为交易者的对手方获得奖励。因此，LPs 的收益取决于池中资产的表现、池的使用率，以及在没有机制来平衡多头和空头交易量的模型中，交易者的盈亏。

优点：

破产风险较低：由于交易有真实资产作为支撑，系统破产的风险较小。

DeFi 的可组合性：GMX 和 Jupiter 等硬支持模型允许流动性池 Token 的再抵押： $GLP  和  $JLP  Token 可以用作抵押品或在其他 DeFi 应用中质押，提高了资本效率。

较低的交易/做市激励需求：由于 LPs 充当对手方或做市商，直接激励的重要性降低。虽然在初期阶段，LPs 通常会通过 Token 激励获得奖励，但从长远来看，提供流动性的回报主要来自交易费用，减少了设计平衡交易激励计划的难度。

加深市场流动性：硬支持模型通过要求实际资产支持的流动性篮子，促进了市场流动性的加深。在过去几年中，这也使得像 GMX 这样的协议成为交换现货资产最有效的场所之一，因为流动性集中在能够同时服务于衍生品和现货市场的池中。

从 DefiLlama 的截图中可以看到，包括 GLP 和 JLP 收益在内的协议和池的数量

在这一类别中，依据流动性获取和共享方式，出现了不同的子模型：

GMX v1 和 Jupiter：这些协议采用全球共享流动性池，即所有资产都集中在一起。这种模式确保了深厚的流动性，并通过允许流动性提供者在不同的 DeFi 协议中使用单一 Token，增强了可组合性。

GMX v2 和 Gearbox 的 PURE：引入了模块化架构的隔离流动性池，每个资产或市场都有专属的流动性池。这降低了协议的系统性风险，使其能够支持更长尾、更高风险的资产。每个资产的风险和收益都是独立的，防止单一资产影响整个协议的流动性，并形成不同的风险/收益特征。

在这种“硬流动性支持”模型中，我们也可以看到 Contango 的运作。虽然它不是一个独立的模型，但 Contango 运行在现有的借贷协议（如 Aave）之上，提供保证金去中心化交易所的体验。它利用从借贷池借来的真实资产和闪电贷功能来创建杠杆头寸。

合成模型

硬流动性支持模型通过要求真实资产作为抵押来保障安全性和可组合性，而合成模型则采用不同的方法。

在合成模型中，交易通常不依赖真实资产进行支持；相反，这些系统依靠订单簿匹配、流动性保险库和价格预言机来创建和管理头寸。

合成模型的设计多种多样——有些依赖于点对点订单簿匹配，由活跃的做市商提供流动性，这些做市商可以是专业的，也可以通过算法保险库管理，流动性可以是全球共享的或市场隔离的；还有些采用纯粹的合成方法，由协议本身作为对手方。

什么是流动性保险库？

在合成衍生品模型中，流动性保险库是一种集中的流动性机制，提供交易所需的资金来源，不论是直接支持合成头寸还是充当做市商角色。尽管不同协议的流动性保险库结构可能略有不同，但其主要目的是为交易提供流动性。

这些流动性保险库通常由专业做市商（如 Bluefin 稳定币池）或算法（如 Hyperliquid、dYdX unlimited、Elixir 池）管理。在某些模型中，它们是纯粹的被动对手方池（如 Gains Trade）。通常，这些池对公众开放，允许公众提供流动性，并通过参与平台活动获得奖励。

流动性保险库可以在列出的市场中共享，例如在 Hyperliquid 中，或者部分隔离，如在  @dYdX  unlimited、  @SynFuturesDeFi  和  @bluefinapp  中，这些方法具有与之前提到的类似的风险和收益。

一些协议，如 Bluefin，采用混合模型，结合了由做市商管理的全球流动性保险库和隔离的算法池。

在合成模型中，流动性通常由活跃用户（点对点匹配）、流动性保险库（作为备用）以及在订单簿上进行买卖报价的做市商共同提供。如前所述，在一些纯粹的合成模型中，如  @GainsNetwork_io ，流动性保险库本身作为所有交易的对手方，从而无需直接的订单匹配。

优势：

合成模型的权衡与硬流动性支持模型不同，但也带来了一系列优势：

资本效率：合成模型的资本效率很高，因为它们不需要直接的 1:1 实物资产支持。只要有足够的流动性来覆盖活跃交易的潜在结果，系统就可以用较少的资产运行。

资产灵活性：这些系统在交易资产方面更具灵活性，因为头寸是合成的。无需为每种资产提供直接流动性，这使得交易对更加多样化，并且能够更快地——甚至是半许可地——上市新资产。

  这一点在 Hyperliquid 的预发布市场中尤为明显，因为这些市场中交易的资产甚至还未真正存在。

更好的价格执行：由于交易是纯粹合成的，因此有可能实现更优的价格执行，特别是在做市商活跃于订单簿时。

  然而，这些模型也存在一些显著的缺点：

  对预言机的依赖：合成模型高度依赖价格预言机，这使得它们更容易受到相关问题的影响，比如预言机操控或延迟。

  缺乏流动性贡献：与硬支持模型不同，合成交易并不为资产的全球现货流动性做出贡献，因为流动性仅存在于衍生品的订单簿中。

尽管去中心化交易所相较于中心化交易所在整体永续合约交易量中所占比例仍然较小（约占市场的 2%），但多样化的模型正在为未来的实际增长奠定基础。这些模型的结合，加上资本效率和风险管理的不断改进，将是去中心化交易所扩大其在衍生品市场份额的关键。

永续合约交易量分布——来源：GSR 年度报告

Chaos Labs 的贡献

Chaos Labs 在硬支持流动性和合成模型的风险管理中扮演着重要角色，满足我们合作平台的特定需求，如  @GMX_IO 、 @dYdX 、 @SynFuturesDeFi 、 @JupiterExchange 、 @OstiumLabs  和  @Bluefinapp 。

作为长期的风险分析提供者，Chaos Labs 通过实时风险评估和模拟，帮助协议管理杠杆限制、清算阈值、抵押要求以及整体平台健康状况。

Chaos Labs 的最新产品 Edge Network 引入了一种去中心化的预言机系统，帮助降低与预言机相关的风险，确保合成和硬支持模型都能从实时、准确的价格数据中受益。Edge 已经被像 Jupiter 这样的知名平台用作主要预言机。

Chaos Labs 还与合作伙伴共同制定优化的流动性激励计划，以确保交易体验的流畅和吸引更多流动性。

最后，Chaos Labs 还提供公共仪表板，用于监控 GMX、Jupiter、Bluefin 和 dYdX 等平台的风险参数。