Resumen
Pyth es una red de oráculos que difunde datos de mercado en tiempo real en más de 40 blockchains y también puede ser utilizada por aplicaciones off-chain. Notablemente, cuenta con contribuciones de más de 90+ first-party publishers, incluyendo nombres prominentes como Jane Street, CBOE, Binance, OKX y Bybit.
A diferencia de los oráculos legacy, que a menudo dependen de actualizaciones infrecuentes y fuentes de datos cuestionables, Pyth ofrece accesibilidad a datos on-chain al obtener directamente información de participantes de primer nivel en los mercados financieros globales, incluyendo market makers, exchanges y firmas de trading reconocidas.
Los objetivos clave de Pyth son democratizar el acceso a datos de mercados financieros en todas las redes blockchain, empoderando a propietarios y usuarios de datos por igual. Al aprovechar datos de fuentes reputadas, Pyth asegura alta precisión y baja latencia, proporcionando datos financieros on-chain críticos para que las aplicaciones DeFi escalen globalmente.

El whitepaper introduce un protocolo de oráculos para hacer disponible en cadena datos financieros precisos y de alta resolución. El diseño del mecanismo asegura que una red descentralizada autosostenible coordine a los publicadores y consumidores de datos. Para esto, la estructura de incentivos está diseñada para atraer publicadores con datos de precios de alta calidad, e incentivizarlos pagándoles tarifas recolectadas del uso de los datos por parte de los consumidores. El proceso real también busca proteger contra la manipulación de precios.
Pyth ofrece price feeds para un número de diferentes clases de activos, incluyendo acciones de EE.UU., commodities y crypto. Cada price feed publica un agregado robusto calculado a partir de precios de publishers que se actualizan múltiples veces por segundo.

Pyth se diferencia en el espacio de oráculos con varias características y principios clave que priorizan la calidad, la seguridad y la fiabilidad:
- Frecuencia de Actualizaciones: Pyth permite actualizaciones de alta frecuencia a través de un modelo pull, lo que asegura operaciones más oportunas para las aplicaciones DeFi. Con otros oráculos, las aplicaciones DeFi necesitan esperar a que las actualizaciones periódicas se publiquen on-chain, pero Pyth les permite extraer estos datos cuando los necesiten.
- Intervalos de Confianza: Pyth implementa intervalos de confianza para proteger protocolos y usuarios. Estos intervalos añaden una capa adicional de garantía y mitigación de riesgos contra posibles inexactitudes en los datos.
- Oferta de Datos Diversa: Pyth proporciona una amplia gama de datos, incluyendo acciones estadounidenses en vivo, pares FX y precios de metales, que pueden ser difíciles de obtener de otras fuentes. Esta amplitud de ofertas de datos mejora la versatilidad y aplicabilidad de los servicios de oráculos de Pyth.
- Características Avanzadas: Pyth ofrece varias características avanzadas como métricas de rendimiento de editores, Promedios Móviles Exponenciales (EMA/EMAC), soporte para pares cruzados y canastilleo (indexación o composición).
- Fuentes de Calidad y Transparencia: Pyth obtiene datos de una amplia variedad de participantes del mercado de primer nivel en finanzas tradicionales y descentralizadas. Este enfoque asegura datos de alta calidad y confiables. Además, las operaciones de Pyth son transparentes, con la agregación ocurriendo completamente en cadena, a diferencia de oráculos legacy que pueden ejecutar procesos opacos vulnerables a la manipulación.
- Altas Estándares para Seguridad y Confiabilidad: Pyth implementa medidas de confiabilidad como bandas de confianza, reglas mínimas para editores, pruebas rigurosas de conformidad de feeds de datos, y recurso económico para desarrolladores de protocolos.
Pyth elimina los intermediarios de datos por diseño, asegurando acceso directo a datos de alta calidad sin intermediarios que cobren tarifas por el retransmisión de datos.
Los editores de datos en Pyth son responsables de la precisión e integridad de los datos que envían. Estos editores entienden la significativa responsabilidad que se les confía, ya que sus datos juegan un papel crucial en la seguridad de potencialmente miles de millones en valor dentro del ecosistema. Esta responsabilidad incentiva a los editores a mantener la honestidad e integridad en sus envíos de datos, fomentando la confianza y la fiabilidad en los servicios de oráculos de Pyth.
El diseño de Pyth incentiva a los editores a contribuir con su información de precios propietaria en lugar de simplemente copiar datos de otras fuentes. Este énfasis en la originalidad fomenta la diversidad en las fuentes de datos y promueve la disponibilidad de información de precios única y valiosa.
Visión general
En los mercados financieros tradicionales, el acceso a feeds de precios en vivo e históricos ha estado estrictamente controlado, limitando la accesibilidad solo a un selecto grupo de instituciones y usuarios. Aunque los mercados de criptomonedas han sido más abiertos, este status quo no está garantizado para perdurar. Como resultado, solo un grupo privilegiado ha disfrutado de información de mercado oportuna, precisa y valiosa.
Pyth busca democratizar el acceso a estos valiosos datos del mercado financiero incentivando a firmas de trading, creadores de mercado y exchanges a compartir sus datos de precios de primera mano. Estos datos, recolectados como parte de sus operaciones existentes, son agregados por la red y publicados on-chain para su uso por aplicaciones tanto on- como off-chain.
El feed de precios de cada producto es dinámico, reflejando constantemente su precio actual junto con un intervalo de confianza que cuantifica la incertidumbre estimada en ese precio. Por ejemplo, el feed BTC/USD puede reportar un precio de $65,000 ± $50. Estos feeds luego se hacen accesibles on-chain para su consumo por un conjunto diverso de usuarios, incluyendo programas habilitados para blockchain que se ejecutan en varias blockchains y aplicaciones off-chain.
La generación de estos price feeds involucra un programa on-chain que agrega datos de publicadores individuales. Para participar, los publicadores deben ser proveedores de datos de primera parte, poseyendo la capacidad de obtener datos de precios de alta calidad y actualizados al minuto.
Para lograr esto, Pyth orquesta la interacción de dos grupos principales de participantes:
- Publicadores: Estas entidades son responsables de publicar feeds de precios, y ganan tarifas a cambio. Típicamente, los publicadores son participantes del mercado con acceso a información de precios precisa y oportuna.
- Consumidores: Los consumidores son los usuarios finales de los feeds de precios en una cadena objetivo. Leen e integran estos datos en sus contratos inteligentes o aplicaciones descentralizadas (dApps). Para acceder a los datos, los consumidores pagan tarifas al protocolo.
Para garantizar una amplia accesibilidad a los precios de Pyth, el protocolo está diseñado para funcionar en múltiples blockchains. Pyth logra esto a través de Pythnet, una appchain donde se almacena y actualiza el estado de cada price feed.
Productos de Datos de Pyth
Pyth ofrece tres productos de datos diferentes para apoyar diversas aplicaciones:
- Fuentes de precios de Solana: Acceso a datos de precios en tiempo real para la mainnet de Solana.
- Fuentes de precios de Pythnet: Precios en tiempo real para una amplia gama de ecosistemas y cadenas (la mayoría cadenas EVM, varias cadenas Cosmos, Aptos y Sui). El número de cadenas compatibles aumentará con el tiempo.
- Benchmarks: Los Benchmarks proporcionan precios históricos de Pyth que se pueden usar tanto on-chain como off-chain.
Fuentes de Precios de Solana
Solana Price Feeds ofrecen una manera directa para que los desarrolladores de aplicaciones accedan a actualizaciones de precios en tiempo real en la mainnet de Solana.
Los Solana Price Feeds transmiten continuamente actualizaciones de precios a Solana, y cada price feed tiene su propia cuenta Solana dedicada. Los desarrolladores de aplicaciones pueden acceder fácilmente a la cuenta Solana relevante asociada con el price feed específico que necesitan. Luego, pueden usar esta cuenta como fuente de datos dentro de sus programas Solana.
Para leer el valor actual del price feed, los desarrolladores necesitan deserializar los datos almacenados en la cuenta Solana. Estos datos representan el precio actual, junto con otra información relevante.
Para facilitar el desarrollo, Pyth proporciona un Solana SDK. Los desarrolladores pueden familiarizarse con cómo se representan los feeds de precios y aprender las mejores prácticas utilizando la siguiente guía.
Pythnet
Pythnet es un fork de Solana. La cadena emplea un mecanismo de consenso proof-of-authority (PoA), con cada publicador operando un nodo validador. Los precios se diseminan desde Pythnet a otras cadenas objetivo a través de una arquitectura cross-chain que aprovecha protocolos de mensajería cross-chain descentralizados como Wormhole. Este enfoque de broadcasting simplifica el soporte para numerosas cadenas objetivo, permitiendo que los consumidores accedan a los datos de Pyth de manera fluida, independientemente de la blockchain que estén utilizando.
Dentro de Pythnet, los publicadores y consumidores pueden interactuar a través de dos mecanismos:
- Agregación de Precios: Este mecanismo agrega los feeds de precios de editores individuales en un único feed de precios para cada producto. Su objetivo principal es crear feeds de precios robustos, resistentes a manipulaciones significativas por parte de pequeños grupos de editores.
- Gobernanza de Pyth: Este elemento gobierna los parámetros de alto nivel de los diversos mecanismos del protocolo, asegurando la integridad y confiabilidad del protocolo.
Pythnet habilita una estrategia cross-chain que, al aprovechar las capacidades de mensajería cross-chain de Wormhole, puede habilitar el flujo fluido de datos de precios de una blockchain a otra, ampliando así la accesibilidad y utilidad de sus feeds de datos a través de múltiples ecosistemas de blockchain.
Pythnet asegura un cómputo seguro y confiable de precios agregados. Los validadores reproducen el registro de transacciones para verificar la corrección del cómputo de precios. Siempre y cuando 2/3+ de los guardianes de Wormhole sean honestos, los usuarios pueden confiar en la precisión de los precios de Pyth. Además, Pythnet tiene redundancia incorporada para mantener una alta disponibilidad. Permanece operativo siempre y cuando 2/3+ de los validadores estén en línea, incluso durante períodos de alta volatilidad del mercado o ancho de banda de transacciones disputado en las cadenas objetivo.
Arquitectura cross-chain
Pyth utiliza una arquitectura cross-chain para garantizar la transferencia eficiente y confiable de datos a través de diversas cadenas. Esta arquitectura está diseñada para cumplir con varios objetivos críticos:
- Minimizar los costosde transacción: Uno de los desafíos clave en el mantenimiento de feeds de precios a través de múltiples blockchains es el costo asociado con las transacciones (gas fees). Estos costos pueden volverse prohibitivamente caros.
- Soporte para actualizaciones de alta frecuencia y baja latencia: Para aplicaciones que dependen de información de precios oportuna y de alta frecuencia, la arquitectura cross-chain de Pyth asegura que las actualizaciones sean tanto rápidas como de baja latencia.
- Escalar a Muchas Blockchains: Para acomodar casos de uso diversos en diferentes blockchains, cada una con runtimes únicos, modelos de consenso y costos de gas, la arquitectura debe escalar eficientemente a través de múltiples blockchains.
- Escalar a Muchos Price Feeds: El protocolo Pyth debe poder manejar una amplia gama de price feeds para varios activos, incluyendo criptomonedas y activos tradicionales. Debe hacerlo asegurando una transferencia de datos cross-chain rentable.

Estos desafíos se abordan mediante un modelo de oráculo de tipo “pull” que sigue un flujo de trabajo de tres partes:
- Publicación eficiente y rentable: En lugar de utilizar blockchains generalizadas con posibles altos costos de gas, se utiliza Pythnet, una blockchain específica para aplicaciones, para la publicación de precios. Los editores con permisos pueden enviar actualizaciones de precios al programa de oráculo on-chain en Pythnet sin costo. Estas actualizaciones incluyen precios válidos e intervalos de confianza, que se almacenan en cuentas de precios on-chain correspondientes.
- Difusión: Como parte del proceso de consenso de Pythnet, los validadores de Pythnet realizan una operación de difusión de precios. Esta operación agrega los precios de los editores en precios agregados para cada feed de precios actualizado. Posteriormente, invoca el programa de búfer de mensajes, permitiendo la creación de mensajes para ser enviados a otras cadenas. Estos mensajes contienen los precios agregados de los feeds actualizados. A continuación, los validadores construyen un árbol Merkle con estos precios como hojas y difunden la raíz del árbol a otras cadenas utilizando un protocolo de mensajería entre cadenas como la red Wormhole
- Relevo en cadenas objetivo: En cadenas objetivo donde se requieren precios de Pyth, los contratos receptores de Pyth almacenan precios para cada Pyth price feed. Estos contratos permiten operaciones sin permisos para actualizar los precios almacenados. Para realizar una actualización, los consumidores necesitan una raíz de árbol Merkle atestada, una actualización de precio para un símbolo específico (una hoja en el árbol Merkle correspondiente), y la ruta en el árbol que lleva desde esa hoja hasta la raíz. La actualización pasa por varias verificaciones, incluyendo la validación de firmas y la verificación de ruta raíz-hoja. Si la actualización es válida, los nuevos precios se almacenan en el contrato receptor de Pyth.
Para mantener la frescura de los datos, los consumidores de los precios de Pyth son responsables de invocar actualizaciones de precios permissionless en cadena antes de usar el precio. Sin estas actualizaciones, el precio almacenado en el contrato receptor de Pyth se vuelve obsoleto con el tiempo.
Los protocolos que integran feeds de precios de Pyth pueden establecer límites en la máxima obsolescencia permitida de los precios, asegurando que los usuarios siempre tengan acceso a datos actualizados. Importante, los consumidores solo incurren en costos de transacción cuando necesitan actualizar precios para sus operaciones específicas, evitando tarifas innecesarias.
Este enfoque permite que la arquitectura cross-chain transmita de manera eficiente actualizaciones de precios de alta frecuencia mientras minimiza los costos de transacción en las cadenas objetivo.
- Publicación de Datos: Los publicadores dentro de la Pyth Network continúan publicando datos de precios al programa on-chain como de costumbre. Esto asegura que la información de precios precisa y oportuna esté consistentemente disponible dentro de Pyth.
- Integración con Wormhole: Pyth aprovecha el protocolo de mensajería genérico de Wormhole para facilitar la transferencia de datos a través de diferentes blockchains. Wormhole actúa como un puente que permite la transferencia de información o tokens a través de cadenas.
- Proceso de Transferencia de Datos: Cuando un consumidor de datos de una cadena compatible con Wormhole solicita datos de precios de Pyth, Wormhole actúa como intermediario. Garantiza la precisión e integridad de los precios obtenidos de Pyth y facilita la transferencia de estos datos al contrato Pyth desplegado en la cadena nativa del consumidor.
- Disponibilidad bajo demanda: Los datos de precios transferidos se ponen a disposición bajo demanda, asegurando que los consumidores puedan acceder a la información que necesitan con la frecuencia deseada. Esta disponibilidad bajo demanda ayuda a reducir costos y asegura un uso eficiente de los recursos.
- Uso de datos escalable: Una vez que se solicita y transfiere un conjunto específico de datos de precios a una blockchain particular, se vuelve accesible para todos los protocolos y aplicaciones que operan en esa cadena. Esta escalabilidad permite que múltiples usuarios y proyectos dentro del ecosistema utilicen el mismo conjunto de datos para diversos propósitos.
Al integrarse con Wormhole y aprovechar sus capacidades de mensajería cross-chain, Pyth extiende efectivamente el alcance de sus feeds de datos de precios más allá de su blockchain nativa, permitiendo una integración fluida con varios ecosistemas de blockchain. Esta estrategia cross-chain mejora la interoperabilidad y la utilidad de los datos de Pyth, haciéndolos accesibles a un rango más amplio de usuarios y aplicaciones en diferentes blockchains.

- Los proveedores de datos publican sus precios en Pythnet.
- El programa de oráculo en cadena agrega precios para un feed para obtener el precio agregado y el nivel de confianza.
- Los validadores de Pythnet envían un mensaje de Wormhole que contiene la raíz Merkle de todos los precios al contrato Wormhole en Pythnet con cada slot de Pythnet.
- Los guardianes de Wormhole observan el mensaje de raíz Merkle y crean un Artefacto de Aserción de Validez (VAA) firmado para el mensaje de raíz Merkle.
- Un servicio web llamado Hermes escucha continuamente a Wormhole para raíces Merkle de Pyth y a Pythnet para mensajes de precios. Almacena los últimos mensajes de precios con su prueba Merkle y raíz Merkle firmada, y expone APIs HTTP y websocket para recuperar la última actualización.
- Cuando un usuario quiere usar un precio de Pyth en una transacción, recupera el mensaje de actualización más reciente de Hermes y lo envía en su transacción. El mensaje de actualización incluye la raíz del árbol Merkle firmado y las pruebas Merkle de cada actualización de precio incluida.
- El contrato de Pyth Network verifica el payload comprobando las firmas de Wormhole en la raíz y las pruebas Merkle. Si es válido, almacena el nuevo precio en su almacenamiento on-chain.

Los protocolos on-chain se integran con el contrato Pyth a través de una API simple para recuperar el precio actual de Pyth de su almacenamiento on-chain. Esta API devuelve el precio actual siempre y cuando haya sido actualizado recientemente lo suficiente, determinado por el umbral de recencia configurado por el protocolo.
El Pull Oracle de Pyth
Una de las características más notables de Pyth es que, en lugar de usar un modelo push, se basa en un modelo pull-based. Esto asegura que los usuarios obtengan datos de precios oportunos y precisos mientras se minimizan los costos operativos.
Oráculos Push-Based Tradicionales
En el modelo push tradicional, los oráculos publican activamente datos de precios en una blockchain de propósito general, a menudo realizando agregación en esa misma cadena.
Para mantener precios frescos, el oráculo debe enviar regularmente transacciones para actualizar los precios on-chain. Estas transacciones vienen con costos de gas asociados, que pueden escalar con frecuencias de actualización más altas, más feeds de precios soportados, blockchains y publicadores.
Los oráculos push tradicionales también pueden sufrir problemas de confiabilidad, ya que sus transacciones de actualización de precios compiten por espacio con otras actividades de la red. Durante la congestión de la red, estas actualizaciones pueden no procesarse en cadena.
El Modelo Pull de Pyth
Pyth adopta un modelo basado en pull, que implica la publicación y agregación de precios en una blockchain dedicada y eficiente en costos llamada Pythnet. Los publicadores en Pythnet pueden enviar actualizaciones de precios de forma gratuita, reduciendo significativamente los costos operativos generales para el oráculo.

Cuando se trata de transmitir precios a otras blockchains, en lugar de empujar actualizaciones independientemente de la demanda (y incurrir en costos de gas), Pyth solo paga gas cuando los consumidores solicitan activamente una actualización de precio. Este enfoque dirigido asegura que el consumo de gas sea más eficiente.
Como resultado de esta eficiencia, Pyth puede proporcionar actualizaciones de precios más frecuentes y puede escalar para soportar un mayor número de price feeds y blockchains en comparación con oráculos push-based tradicionales.
Por ejemplo, Pyth destaca en el manejo de cómputos con estado como promedios móviles exponencialmente ponderados (EMAs). Dadas las actualizaciones frecuentes de precios, los cómputos ponderados por tiempo pueden utilizar datos publicados previamente.
El modelo pull también es más confiable. La congestión de red en las cadenas objetivo no impide que los publicadores publiquen precios a Pythnet. Además, los usuarios que necesitan datos de precios siempre pueden extraerlos de Pythnet a su cadena objetivo pagando una tarifa de transacción.
Los beneficios del modelo pull de Pyth incluyen:
- Eficiencia de gas: Los precios on-chain solo se actualizan cuando es necesario, ahorrando gas al evitar envíos innecesarios. El costo de mantener precios on-chain se distribuye entre los usuarios, reduciendo la carga en Pyth Network.
- Alta frecuencia de actualización: Pyth Network actualiza los feeds de precios una vez por segundo, más rápido que el blocktime de la mayoría de las blockchains. Las actualizaciones frecuentes son factibles debido al modelo pull, a diferencia de los oráculos push que típicamente se actualizan con menos frecuencia.
- Baja latencia: Los usuarios pueden acceder a precios off-chain recientes en cada transacción, asegurando baja latencia en comparación con depender únicamente de actualizaciones on-chain.
- Más feeds de precios: Pyth Network puede escalar a miles de feeds de precios sin incurrir en costos adicionales por cada feed. Los usuarios solo pagan costos de gas por nuevos feeds cuando se utilizan en cadena.
- Confiable en condiciones volátiles: Las actualizaciones de precios de Pyth se incorporan en transacciones valiosas, asegurando la confiabilidad incluso en condiciones de mercado volátiles donde los oráculos push pueden tener dificultades para aterrizar actualizaciones de precios.
- Infraestructura común: Los componentes de Pyth Network se comparten entre blockchains, promoviendo la fiabilidad y la precisión. Este enfoque facilita el despliegue rápido en nuevas blockchains con price feeds existentes.
- Sostenible: El protocolo de Pyth Network permite tarifas de datos opcionales para compensar a los proveedores de datos, asegurando la sostenibilidad e incentivando las contribuciones. Los oráculos sin tales mecanismos pueden ser insostenibles y propensos al fracaso.
Programa Oracle
El Programa Oracle dentro de Pyth asegura la agregación precisa y confiable de datos de precios de varios proveedores de datos. Es responsable de mantener los feeds de precios, de modo que cada uno de ellos consta de dos cuentas: una cuenta de producto para almacenar metadatos y una cuenta de precio.
Dentro de la cuenta de precio asociada con cada fuente de precios, el programa de oráculo asigna espacio de almacenamiento para las contribuciones de precios de cada proveedor de datos autorizado. Estas contribuciones se almacenan de manera segura y solo pueden ser actualizadas por proveedores autorizados.
El programa de oráculo agrega las estimaciones individuales de precios proporcionadas por proveedores de datos autorizados en un solo precio agregado y intervalo de confianza. Este proceso de agregación asegura que los datos de precio finales reflejen la entrada colectiva de múltiples fuentes.
Además de agregar precios, el programa de oráculos puede realizar cálculos con estado adicionales en la serie de precios resultante. Esto puede incluir el cálculo de promedios móviles u otras medidas estadísticas para mejorar aún más la calidad de los datos de precios.
Ten en cuenta que, aunque los precios individuales de los proveedores de datos se almacenan como estado interno dentro del programa de oráculos, solo el precio agregado y el intervalo de confianza están disponibles para su uso en aplicaciones posteriores. Esto ayuda a mantener la integridad y privacidad de los datos mientras se proporcionan datos de precios precisos a los usuarios.
Cuentas on-chain
El programa de oráculo Pyth gestiona tres tipos de cuentas on-chain: cuentas de producto, cuentas de precio y cuentas de mapeo.
| Product Accounts | Price Accounts | Mapping Accounts |
| These accounts store metadata about a specific product, such as its symbol, asset type, quote currency, and description.
For example, a product account for AAPL (Apple Inc.) includes fields like symbol, asset type (Equity), quote currency (USD), and a pointer to the associated price account. |
Price accounts store the current price information for a product. This includes the current price, confidence interval, price type, exponent, status, corporate action status, and other relevant fields. Prices are stored in a fixed-point format, and the confidence interval represents Pyth’s uncertainty about the current price.
For example, the price account for AAPL contains fields like price, confidence, price type, exponent, status, corporate action status, and more. |
Mapping accounts serve as an index of the pricing information available on Pyth. These accounts organize product accounts into a linked list structure, allowing applications to enumerate all products currently available on Pyth.
Each mapping account contains a list of product account IDs and may include a pointer to the subsequent mapping account. This linked list structure facilitates efficient access to pricing information for various products. |
Por ejemplo, una cuenta de producto para AAPL (Apple Inc.) incluye campos como symbol, asset type (Equity), quote currency (USD), y un puntero a la cuenta de precio asociada.
Por ejemplo, la cuenta de precios para AAPL contiene campos como precio, confianza, tipo de precio, exponente, estado, estado de acción corporativa, y más.
Cada cuenta de mapeo contiene una lista de IDs de cuentas de productos y puede incluir un puntero a la cuenta de mapeo subsiguiente. Esta estructura de lista enlazada facilita el acceso eficiente a la información de precios para varios productos.
La relación entre estos tipos de cuentas es jerárquica, con cuentas de mapeo que contienen referencias a cuentas de producto, y cuentas de producto que contienen referencias a cuentas de precio.
Agregación de Precios
La agregación de precios de Pyth está diseñada para producir feeds de precios precisos y robustos.
- 1. Fuentes de datos: Pyth comienza con múltiples fuentes de datos o editores que proporcionan datos de precios para un producto particular, como el precio de BTC/USD. Estas fuentes de datos son típicamente participantes del mercado e instituciones con acceso a información de precios precisa y oportuna.

Ver todos los proveedores de datos: https://pyth.network/publishers
- 2. Fuentes de Precios Individuales: Cada fuente de datos o publicador contribuye con su fuente de precios individual, junto con un intervalo de confianza que representa la incertidumbre estimada del precio. Por ejemplo, la fuente BTC/USD puede indicar el precio como “$35,000 ± $50.”
Los intervalos de confianza miden la incertidumbre y la dispersión entre mercados en el precio reportado.
Por ejemplo, en la imagen a continuación, la línea púrpura es el spot price, y las bandas blancas arriba y abajo son la confianza agregada que se ensancha y estrecha.

- 3. Mecanismo de Agregación: El mecanismo de agregación de Pyth combina estos feeds de precios individuales en un solo feed de precios agregado para el producto específico. El objetivo es producir feeds de precios robustos y confiables que no puedan ser influenciados o manipulados significativamente por un pequeño grupo de editores o actores maliciosos.
- 4. Limitación de Influencia: El mecanismo de agregación está diseñado para limitar la influencia de los editores individuales en el precio agregado. Esto es crucial para prevenir intentos de manipulación de precios accidentales y/o intencionales por parte de participantes que puedan intentar alterar el precio del oráculo.
- 5. Supervisión de la Comunidad: La comunidad juega un papel en determinar cómo se permite a los editores usar el protocolo. Esta supervisión puede ayudar a asegurar que solo participantes reputados y honestos estén permitidos para proporcionar datos a Pyth.
Por ejemplo, si la mayoría de los editores envían un precio SOL/USD de $100 y un editor envía un precio de $80, entonces el precio agregado permanecerá más cerca de $100. Esta propiedad aumenta la probabilidad de que el precio agregado permanezca preciso incluso si un pequeño porcentaje de editores envía un precio que está lejos del mercado.
Las barras delgadas inferiores en la imagen a continuación representan los precios y los intervalos de confianza de cada publicador. La barra roja en negrita en la parte superior muestra el precio agregado resultante y el intervalo de confianza.

Es importante notar que el mecanismo de precio agregado pondera las fuentes de datos con diferentes niveles de precisión. Al mismo tiempo, el protocolo permite a los editores enviar un intervalo de confianza. Por ejemplo, algunos de estos editores serán exchanges centralizados. Se espera que estos participantes tengan diferentes niveles de liquidez, lo que lleva a spreads de oferta/demanda más amplios cuando la liquidez es baja.
Esta propiedad puede resultar en situaciones donde un exchange reporta $101 ± 1, y otro reporta $110 ± 10. En estos casos, el precio agregado está más cerca de $101 que de $110. Este escenario se muestra en la imagen a continuación.

Dado que Pyth recopila datos de precios de múltiples editores, estos editores pueden proporcionar precios ligeramente diferentes para el mismo producto. Esta variación puede surgir de diferencias en las fuentes de datos, los lugares de negociación y el momento de la recopilación de datos.
En los mercados financieros del mundo real, no existe un precio fijo único para un producto dado. En cambio, productos como criptomonedas o valores pueden negociarse a precios ligeramente diferentes en varios lugares de negociación en cualquier momento dado. Estas variaciones están influenciadas por factores como las dinámicas de oferta y demanda, la actividad de trading y la liquidez.
El intervalo de confianza agregado en Pyth tiene en cuenta tanto la variación en los precios en diferentes lugares como las limitaciones impuestas por el spread del producto. Refleja el rango dentro del cual es probable que caiga el verdadero precio de mercado del producto.

Intervalos de Confianza Para Oráculos de Datos de Mercado
En los mercados financieros, la incertidumbre de medición, a menudo referida como confianza o precisión, es un factor crítico que se asemeja a los campos científicos e ingenieriles. Al igual que en las mediciones científicas, donde el observador estima la desviación potencial del valor verdadero, los proveedores de datos en Pyth adjuntan niveles de confianza a sus flujos de precios. Esta confianza refleja varios factores, como el spread bid/ask en un venue o expectativas de ocurrencias de transacciones a través de múltiples venues.
Comprender la incertidumbre de medición en los mercados financieros sirve para varios propósitos:
- Indicación de Precisión: Indica el nivel de precisión o incertidumbre en una sola observación, ayudando a los participantes del mercado a evaluar la fiabilidad de los precios reportados.
- Fusión Óptima de Datos: Al incorporar medidas de incertidumbre, múltiples observaciones independientes pueden combinarse de manera más efectiva. Las observaciones con incertidumbres menores reciben mayor peso, mientras que aquellas con incertidumbres mayores se ponderan menos, lo que lleva a una agregación de datos más robusta.
- Propagación a Cantidades Derivadas: Al igual que en las mediciones científicas, las incertidumbres en los datos de precios crudos pueden propagarse a las cantidades derivadas. Por ejemplo, combinar observaciones de precios para calcular una cantidad derivada como la velocidad (en términos financieros, métricas derivadas como la volatilidad o los spreads) implica considerar las incertidumbres asociadas con cada observación.
- Detección de Anomalías: Las discrepancias entre mediciones independientes, más allá de sus respectivas incertidumbres, señalan problemas potenciales con una o más mediciones. Este mecanismo de detección de discrepancias ayuda a identificar datos erróneos o atípicos, mejorando la integridad general de la reporting de precios.
En el contexto de Pyth, donde múltiples proveedores de datos contribuyen con mediciones de precios de manera asíncrona, la consideración de la incertidumbre en las mediciones se vuelve primordial. Cada proveedor, extrayendo de diferentes fuentes de datos y reportando dentro de plazos ajustados, ofrece su evaluación del precio con niveles de confianza acompañantes. Este enfoque fomenta una comprensión más matizada de las dinámicas del mercado y fortalece la fiabilidad de los datos de precios agregados para los participantes del mercado.
Algoritmo de Agregación – Variante de Mediana Ponderada
El algoritmo de agregación de precios utilizado en Pyth es una variante de la mediana ponderada, diseñado para producir un precio agregado que refleje las contribuciones de varios publicadores mientras considera su peso de stake y los intervalos de confianza.
Cada publicador en la red Pyth se le asigna un peso de stake. Inicialmente, estos pesos se establecen de manera uniforme, pero en el futuro, pueden determinarse utilizando mecanismos como el staking de datos, según lo decidido por la comunidad.
- Paso 1 – Cálculo del Precio Agregado: Para calcular el precio agregado, cada publicador recibe 3 votos:Un voto a su precio reportado.Un voto a su precio reportado más su intervalo de confianza.Un voto a su precio reportado menos su intervalo de confianza.El algoritmo algoritmo luego calcula el mediano ponderado por stake de estos votos. En esencia, este paso considera cada contribución del publicador al precio agregado mientras se tiene en cuenta sus intervalos de confianza.
- Un voto a su precio reportado.
- Un voto a su precio reportado más su intervalo de confianza.
- Un voto a su precio reportado menos su intervalo de confianza.
- El algoritmo algoritmo luego calcula la mediana ponderada por stake de estos votos. En esencia, este paso considera cada contribución del publicador al precio agregado mientras se tiene en cuenta sus intervalos de confianza.
- Paso 2 – Cálculo del intervalo de confianza: El segundo paso del algoritmo calcula el intervalo de confianza agregado. Mide la distancia desde el precio agregado a dos puntos:El 25.º percentil ponderado por stake de los votos.El 75.º percentil ponderado por stake de los votos.La mayor de estas dos distancias se selecciona como el intervalo de confianza agregado.
- El percentil 25 ponderado por stake de los votos.
- El percentil 75 ponderado por stake de los votos.
- El mayor de estas dos distancias se selecciona como el intervalo de confianza agregado.
- Un voto a su precio reportado.
- Un voto a su precio reportado más su intervalo de confianza.
- Un voto a su precio reportado menos su intervalo de confianza.
- El algoritmo luego calcula la mediana ponderada por stake de estos votos. En esencia, este paso considera cada contribución del publicador al precio agregado mientras tiene en cuenta sus intervalos de confianza.
- La percentil 25 ponderada por stake de los votos.
- El percentil 75 ponderado por stake de los votos.
- El mayor de estas dos distancias se selecciona como el intervalo de confianza agregado.
La mayoría de las personas entienden la mediana como el valor medio en el conjunto de datos, es decir, el percentil 50. Sin embargo, la mediana también es el valor R que minimiza la función objetivo ∑i |R − pi | donde pi es el precio del i-ésimo editor.
Esta función penaliza R en base a su distancia del precio del editor pi. El algoritmo propuesto calcula el precio agregado R que minimiza

Donde si es el peso de la stake del publicador y ci es el intervalo de confianza del publicador.
Por lo tanto, la función objetivo del algoritmo minimiza la suma de dos términos:
- El primer término considera las diferencias absolutas ponderadas entre el precio agregado (R) y el precio reportado de cada editor (pi), donde el peso es la participación del editor (si). Esta parte de la función objetivo pondera a los editores según su participación, dando más influencia a los editores con alta participación.
- Esta parte de la función objetivo pondera a los publicadores según su stake, dando más influencia a los publicadores con alto stake.
- El segundo término introduce una penalización basada en la distancia entre el precio agregado (R) y el precio reportado de cada publicador (pi), pero solo si esta distancia excede el intervalo de confianza del publicador (ci).Esta parte de la función objetivo penaliza el precio agregado por estar fuera del intervalo de confianza de un publicador.
- Esta parte de la función objetivo penaliza el precio agregado por estar fuera del intervalo de confianza de un publicador.
- Esta parte de la función objetivo pondera a los publicadores según su stake, otorgando más influencia a los publicadores con alto stake.
- Esta parte de la función objetivo penaliza el precio agregado por estar fuera del intervalo de confianza de un publicador.

El gráfico de la izquierda representa la función objetivo de la mediana ordinaria aplicada a un precio p = 0, que es simplemente el valor absoluto de R. Por otro lado, el gráfico de la derecha ilustra la función objetivo de Pyth, que es

para varias elecciones de intervalo de confianza ci.
En la función objetivo de Pyth, el ancho del intervalo de confianza determina la ubicación del quiebre en la curva. A medida que el intervalo se ensancha, el quiebre se aleja más de 0. La región entre los dos quiebres tiene una penalización reducida en relación con la mediana.
Esta generalización de la mediana mantiene las propiedades deseadas: robustez frente a valores atípicos y consideración de la precisión de diferentes fuentes de datos. La robustez proviene de la resiliencia inherente de la mediana a los valores atípicos. Esencialmente, el percentil 50 del conjunto de datos permanece inafectado independientemente de los valores extremos presentes en el conjunto de datos. Además, el ajuste del intervalo de confianza asegura que el algoritmo pese adecuadamente las contribuciones de diferentes fuentes de datos en función de su precisión.
Podemos visualizar el algoritmo de agregación y la función objetivo en cuatro escenarios presentados a continuación, lo que proporciona una visión sobre cómo se combinan los precios y los intervalos de confianza.
- Publicador atípico: Un publicador atípico con un intervalo de confianza ajustado influye en la función objetivo, pero no lo suficiente como para afectar significativamente el precio agregado o el intervalo de confianza.

- Influencia de Intervalos de Confianza Más Ajustados: Los publicadores con intervalos de confianza más ajustados tienen más influencia en el precio agregado, dado que sus precios se alinean con los intervalos de confianza de los demás.

- Publicadores Consistentes: Cuando los precios y los intervalos de confianza de muchos publicadores se alinean, el agregado refleja su consenso.

- Editores Divergentes: Los editores con precios distintos y intervalos de confianza no superpuestos amplían el intervalo de confianza debido a la dispersión, creando una brecha entre el agregado y los percentiles de los votos.

Agregación de Precios EMA
Un promedio móvil exponencial (EMA) es un promedio ponderado que da más énfasis a los puntos de datos recientes mientras da menos peso a los puntos de datos más antiguos. En Pyth, los valores de EMA Price y EMA Confidence se derivan de los precios agregados y las confidencias generados on-chain.

Pyth utiliza el número de slot de Solana para medir el paso del tiempo. El período de promedio se establece típicamente en 5921 slots, lo que corresponde a aproximadamente 1 hora.
Cada muestra se pondera por 1/Confidence, permitiendo que el EMA dé más peso a las muestras con intervalos de confianza ajustados y desestime las muestras con intervalos de confianza amplios. Este esquema de ponderación asegura que los valores atípicos con intervalos de confianza amplios no influyan significativamente en el cálculo del EMA.
Por ejemplo, un precio agregado atípico con un intervalo de confianza amplio no impactará fuertemente en el cálculo de la EMA debido a la ponderación inversa de la confianza, en oposición a un promedio ponderado uniforme.

Esta implementación es particularmente adecuada para aplicaciones de streaming, ya que permite que toda la historia de precios y pesos sea representada por un solo número. Este método asegura que los valores de EMA Price y EMA Confidence reflejen con precisión las tendencias recientes y la fiabilidad de los precios agregados dentro de la Pyth Network.
Roles de la Red y Flujo de Control
El mecanismo de staking de datos dentro del protocolo Pyth está diseñado para garantizar una fijación de precios justa de las tarifas de datos, alineación de incentivos entre los participantes y robustez del proceso de reclamaciones.
Para lograr esto, Pyth funciona a través de la colaboración y coordinación de 3 partes esenciales: Publishers, Consumers y Delegators.
- Publicadores son responsables de obtener datos de precios precisos y oportunos, que luego publican en Pyth como feeds de precios. Su rol se extiende a ganar una parte de las tarifas de datos generadas por los consumidores que dependen de sus feeds de precios proporcionados. Para participar en el protocolo y ganar recompensas, los publicadores deben stakear tokens $PYTH, asegurando así su compromiso con la entrega de datos correctos y confiables. Este mecanismo de staking también introduce responsabilidad, ya que los publicadores arriesgan tener su stake slashado si proporcionan información inexacta.Publicadores de Pyth: https://pyth.network/publishers
- Editores de Pyth: https://pyth.network/publishers
- Consumidores, por otro lado, utilizan los datos de precios publicados por los publicadores en sus aplicaciones descentralizadas (dApps), integrándolos en sus contratos inteligentes para diversos fines. Los consumidores, ya sean entidades on-chain u off-chain, pagan tarifas de datos para acceder y utilizar estos feeds de precios. La motivación principal detrás del pago de estas tarifas es la reducción de riesgos, ya que los feeds de precios de Pyth ofrecen un medio para mitigar pérdidas financieras resultantes de datos inexactos. Además, el pago de tarifas de datos incentiva a más publicadores a participar en la red, mejorando así la fiabilidad de los feeds de precios.
- Delegadores juegan un papel crítico en la Pyth Network al realizar staking de tokens en editores específicos. A cambio, reciben una porción de las tarifas de datos generadas por los consumidores que utilizan los feeds de precios proporcionados por esos editores. Sin embargo, realizar staking de tokens como delegador conlleva riesgos inherentes, ya que existe la posibilidad de perder el stake si el oráculo resulta ser incorrecto. Aunque los delegadores pueden recibir inicialmente pagos sustanciales, sus ganancias pueden disminuir con el tiempo a medida que el mercado se vuelve más eficiente y competitivo.
- Publicadores de Pyth: https://pyth.network/publishers

Los precios de los activos son integrales para las aplicaciones DeFi en múltiples cadenas, con los precios de oráculos de Pyth y los intervalos de confianza contribuyendo a una variedad de casos de uso:
- Préstamo y préstamo las plataformas rastrean activamente la salud de las cuentas de usuario y determinan liquidaciones usando los datos de Pyth.
- DEXs & AMMs a menudo dependen de los precios en tiempo real de Pyth para garantizar la sincronización con otros exchanges, especialmente para derivados.
- Options & Derivatives, Structured Products, and Vaults liquidan contratos de opciones y derivados al vencimiento y calculan P&L basado en los feeds de precios de Pyth.
- Proyectos de stablecoins utilizan los feeds de precios de Pyth para determinar la solvencia de los activos de colateral para CDPs.
- Herramientas e Infraestructura para DAO proyectos requieren precios de activos para interacciones cross-chain y otras funcionalidades.
- Aplicaciones fuera de cadena como plataformas de análisis dependen de los datos de precios de activos de Pyth para fines analíticos.
En el lado de los editores, Pyth continúa incorporando editores de datos que suministran más datos a la red. Estos editores pueden representar una amplia gama de entidades, como creadores de mercado y firmas de trading, exchanges tradicionales, exchanges de cripto, o incluso exchanges descentralizados.
Staking e Integridad de la Información
Introducir mecanismos de staking en redes de oráculos, como el staking reputacional o el staking de colateral, puede mejorar significativamente la integridad de los datos sin imponer demoras. Estos mecanismos alinean los incentivos de los operadores de oráculos y proveedores de datos para garantizar la publicación de información de alta calidad y oportuna.
El staking reputacional implica responsabilizar a los operadores de oráculos por la calidad de los datos que proporcionan. Al hacer transparentes las contribuciones de los proveedores, se pueden identificar y abordar a los performers deficientes, manteniendo así la integridad del feed de datos general. Aunque este mecanismo puede no ser inherentemente fuerte por sí solo, cuando se implementa de manera transparente y pública, puede incentivar a los proveedores de datos a mantener altos estándares.
Por otro lado, el staking literal implica la publicación de colateral por parte de los operadores de oráculos o proveedores de datos, que puede ser incautado en caso de informes de datos incorrectos, también conocido como “slashing”. Esta alineación explícita de incentivos anima a los contribuyentes a filtrar activamente información de alta calidad para evitar penalizaciones financieras. Además, los fondos incautados pueden usarse para compensar cualquier daño incurrido debido a datos incorrectos.
El mecanismo de staking de Pyth juega un papel crucial en la garantía de la integridad de los datos dentro de su red de oráculos. Al requerir que los participantes apuesten tokens $PYTH como una forma de colateral, Pyth alinea los incentivos de los proveedores de datos y operadores con la precisión y confiabilidad de los datos que contribuyen.
Los participantes, que incluyen tanto editores de datos como operadores, deben apostar tokens $PYTH para participar en el protocolo. Este requisito de staking actúa como un mecanismo de compromiso, señalando a la red su interés invertido en proporcionar datos precisos y confiables.
| Publishers | Consumers | Delegators |
| Incentivized to provide accurate and timely prices, publishers stake $PYTH tokens and risk stake slashing if they publish prices far from the reference price, causing issues with the oracle’s feed.
In return, they earn a share of data fees, with rewards favoring publishers whose prices predict future changes. |
Encouraged to pay data fees to mitigate risk when using Pyth price feeds and to attract more publishers to improve feed robustness. | Initially earn attractive payments by backing products, with payments reflecting inherent risks and market efficiency over time.
Delegators also set stake-weights of publishers, and are incentivized to ensure a robust price feed to avoid stake loss due to incorrect aggregate price feed. |
A cambio, obtienen una parte de las tarifas de datos, con recompensas que favorecen a los editores cuyos precios predicen cambios futuros.
Los delegadores también establecen pesos de stake de los publicadores, y están incentivados a asegurar un feed de precios robusto para evitar la pérdida de stake debido a un feed de precios agregado incorrecto.
El staking de tokens impone un costo financiero a los participantes en caso de mal comportamiento o informes de datos inexactos. Esto crea un fuerte incentivo para que los participantes examinen diligentemente los datos que proporcionan y aseguren su precisión antes de publicarlos en la blockchain. El miedo a perder sus tokens en stake actúa como un disuasivo contra el comportamiento malicioso o la negligencia.
Pyth utiliza un mecanismo de slashing donde los tokens staked pueden ser slashados si se descubre que los participantes proporcionan datos incorrectos o manipulados. Si los datos reportados por un publisher u operator se consideran inexactos, puede llevar a que una porción de sus tokens staked sea confiscada. Esta penalización sirve como una medida punitiva para disuadir a actores maliciosos y mantener la credibilidad de los datos.
Cualquiera puede presentar una reclamación si el oracle publica un precio incorrecto. Una votación de los holders de tokens $PYTH ratifica las reclamaciones. En caso de una reclamación exitosa, el protocolo slashes las stakes de los delegadores del producto y distribuye la cantidad slashed a los consumidores basada en el valor de las data fees durante la epoch del evento. Esto asegura que las reclamaciones sean exitosas si el aggregate price de Pyth y el confidence interval fueron sustancialmente incorrectos por cualquier período.
Los tokens slashed de los participantes encontrados en falta pueden usarse para compensar a usuarios o consumidores que puedan haber sido afectados negativamente por los datos incorrectos. Este mecanismo asegura que haya repercusiones por proporcionar datos no confiables y proporciona restitución a las partes afectadas.
Además, el mecanismo de staking de Pyth también se extiende a su modelo de governance, donde los stakeholders que poseen tokens staked tienen poder de voto para influir en decisiones relacionadas con parámetros del protocolo, actualizaciones o cambios.
Apuesta de Integridad de Oráculos
Apuesta de Integridad de Oráculos (OIS) introduce mayor responsabilidad en los datos al ecosistema de Pyth al requerir que los Publicadores de Pyth (proveedores de datos) apuesten tokens $PYTH. Este programa incentiva a los publicadores a mantener contribuciones de datos de alta calidad y recorta su apuesta si proporcionan datos defectuosos o maliciosos.
Los componentes clave de Oracle Integrity Staking incluyen:
- Responsabilidad Económica: Los publicadores deben stakear tokens $PYTH para ser elegibles para recompensas on-chain. Si se envían datos erróneos, una porción del stake se slashed.
- Gobernanza Comunitaria: El Pyth DAO supervisa parámetros clave de staking y puede decidir cómo se asignan los fondos slash—si deben distribuirse a las partes afectadas o usarse para apoyar la Pyth Network.
- Participación de los Stakers: Los holders de $PYTH pueden hacer stake de sus tokens delegándolos a editores específicos, contribuyendo a la seguridad de la red mientras ganan recompensas.
OIS permite a los stakers de $PYTH contribuir directamente a la seguridad y el rendimiento de la red mediante la delegación (staking) de sus tokens a publishers. Los stakers ayudan a asegurar el oráculo y son recompensados en función de la calidad de los datos de los publishers que elijan.

Los stakers y editores comparten tanto las recompensas como los riesgos aquí:
- Rewards: Los editores reciben recompensas primero, con las recompensas restantes distribuidas a los stakers.
- Slashing: Si los publicadores proporcionan datos defectuosos, tanto el publicador como sus stakers son penalizados.
Cada publicador en la Pyth Network opera un stake pool, donde los stakers pueden delegar sus tokens. El tamaño de la recompensa está influenciado por:
- Stake Total: Las recompensas aumentan con el tamaño del pool hasta un stake cap predefinido.
- Símbolos Soportados: Los publicadores pueden elevar su stake cap e incrementar las recompensas al soportar más símbolos, asumiendo más riesgo pero obteniendo recompensas potenciales más altas.
El Pyth DAO supervisa los parámetros que rigen el control de OIS:
- Estructuras de Recompensas: Los miembros del DAO establecen las tasas máximas de recompensa y pueden votar sobre la asignación de fondos slashed.
- Mecanismos de Slashing: En caso de informes erróneos, la DAO determina cómo deben distribuirse los tokens slashed, como compensar a los usuarios afectados.
- Mejoras Futuras: La DAO puede introducir fuentes adicionales de recompensas, como incorporar otros activos digitales para ampliar la participación en el staking.

Distribución de Recompensas
El mecanismo de distribución de recompensas en Pyth está diseñado para compensar justamente a cada publicador, penalizar a los actores maliciosos y fomentar la notificación precisa. El mecanismo de staking de datos de Pyth distribuye una porción (inicialmente establecida en 20%, pero puede ser ajustada por la gobernanza) de las tarifas de datos por producto en un pool de recompensas para ese producto.
- Los publicadores con acceso a información de precios más precisa o oportuna deberían ser recompensados más. Esto incentiva a los mejores publicadores a contribuir al protocolo.
- Deben establecerse penalizaciones para disuadir a los actores maliciosos de explotar el sistema en beneficio personal.
- Los publicadores deben ser incentivados a reportar precios de manera honesta, basados en su información privada. Esto asegura que el precio agregado refleje la información más precisa disponible.
Para lograr estos objetivos, el mecanismo de distribución de recompensas divide el pool de recompensas entre los publicadores en función de tres factores:
- Peso de stake (s): Determinado por el mecanismo de staking de datos, reflejando el nivel de participación del publicador en el protocolo.Este número está entre 0 y 1.
- Este número está entre 0 y 1.
- Puntuación de Calidad (q): Mide qué tan bien la serie de precios de un publicador predice cambios de precios futuros. Este número está entre -1 y 1, con una puntuación positiva indicando poder predictivo.
- Este número está entre -1 y 1, con una puntuación positiva que indica poder predictivo.
- Calibración (c): Refleja la precisión de los intervalos de confianza del publicador en la representación de su incertidumbre.Este número está entre 0 y 1.
- Este número está entre 0 y 1.
- Este número está entre 0 y 1.
- Este número está entre -1 y 1, con una puntuación positiva que indica poder predictivo.
- Este número está entre 0 y 1.
Al final de cada época, los publicadores ganan una parte del pool de recompensas basado en el producto de estas tres cantidades (s × q × c). Cantidades negativas resultan en un slashing correspondiente de la stake para el publicador.
La puntuación de calidad se calcula entrenando un modelo de regresión en línea que predice precios futuros basado en características de la serie de precios del publicador. La puntuación de calibración mide cuán precisamente los intervalos de confianza del publicador representan su incertidumbre.
A continuación, puedes encontrar una comparación de datos históricos para dos editores diferentes.

- El gráfico izquierdo es un diagrama de dispersión de los cambios de precio predichos y reales. Cuanto más estrecha sea la relación lineal entre estas cantidades, mayor será la puntuación de calidad.
- Los ejes del gráfico derecho corresponden a las dos características no sesgadas del modelo de regresión, y el color denota el cambio de precio real. Un gradiente de color suave indica una puntuación de calidad alta.
- El principal publicador obtiene una puntuación más alta que el inferior en esta muestra.
Este mecanismo incentiva el reporte de alta calidad y desalienta a los actores maliciosos al recompensar la precisión predictiva y penalizar el reporte inexacto. También fomenta el reporte honesto alineando los incentivos con la provisión de información veraz.
Puntuación de Calidad
En Pyth Network, la puntuación de calidad es una métrica diseñada para evaluar la precisión predictiva de la serie de precios de un publicador en comparación con los precios agregados futuros. Esta puntuación se calcula utilizando un modelo de regresión en línea, que actualiza dinámicamente sus predicciones basadas en datos en tiempo real.
La puntuación de calidad se deriva de dos componentes principales:
- Medida de correlación: Esto cuantifica el grado en que los precios predichos por un publicador se alinean con los precios agregados durante una época dada. Una predicción perfecta corresponde a una correlación de 1, las predicciones aleatorias producen una correlación de 0, y las predicciones peores que aleatorias resultan en una correlación negativa.
- Frecuencia de Contribución: El segundo factor es la proporción de intervalos de tiempo para los cuales el publicador ha proporcionado datos de precios. Esto tiene en cuenta la consistencia y confiabilidad de las contribuciones de datos del publicador.
El modelo de regresión se actualiza en cada intervalo de tiempo t, utilizando dos características clave de cambio de precios: el precio actual del publicador pt comparado tanto con su propio precio como con el precio agregado del intervalo anterior. El vector de pesos wt, que representa los coeficientes del modelo, se ajusta mediante un método de gradiente recortado para refinar el modelo después de cada predicción.
Una correlación negativa actúa como una protección contra comportamientos adversariales, lo que indica que las predicciones de un publicador son sistemáticamente inexactas y podrían ser potencialmente engañosas.
El sistema de puntuación propuesto es adaptable y puede refinarse de varias maneras:
- Puede predecir cambios de precios más allá de la ranura inmediata siguiente, lo que presenta una tarea de pronóstico más desafiante.
- Incorporación de características adicionales para tener en cuenta matices como disparidades de precios persistentes pero menores en diferentes exchanges. Al rastrear estas diferencias, el mecanismo puede evitar penalizar injustamente a los editores por variaciones que son consistentes pero menores.
Los desarrolladores de la red Pyth han sometido este mecanismo de puntuación de calidad a pruebas utilizando datos históricos, que indican que el modelo actual produce resultados sólidos. Sin embargo, reconociendo la naturaleza diversa de los mercados financieros, el diseño del modelo permanece inherentemente flexible para acomodar modificaciones e mejoras futuras a medida que se dispongan de nuevas perspectivas y datos.
Puntuación de Calibración
En Pyth Network, la puntuación de calibración sirve como una herramienta para evaluar la precisión del intervalo de confianza de un publicador—un rango dentro del cual esperan que caiga el precio agregado. Esta puntuación es una medida de qué tan bien el publicador entiende y comunica su incertidumbre respecto a las predicciones de precios.
Cómo funciona la Puntuación de Calibración
- Interpretación del Error Estándar: El intervalo de confianza del editor se interpreta a través de la lente del error estándar de una distribución de Laplace. La distribución de Laplace se elige sobre la distribución normal debido a sus colas más pesadas, que tienden a representar las variaciones en los precios de manera más realista.
- Proceso de Cálculo:Determinación de Z-Score: Para cada predicción, se calcula un z-score restando el precio agregado de la predicción y normalizando este valor con el intervalo de confianza declarado por el publicador.Binning de Histograma: Estos z-scores se categorizan entonces en bins. Los umbrales para estos bins se establecen de modo que si los intervalos de confianza fueran perfectos, cada bin sería igualmente probable bajo una distribución de Laplace estándar.Verificación de Uniformidad: El histograma de un publicador “perfecto” sería uniforme a través de estos bins. Por lo tanto, la puntuación de calibración se define por la desviación de esta uniformidad, específicamente uno menos la distancia earth-mover entre el histograma real y una distribución uniforme.
- Determinación del Z-Score: Para cada predicción, se calcula un z-score restando el precio agregado de la predicción y normalizando este valor por el intervalo de confianza declarado por el publicador.
- Binning del Histograma: Estos z-scores se categorizan entonces en bins. Los umbrales para estos bins se establecen de modo que si los intervalos de confianza fueran perfectos, cada bin sería igualmente probable bajo una distribución de Laplace estándar.
- Verificación de Uniformidad: El histograma de un editor “perfecto” sería uniforme a través de estos bins. Por lo tanto, la puntuación de calibración se define por la desviación de esta uniformidad, específicamente uno menos la earth-mover distance entre el histograma real y una distribución uniforme.
- Determinación de Z-Score: Para cada predicción, se calcula un z-score restando el precio agregado de la predicción y normalizando este valor con el intervalo de confianza declarado por el editor.
- Binning del Histograma: Estos z-scores se categorizan luego en bins. Los umbrales para estos bins se establecen de modo que si los intervalos de confianza fueran perfectos, cada bin sería igualmente probable bajo una distribución de Laplace estándar.
- Verificación de Uniformidad: El histograma de un editor “perfecto” sería uniforme a través de estos bins. Por lo tanto, la puntuación de calibración se define por la desviación de esta uniformidad, específicamente uno menos la earth-mover distance entre el histograma real y una distribución uniforme.
La puntuación de calibración no favorece a los editores por proporcionar intervalos de confianza más estrechos porque tal ventaja ya está encapsulada en la puntuación de calidad. En cambio, la puntuación de calibración se centra en la adecuación del intervalo de confianza—si refleja con precisión el nivel de certeza “verdadero” del editor respecto a sus predicciones de precios.
Una puntuación de calibración alta indica que los intervalos de confianza de un editor están bien calibrados y que el precio agregado cae frecuentemente dentro del rango predicho, considerando la incertidumbre declarada. Por el contrario, una puntuación más baja puede sugerir que los intervalos de confianza de un editor son demasiado estrechos o demasiado amplios, lo que implica una representación errónea de su confianza real.
Por qué se creó el proyecto
La creación de Pyth surgió de la necesidad de abordar el problema de los oráculos en las finanzas descentralizadas (DeFi) y proporcionar datos de mercado confiables y de baja latencia obtenidos de proveedores institucionales. Los mercados tradicionales a menudo restringen el acceso a tales datos, mientras que los mercados de criptomonedas carecen de fuentes completas y confiables. La visión original de Pyth buscaba cerrar esta brecha al permitir que las cadenas de bloques interactúen con datos externos de manera fluida.
El proyecto fue concebido en respuesta a las limitaciones enfrentadas por las blockchains antes de 2018, donde las aplicaciones descentralizadas (DApps) solo podían operar con datos on-chain. Para habilitar la integración de datos off-chain de manera confiable, se necesitaban oráculos como puentes entre blockchains y el mundo externo. El objetivo de Pyth era claro: democratizar el acceso a los precios de los activos en todas las blockchains, mejorando así la funcionalidad y la utilidad en el mundo real de las DApps.
Los oráculos existentes enfrentaban varios desafíos, incluyendo fuentes de datos poco confiables y retrasos en la entrega de datos. Algunas soluciones raspaban datos de internet o los obtenían de fuentes cuestionables, comprometiendo la precisión y la confiabilidad. Además, los retrasos en la transmisión de datos, particularmente evidentes en oráculos de precio promedio ponderado por tiempo (TWAP), representaban riesgos significativos, especialmente en mercados volátiles como el crypto.

Pyth buscó superar estos desafíos proporcionando datos de mercado seguros y en tiempo real de fuentes confiables. Al colaborar con entidades institucionales como firmas de trading, exchanges descentralizados (DEXs) y exchanges centralizados (CEXs), Pyth buscó garantizar la integridad y precisión de sus feeds de precios. A través de su red, Pyth facilitó la transmisión fluida de datos off-chain a blockchains, empoderando aplicaciones DeFi con información de mercado oportuna y precisa.
Perspectiva del Sector
Los oráculos de precios juegan un papel crucial en la conexión entre los datos de precios off-chain y los contratos inteligentes on-chain dentro de los ecosistemas blockchain. Proporcionan información de precios oportuna y precisa, permitiendo que las aplicaciones descentralizadas (dApps) accedan a datos de mercado del mundo real. Sin embargo, lograr tanto precisión como oportunidad puede ser desafiante, y las soluciones tradicionales como introducir retrasos pueden no ser siempre suficientes, especialmente en aplicaciones financieras sensibles a la latencia.
La perspectiva del sector para Pyth Network en medio de su competencia con Chainlink en el espacio de oráculos puede resumirse ofreciendo un producto diferenciado y una propuesta de valor única. Mientras que Chainlink se ha establecido como el proveedor principal de oráculos, Pyth ofrece un enfoque fundamentalmente diferente, enfocándose inicialmente en Solana y expandiéndose a otras cadenas con Pythnet.
El modelo de actualización de precios pull de Pyth lo diferencia del modelo push comúnmente utilizado por otros oráculos como Chainlink. El énfasis en obtener datos directamente de fuentes de primera parte sin depender de agregadores como Coingecko o CoinmarketCap añade al atractivo de Pyth, ofreciendo actualizaciones potencialmente más rápidas y de mayor calidad.
Pyth también introduce intervalos de confianza, proporcionando a los protocolos información más matizada sobre la incertidumbre de precios, particularmente en mercados volátiles o ilíquidos. Este enfoque permite a los protocolos ajustar sus parámetros de riesgo según su nivel preferido de agresividad o conservadurismo.
Para abordar el desafío entre la oportunidad y la efectividad en costos para recuperar datos financieros sensibles a la latencia, Pyth propone un mecanismo de “staking” que involucra a los operadores de oráculos apostando reputación, colateral o capital de trading en la integridad y oportunidad de los datos que proporcionan. Al hacerlo, aquellos que proporcionen datos inexactos o intempestivos sufrirían consecuencias económicas o reputacionales, incentivándolos así a asegurar la integridad de la información que publican.
A través de este principio de “skin in the game”, los oráculos de Pyth sirven como una fuente crítica de datos de precios transmitidos a la blockchain, conectando el mundo off-chain con el entorno on-chain. Mientras que los exchanges descentralizados (DEXes) proporcionan información de precios on-chain, su liquidez puede ser limitada en comparación con los exchanges centralizados (CEXes), lo que los hace susceptibles a la manipulación. Los oráculos mitigan estos riesgos al traer datos de precios de alta calidad de los CEXes a la blockchain, mejorando así la fiabilidad y precisión de la información de precios para aplicaciones descentralizadas.
Los trade-offs frente al uso de agregadores de datos
Los trade-offs entre Pyth Network y el uso de agregadores en el espacio de oráculos giran en torno a factores como la precisión de los datos, la latencia, la descentralización, la rentabilidad y la flexibilidad.
| Pyth | Data Aggregators | |
| Data accuracy | Pyth emphasizes obtaining data directly from first-party sources, such as trading firms and exchanges. This approach aims to reduce the risk of data manipulation or inaccuracies introduced by intermediaries. | Aggregators like Chainlink rely on collecting data from multiple sources, including exchanges, marketplaces, and APIs. While aggregators may provide a broader data set, there’s a risk of errors or manipulation introduced during the aggregation process. |
| Latency | Pyth’s pull price update model allows for potentially faster updates as data is streamed off-chain via protocols like the Wormhole Network. However, there may be latency introduced by the cross-chain messaging protocol when updating prices on-chain. | Aggregators typically run off-chain processes to continuously update on-chain prices. While this ensures real-time updates, there may be delays due to network congestion or other factors. |
| Decentralization | Pyth aims for decentralization by obtaining data directly from a diverse set of first-party sources, reducing reliance on centralized aggregators. | Aggregators centralize data collection and aggregation, which can introduce vulnerabilities such as single points of failure or manipulation. |
| Cost-effectiveness | Pyth’s pull model allows for potentially lower costs as users are responsible for posting price updates on-chain only when needed. | Aggregators may charge fees for accessing their aggregated data, but these costs may be offset by the convenience of having a single source for multiple data streams. |
| Flexibility | Pyth offers flexibility in terms of integrating with different chains and protocols, as evidenced by the launch of Pythnet and its expansion efforts. | Aggregators may provide a more standardized approach to accessing data across multiple chains and protocols, simplifying integration for developers. |
El proceso de establecer un oráculo de primer nivel de editor como Pyth Network desde cero enfrenta desafíos significativos inicialmente, que se pueden describir como un problema de arranque en frío, principalmente debido a una baja cobertura de mercado y una posible renuencia de los editores a incorporarse debido a riesgos técnicos o reputacionales. Sin embargo, en el último año, Pyth ha logrado un progreso notable en superar estos obstáculos y fortalecer su ecosistema.
- Proceso de Incorporación e Integración Mejorado: Pyth ha refinado su proceso de incorporación e integración, haciendo que sea más fácil y atractivo para editores reputados unirse a la red. Esto incluye proporcionar mejor documentación y soporte a los editores, reduciendo las barreras técnicas de entrada y abordando preocupaciones relacionadas con la reputación y la confianza.
- Mejoras en el Algoritmo de Agregación de Precios: Pyth ha realizado mejoras significativas en su algoritmo de agregación de precios para garantizar feeds de precios más precisos y confiables. Al refinar el proceso de agregación, Pyth puede proporcionar datos de alta calidad que son confiados por usuarios y protocolos.
- Introducción de la Seguridad Crypto-Económica: Con $PYTH en circulación, el protocolo puede mejorar su modelo de seguridad crypto-económica para incentivar a los participantes, incluidos publishers y delegators, a contribuir a la seguridad e integridad de la red, mejorando aún más la confianza y la fiabilidad.
- Expansión a Cadenas No-Solana con Pythnet: Reconociendo la necesidad de extender su alcance más allá del ecosistema Solana, Pyth lanzó Pythnet, una cadena independiente basada en el código base de Solana. Pythnet permite a Pyth proporcionar sus servicios de oracle a protocolos en otras redes de blockchain, expandiendo su mercado e incrementando su potencial de adopción.
A través de la innovación continua, mejoras en la tecnología y esfuerzos de expansión estratégica, Pyth ha demostrado un compromiso para superar los desafíos asociados con el establecimiento de un oracle publisher-first.
Equilibrando Alta Calidad y Baja Latencia
Pyth intenta equilibrar los objetivos duales de baja latencia y datos de alta calidad a través de diversas formas de staking y mecanismos de alineación de incentivos.
| Staking via Reputation | Staking via Collateral | Staking via Trading |
| Pyth implements a moderate form of staking via reputation by publicly disclosing the aggregate set of its publishers. While this transparency enhances accountability to some extent, the lack of individual address disclosure may limit the potential public scrutiny and repercussions for bad contributors. This mechanism may weaken over time, especially if Pyth transitions to permissionless publishing. | The staking $PYTH mechanism allows to reward publishers for bringing novel and correct information while penalizing those providing incorrect data. This adjudication mechanism introduces an approach to incentivizing data accuracy within the oracle network. | Pyth’s potential for staking via trading is high, given that many of its data providers are high-frequency trading firms. These firms contribute prices as a byproduct of their trading operations, aligning their interests with the accuracy of the data. However, challenges remain, such as ensuring timely reporting of prices and validating self-reported prices to prevent misrepresentation. |
Nota que Pyth incorpora intervalos de confianza como una línea adicional de defensa para abordar períodos de incertidumbre en la determinación de precios, como el episodio de desanclaje de Terra. Al ampliar los intervalos de confianza alrededor de los precios reportados, Pyth reconoce y tiene en cuenta la variabilidad en los precios en diferentes exchanges, mejorando la robustez de su representación de datos.

Ventajas del Modelo Pull de Pyth
El modelo de oráculo pull de Pyth optimiza la eficiencia de costos, la escalabilidad, la confiabilidad y la capacidad para manejar computaciones complejas en comparación con las arquitecturas de oráculos tradicionales basadas en push. Este modelo asegura que los usuarios obtengan datos de precios oportunos y precisos mientras minimizan los costos operativos.
- Uso Eficiente de Gas: Pyth minimiza los costos de gas al pagar solo cuando los consumidores demandan actualizaciones de precios. Este enfoque dirigido reduce los gastos generales.
- Escalabilidad: El modelo pull permite a Pyth escalar de manera eficiente, soportando una gama más amplia de price feeds y blockchains.
- Fiabilidad: La congestión de red en las cadenas objetivo no afecta la capacidad de los publicadores de Pyth para proporcionar actualizaciones, asegurando la disponibilidad confiable de datos.
- Cómputos con Estado: La arquitectura de Pyth es capaz de manejar cómputos con estado como promedios móviles ponderados exponencialmente (EMAs) debido a sus actualizaciones de alta frecuencia, permitiendo combinaciones temporales precisas de datos.
Una de las principales ventajas en relación con los oráculos basados en push es que Pyth tiene la capacidad de publicar actualizaciones de precios con mayor frecuencia. Por ejemplo, los basados en push luchan por calcular operaciones que requieren datos pasados, ya que su baja frecuencia de actualización produce muestras menos oportunas. Como ejemplo, es imposible para oráculos basados en push que publican datos cada 10 minutos calcular un EMA de 5 minutos. Pyth resuelve esto utilizando su appchain dedicada Pythnet. En Pythnet, la red tiene acceso a actualizaciones de precios cada 400ms, lo que fácilmente permite la construcción de combinaciones temporales más granulares y complejas.
Adopción Potencial
Desde su lanzamiento, Pyth ya ha ganado tracción, con más de 230 aplicaciones que dependen de los datos de Pyth, incluyendo exchanges descentralizados (DEXs), protocolos de préstamo y plataformas de derivados. Esto refleja su potencial para una adopción generalizada en DeFi y más allá.
Sin embargo, Pyth enfrentó desafíos tempranos, notablemente un problema significativo de discrepancia de precios debido a errores de los editores. Más específicamente, el problema principal fue con el precio de $BTC durante un período de 2 minutos en septiembre de 2021. Debido a que 2 de 11 editores cometieron un error en el punto decimal y la lógica de agregación sobreponderó sus contribuciones, el precio agregado terminó siendo significativamente diferente del verdadero precio de BTC de ~$42k, reportando precios tan bajos como $5,402 con intervalos de confianza de +/- $21,623. Para protocolos que no incorporaron el intervalo de confianza y simplemente se basaron en el precio mediano de $5.4k, esto resultó en efectos perjudiciales como liquidaciones erróneas. Desde entonces, los esfuerzos de remediación incluyeron refinar la lógica de agregación, mejorar la incorporación de editores y proporcionar mejor documentación para desarrolladores.
A pesar de los contratiempos iniciales, Pyth ha visto una adopción constante en Solana, convirtiéndose en el oráculo de facto para la red. El crecimiento año tras año en editores, feeds de precios y dApps demuestra una aceptación creciente dentro del ecosistema. Hacia el futuro, el lanzamiento de Pythnet por parte de Pyth significó la intención de extender su alcance más allá de Solana a otras cadenas como Ethereum, BSC y Aptos. Aunque Pythnet introduce desafíos de latencia en comparación con Solana, ofrece un modelo pull único y posibles eficiencias de costos para los consumidores.
El lanzamiento del token $PYTH introdujo incentivos y mecanismos adicionales para las partes interesadas, incluyendo editores, delegadores y consumidores. Este plan de distribución jugará un papel crucial en asegurar la adopción generalizada y la descentralización de la red.
Cadenas
Aunque la primera versión del whitepaper introdujo un diseño de protocolo enfocado en la blockchain de Solana, la segunda versión proporciona una solución más general para un ecosistema Pyth más amplio. Con esta actualización, el protocolo introduce un modelo cross-chain para entregar datos de precios a las cadenas objetivo.

Los feeds de precios de Pyth Network están actualmente disponibles en más de 40 blockchains, garantizando accesibilidad y escalabilidad para desarrolladores en diferentes ecosistemas.

Pythnet, una cadena separada derivada del código base de Solana, facilita las presentaciones de precios exclusivamente para los editores de Pyth. A diferencia de en Solana, donde las actualizaciones de precios se empujan automáticamente on-chain, Pythnet opera en un modelo de pull, con precios actualizados on-chain a petición de la aplicación.
Nota que este modelo introduce una latencia aumentada, con aproximadamente 3 segundos desde el precio del exchange centralizado (CEX) hasta la actualización on-chain. De esto, 1 segundo se atribuye a la latencia de CEX a Pythnet, mientras que 2 segundos se deben a la latencia de Pythnet al servicio de precios, inducida por mensajes de Wormhole.
Los protocolos no-Solana que utilizan Pythnet deben pagar fees por on-chain price updates, comenzando en una denominación nominal pero potencialmente ajustable por governance más adelante. La eficiencia del gas se mejora ya que las gas fees solo se incurren cuando los consumidores necesitan price updates, minimizando el desperdicio.
Además, la autonomía de Pythnet asegura la fiabilidad incluso si la red Solana experimenta downtime. A pesar de los desafíos de latencia, estrategias como asynchronous order settlement, staleness thresholds y tying price update requests a las transacciones de los usuarios ayudan a mitigar riesgos.
Uso del Protocolo
Los usuarios y desarrolladores pueden integrar de manera fluida los datos de mercado en tiempo real de Pyth en sus aplicaciones mediante APIs potentes. La característica de “pull oracle” permite a las aplicaciones controlar cuándo y cómo aparecen los precios en tiempo real on-chain, proporcionando flexibilidad y eficiencia en costos.
Pyth opera a través de 4 mecanismos clave que gobiernan su flujo de interacciones:
- Agregación de Precios: Este mecanismo combina precios reportados por editores individuales junto con sus intervalos de confianza asociados en un feed de precios unificado y un feed de intervalo de confianza para un producto específico. Al agregar estos insumos, Pyth produce un punto de precio único y confiable para que los participantes del mercado lo referencien.
- Staking de Datos: Los delegadores tienen la oportunidad de hacer staking de tokens para ganar tarifas de datos. El sistema de peso de stake determina la influencia que cada publicador tiene en el precio agregado. Las tarifas de datos recolectadas se distribuyen, con el 80% yendo a los delegadores y el 20% restante asignado a un pool de recompensas compartido entre publicadores (sujeto a cambios vía gobernanza). Las stakes de los delegadores pueden ser slashed si surgen discrepancias entre el precio agregado publicado y los precios de referencia durante el intervalo de reclamo. Las reclamaciones exitosas resultan en la identificación y penalización de los publicadores culpables, con stakes redistribuidos compensando a los consumidores afectados.
- Distribución de Recompensas: Este mecanismo asigna participaciones del pool de recompensas a editores individuales basados en la calidad de sus feeds de precios. Al incentivar la provisión de datos de alta calidad y penalizar el bajo rendimiento, este mecanismo busca mantener la integridad y confiabilidad del proceso de agregación de precios.
- Gobernanza: Pyth Network emplea un sistema de votación con monedas para gobernar los parámetros de todos sus mecanismos. A través de este marco de gobernanza, los participantes tienen voz en la configuración y refinamiento de las operaciones de la red, asegurando su efectividad y adaptabilidad continuas.

Participantes
La base de usuarios de Pyth abarca proyectos DeFi, dApps y desarrolladores de blockchain que buscan datos confiables y de baja latencia para sus aplicaciones.
En el ecosistema de Pyth, hay tres roles clave: consumidores, publicadores y delegadores, cada uno con responsabilidades e incentivos distintos.

- Consumidores son los usuarios de los feeds de precios dentro del ecosistema, predominantemente compuestos por contratos inteligentes y protocolos DeFi. Su responsabilidad principal es utilizar los feeds de precios proporcionados para tomar decisiones y ejecutar transacciones. Mientras que los consumidores en Solana reciben feeds de precios de forma gratuita, aquellos fuera de Solana deben pagar pequeñas tarifas “bajo demanda” para recuperar precios de Pythnet. Los consumidores tienen la opción de pagar tarifas de seguro en $PYTH para protegerse contra inexactitudes de los oráculos, proporcionando una capa adicional de protección a un costo extra.
- Publicadores son responsables de publicar precios en la red. A cambio, reciben tokens $PYTH como recompensas y una parte de las tarifas de datos. Sin embargo, los publicadores deben apostar tokens $PYTH para los productos que cotizan, y sus apuestas están sujetas a penalizaciones si producen errores. Esto incentiva la precisión y confiabilidad en la reportación de precios. La estructura de recompensas para publicadores puede variar con el tiempo y está sujeta a cambios, afectando su potencial de ganancias dentro del ecosistema.
- Delegadores juegan un papel crucial en la determinación de los precios agregados reportados por Pyth. Apuestan tokens $PYTH en price feeds para determinar los pesos de diferentes publishers, influyendo así en la precisión de los precios reportados. Los delegadores deben gestionar cuidadosamente su estrategia de staking para optimizar el rendimiento mientras minimizan el riesgo de pérdidas debido a price feeds inexactos. Además, existe un riesgo de slashing asociado con los delegadores, ya que pueden ser penalizados si el feed en el que apuestan produce errores, independientemente del publisher responsable. Esto subraya la importancia de la selección y monitoreo diligente de los price feeds por parte de los delegadores.

Es crucial diferenciar el riesgo de slashing entre delegadores y publicadores dentro de Pyth.
- En caso de un fallo, todos los delegadores que realizan staking en un feed específico enfrentarán penalizaciones, independientemente de cuál publicador fue responsable del precio erróneo, incluso si no realizaron staking en ese publicador en particular.
- Por otro lado, los publicadores solo estarán sujetos a slashing si ellos mismos son directamente responsables del error.
Los delegadores deben navegar un delicado acto de equilibrio al hacer staking. Deben considerar varios factores, como la reputación de los publicadores y la distribución de la influencia entre ellos. Sobrepasar el peso de los publicadores de alta reputación ayuda a garantizar la precisión y confiabilidad de los feeds de precios, mientras también previene que cualquier publicador individual ejerza una influencia desproporcionada. Esta estrategia mitiga el riesgo de que un pequeño número de fallos de publicadores cause un fallo más amplio en el agregado, protegiendo la integridad de la red y minimizando las pérdidas potenciales para todos los interesados.

Desarrolladores
Usando Feeds de Precios de Solana
- Cada feed de precios de Pyth Network se almacena en una cuenta de Solana, y se identifica mediante una clave de cuenta única de Solana. Los desarrolladores necesitan identificar correctamente y emparejar el feed de precios con el ID de feed correspondiente y la clave de cuenta, que se pueden encontrar en la página de IDs de feeds de precios de Pyth.
- Los feeds de precios de Pyth utilizan una representación numérica de punto fijo con un exponente compartido para tanto el precio como el intervalo de confianza. Para obtener la representación entera de estos valores, los desarrolladores pueden multiplicar por 10^exponent.
- Una cosa a considerar es que pueden existir situaciones en las que Pyth no pueda proporcionar un precio actual para un producto. Esto puede ocurrir debido a factores como los horarios de mercado o interrupciones en la red. Pyth tiene salvaguardas integradas para prevenir el uso de precios obsoletos. Los desarrolladores deben asegurar que sus aplicaciones también incorporen estas salvaguardas, como verificaciones de obsolescencia, para evitar usar datos desactualizados inadvertidamente. También es importante entender que los horarios de mercado dependen de la clase de activo. Esto es crucial para asegurar que estás usando datos de precios actualizados basados en los horarios de trading del mercado.
| Asset Class | Opening Hours | Exceptions |
| Crypto | 24/7. | No market close. |
| US Equities | Every weekday from 9:30 a.m. EST to 4:00 p.m. EST. | Markets are closed on weekends, US holidays, and during extraordinary events. |
| FX | From Sunday 5:00 p.m. EST to Friday 5:00 p.m. EST. | Trading continues during most US holidays. |
| Metals | From Sunday 5:00 p.m. EST to Friday 5:00 p.m. EST. | Spot gold and silver trading also follow the CME holiday closures. |
- Los desarrolladores de aplicaciones deben tener en cuenta la diferencia de latencia entre oráculos on-chain como Pyth Network y fuentes de datos off-chain como exchanges centralizados. Aunque Pyth Network está diseñado con baja latencia, ningún oráculo on-chain puede igualar la velocidad de las fuentes off-chain. Como resultado, los equipos técnicos deben considerar un posible modelo de amenaza donde los adversarios puedan ver cambios de precios ligeramente antes que el protocolo. Esto se puede resolver a través de varias implementaciones de diferente naturaleza, como:Configurar Parámetros del Protocolo para Flujos Equilibrados: Equilibrar las pérdidas del smart flow contra las ganancias del two-way flow configurando parámetros del protocolo. Esto se puede hacer implementando un bid/ask spread y liquidez limitada similar a traditional market makers. Esto ayuda a limitar las pérdidas al smart flow mientras aún permite ganancias del two-way flow. También es posible ajustar los parámetros de spread y liquidez para lograr un equilibrio que minimice la adverse selection de smart traders mientras participa efectivamente en el two-way flow.Implementar un Mecanismo de “Last Look”: Proporcionar al protocolo una capacidad de “last look” para decidir qué transacciones aceptar. Por ejemplo, las transacciones pueden dividirse en dos partes: una solicitud y un cumplimiento. En la primera transacción (la solicitud), los usuarios inician una acción o solicitan un trade. En la segunda transacción (el cumplimiento), el protocolo determina si cumplir con la solicitud del usuario basada en el precio observado de Pyth en ese momento. Los integradores pueden implementar un breve retraso entre las dos transacciones para permitir al protocolo tiempo extra para observar cambios de precios. A continuación, las aplicaciones pueden cumplir con la solicitud del usuario al precio de Pyth de la segunda transacción, dándole al protocolo una ventaja inicial en la carrera de latencia.
- Configuración de Parámetros del Protocolo para Flujos Equilibrados: Equilibra las pérdidas del flujo inteligente con las ganancias del flujo bidireccional configurando parámetros del protocolo. Esto se puede hacer implementando un spread de oferta/demanda y liquidez limitada similar a los creadores de mercado tradicionales. Esto ayuda a limitar las pérdidas del flujo inteligente mientras aún permite ganancias del flujo bidireccional. También es posible ajustar los parámetros de spread y liquidez para lograr un equilibrio que minimice la selección adversa de los traders inteligentes mientras participa efectivamente en el flujo bidireccional.
- Implementa un Mecanismo de “Last Look”: Proporciona al protocolo una capacidad de “last look” para decidir qué transacciones aceptar. Por ejemplo, las transacciones pueden dividirse en dos partes: una solicitud y un cumplimiento. En la primera transacción (la solicitud), los usuarios inician una acción o solicitan un intercambio. En la segunda transacción (el cumplimiento), el protocolo determina si cumplir con la solicitud del usuario basada en el precio Pyth observado en ese momento. Los integradores pueden implementar un breve retraso entre las dos transacciones para permitir al protocolo tiempo extra para observar cambios de precio. A continuación, las aplicaciones pueden cumplir con la solicitud del usuario al precio Pyth a partir de la segunda transacción, dando al protocolo una ventaja inicial en la carrera de latencia.
- Dado que Pyth publica tanto precios como intervalos de confianza, los desarrolladores pueden usar los intervalos de confianza para evaluar la incertidumbre de precios y proteger sus aplicaciones contra condiciones de mercado adversas. Una solución es calcular un rango alrededor del precio usando el intervalo de confianza para asegurar una valoración conservadora. Dependiendo del caso de uso, algunas aplicaciones pueden considerar usar el precio de Media Móvil Exponencial (EMA) de Pyth. En general, es importante asegurar que los instrumentos derivados y contratos financieros similares estén diseñados para liquidarse eventualmente incluso si el intervalo de confianza permanece amplio, evitando demoras infinitas. Considere usar el precio de media móvil exponencial (EMA) de Pyth cuando se trate de datos de precios durante un período de tiempo especificado. EMA representa una estimación del precio promedio y reduce la influencia de precios con intervalos de confianza amplios, lo que lo hace adecuado para aplicaciones donde la estabilidad es crítica.El precio agregado proporcionado por Pyth representa la mejor estimación del precio en un punto específico en el tiempo. Puede ser impreciso en casos de intervalos de confianza amplios, pero es el dato más preciso disponible de Pyth para un solo punto en el tiempo.Al prestar dinero o aceptar colateral, considere el intervalo de confianza proporcionado por Pyth. Para ello, puede calcular un rango para el precio verdadero sumando y restando un múltiplo del intervalo de confianza al precio de Pyth. Un múltiplo de 2.12 proporciona una probabilidad del 95% de que el precio verdadero se encuentre dentro de este rango. Entonces, puede usar el límite inferior del rango al originar el préstamo o valorar el colateral para ser conservador y limitar el préstamo cuando los precios son inciertos. De manera similar, cuando el préstamo ha sido emitido o se mantiene el colateral, use el límite superior del rango para ser conservador, previniendo acciones basadas únicamente en el aumento de la incertidumbre de precios.En contratos derivados, las aplicaciones pueden valorar el colateral al precio inferior dentro del rango calculado durante la iniciación del contrato para gestionar el riesgo. De la misma manera, al evaluar límites de margen, se puede usar el precio superior dentro del rango para pecar por exceso de precaución.
- Considere usar el precio de media móvil exponencial (EMA) de Pyth al tratar con datos de precios durante un período de tiempo especificado. La EMA representa una estimación del precio promedio y reduce la influencia de precios con intervalos de confianza amplios, lo que la hace adecuada para aplicaciones donde la estabilidad es crítica.
- El precio agregado proporcionado por Pyth representa la mejor estimación del precio en un punto específico en el tiempo. Puede ser impreciso en casos de intervalos de confianza amplios, pero es el dato más preciso disponible de Pyth para un solo punto en el tiempo.
- Cuando prestes dinero o aceptes colateral, considera el intervalo de confianza proporcionado por Pyth. Para ello, puedes calcular un rango para el precio verdadero sumando y restando un múltiplo del intervalo de confianza al precio de Pyth. Un múltiplo de 2.12 proporciona una probabilidad del 95% de que el precio verdadero se encuentre dentro de este rango. Luego, puedes usar el límite inferior del rango al originar el préstamo o valorar el colateral para ser conservador y limitar el endeudamiento cuando los precios son inciertos. De manera similar, cuando el préstamo ha sido emitido o se mantiene el colateral, usa el límite superior del rango para ser conservador, previniendo acciones basadas únicamente en el aumento de la incertidumbre del precio.
- En los contratos de derivados, las aplicaciones pueden valorar el colateral al precio más bajo dentro del rango calculado durante la iniciación del contrato para gestionar el riesgo. De la misma manera, al evaluar los límites de margen, se puede usar el precio más alto dentro del rango para pecar de cautelosos.
- Configuración de Parámetros del Protocolo para Flujos Equilibrados: Equilibra las pérdidas del flujo inteligente contra las ganancias del flujo bidireccional configurando parámetros del protocolo. Esto se puede hacer implementando un spread de bid/ask y liquidez limitada similar a los creadores de mercado tradicionales. Esto ayuda a limitar las pérdidas al flujo inteligente mientras aún permite ganancias del flujo bidireccional. También es posible ajustar los parámetros de spread y liquidez para lograr un equilibrio que minimice la selección adversa de los traders inteligentes mientras participa efectivamente en el flujo bidireccional.
- Implementar un Mecanismo de “Last Look”: Proporcionar al protocolo una capacidad de “last look” para decidir qué transacciones aceptar. Por ejemplo, las transacciones pueden dividirse en dos partes: una solicitud y un cumplimiento. En la primera transacción (la solicitud), los usuarios inician una acción o solicitan un intercambio. En la segunda transacción (el cumplimiento), el protocolo determina si cumplir con la solicitud del usuario basándose en el precio Pyth observado en ese momento. Los integradores pueden implementar un breve retraso entre las dos transacciones para permitir que el protocolo tenga tiempo extra para observar los cambios de precio. A continuación, las aplicaciones pueden cumplir con la solicitud del usuario al precio Pyth de la segunda transacción, dándole al protocolo una ventaja inicial en la carrera de latencia.
- Considere usar el precio de media móvil exponencial (EMA) de Pyth al tratar con datos de precios durante un período de tiempo especificado. La EMA representa una estimación del precio promedio y reduce la influencia de precios con intervalos de confianza amplios, lo que la hace adecuada para aplicaciones donde la estabilidad es crítica.
- El precio agregado proporcionado por Pyth representa la mejor estimación del precio en un punto específico en el tiempo. Puede ser impreciso en casos de intervalos de confianza amplios, pero es el dato más preciso disponible de Pyth para un solo punto en el tiempo.
- Al prestar dinero o aceptar colateral, considera el intervalo de confianza proporcionado por Pyth. Para ello, puedes calcular un rango para el precio verdadero sumando y restando un múltiplo del intervalo de confianza al precio de Pyth. Un múltiplo de 2.12 proporciona una probabilidad del 95% de que el precio verdadero se encuentre dentro de este rango. Puedes usar entonces el límite inferior del rango al originar el préstamo o valorar el colateral para ser conservador y limitar el endeudamiento cuando los precios son inciertos. De manera similar, cuando el préstamo ha sido emitido o se mantiene el colateral, usa el límite superior del rango para ser conservador, previniendo acciones basadas únicamente en el aumento de la incertidumbre del precio.
- En contratos de derivados, las aplicaciones pueden valorar el colateral al precio más bajo dentro del rango calculado durante la iniciación del contrato para gestionar el riesgo. De la misma manera, al evaluar los límites de margen, se puede usar el precio más alto dentro del rango para pecar por exceso de precaución.
Pyth en Solana proporciona un SDK para programas en cadena de Solana. Esto se puede usar para consumir precios de Pyth dentro de programas de Solana escritos en Rust.
- SDK de Pyth para Solana: pyth-sdk-solana crate
- Programas de ejemplo: Un programa que usa solo el SDK básico de SolanaUn programa Anchor
Los feeds de precios disponibles en cada red de Solana se enumeran en las siguientes páginas:
Usando los Price Feeds de Pythnet
El modelo de actualización de precios “pull” de Pythnet ofrece flexibilidad a los usuarios que son responsables de publicar actualizaciones de precios on-chain cuando sea necesario.
Para integrar de manera efectiva los feeds de precios de Pythnet en aplicaciones, los desarrolladores deben seguir las siguientes pautas clave:
- Integración en Programas On-Chain: Los programas on-chain deben leer los datos de precios directamente del programa Pyth desplegado en la misma blockchain. Esto asegura que sus contratos inteligentes y lógica on-chain tengan acceso a los feeds de precios de Pythnet en tiempo real.
- Integración en Frontends y Jobs Off-Chain: Para aplicaciones off-chain, incluyendo frontends y jobs en segundo plano, es esencial incorporar las actualizaciones de precios de Pyth en sus transacciones y procesamiento de datos. Para ello, los equipos de desarrollo necesitan asegurar que su código off-chain pueda acceder y utilizar los datos de precios de Pyth junto con o dentro de sus transacciones específicas de la aplicación.
- SDKs Específicos del Ecosistema de Pyth: Pyth proporciona SDKs específicos del ecosistema para agilizar el proceso de integración tanto para componentes on-chain como off-chain. Estos SDKs están diseñados para trabajar de manera fluida dentro de sus respectivos ecosistemas.
- Preparación y Mejores Prácticas: Antes de sumergirse en la integración del SDK, los desarrolladores deben familiarizarse con la representación de los feeds de precios de Pyth y las mejores prácticas. Comprender cómo funcionan los feeds de precios de Pyth y seguir las prácticas recomendadas asegura que utilice los precios de Pythnet de manera segura y precisa en su aplicación.
- Seleccionando el SDK Correcto: Elija el SDK de Pyth que se alinee con su ecosistema de blockchain específico. Pyth ofrece diferentes SDK para soportar diversas redes de blockchain, facilitando la integración de los feeds de precios de Pythnet en su aplicación.Pyth en EVM.Pyth en Aptos.Pyth en CosmWasm.Pyth en Sui.Pyth en BAS Chains.Pyth para Aplicaciones Off-chain.
Actualizaciones Pull de Pythnet
Pyth Network opera en un modelo de actualización de precios de “pull”, que difiere del modelo de “push” más común utilizado por muchos otros oráculos. El modelo de actualización de precios de “pull” de Pythnet ofrece flexibilidad a los usuarios que son responsables de publicar actualizaciones de precios on-chain cuando sea necesario.
El modelo pull de Pyth Network se basa en sus usuarios para crear y enviar actualizaciones de precios, que luego se autentican y verifican para su uso on-chain. Este enfoque fomenta la descentralización y permite a los usuarios actualizar y usar precios de manera eficiente y sin permisos. Sin embargo, es importante asegurar que las actualizaciones de precios enviadas estén actualizadas para lograr precisión en las aplicaciones downstream.
- Modelo Push vs. Pull: La mayoría de los oráculos tradicionales siguen un modelo “push” donde tienen un proceso off-chain que envía continuamente transacciones para actualizar precios on-chain. En contraste, Pyth Network no emplea tal proceso off-chain. En su lugar, se basa en los usuarios de Pyth Network para crear y enviar actualizaciones de precios.
- Delegación del Trabajo de Actualización de Precios: En Pyth Network, la responsabilidad de generar y enviar actualizaciones de precios se delega a sus usuarios. Estas actualizaciones se inician en Pythnet y se transmiten off-chain a través de Wormhole Network, un protocolo de mensajería cross-chain.
- Autenticación y Verificación: Para asegurar la autenticidad de las actualizaciones de precios, se firman antes de ser transmitidas off-chain. El programa Pyth on-chain puede verificar estas firmas para confirmar la validez de las actualizaciones.
- Actualizaciones de precios sin permisos: Actualizar el precio en cadena en Pyth Network es una operación sin permisos. Cualquiera puede enviar un mensaje de actualización verificado al contrato de Pyth para actualizar el precio. Este enfoque descentralizado permite una amplia participación.
- Transacciones atómicas: Los usuarios de los precios de Pyth Network típicamente envían una sola transacción que realiza dos tareas simultáneamente. Primero, esto actualiza el precio y, en segundo lugar, permite usar el precio en una aplicación downstream. Esto agiliza el proceso y asegura consistencia entre el precio actualizado y su uso.
- Movimiento Progresivo de los Precios: En Pyth Network, los precios on-chain solo pueden avanzar hacia adelante en el tiempo. Si un usuario envía un mensaje Wormhole con un precio menos reciente, el programa Pyth no fallará, pero tampoco actualizará el precio. Esto significa que no hay garantía de que el precio leído por una aplicación impulsada por Pyth sea el precio exacto enviado por el usuario si no es el más reciente.
Métricas de Publicadores
Pyth ofrece Métricas de Publicadores en un tablero público que proporciona información sobre el rendimiento de los publicadores de datos. Los desarrolladores obtienen una visión detallada del rendimiento de los datos de Pyth y los historiales de los publicadores, mientras que los publicadores se benefician de nuevas capacidades de análisis y monitoreo.

Las Publisher Metrics ofrecen información crítica para la toma de decisiones informadas dentro de la red, beneficiando a publicadores, usuarios finales y delegadores. Las métricas incluyen uptime, price-quality y precisión del intervalo de confianza, alineándose con los factores que determinan la puntuación y recompensas de los publicadores. Los usuarios pueden acceder a las métricas a través de la página de Pyth Markets, analizando gráficos para comparación de precios, uptime, calidad de datos y calibración a la distribución esperada.

La página de Métricas del Editor para cada editor muestra varios gráficos reveladores, cada uno de los cuales se detalla a continuación.
El gráfico de precios muestra cómo el precio de un editor se compara con el precio agregado, ilustrando cuán de cerca se siguen mutuamente los dos precios, y si hubo algún período en el que el editor se desvió significativamente del resto del mercado.

El gráfico de tiempo de actividad muestra cuándo el publicador estaba contribuyendo activamente con precios. El eje x subdivide el intervalo de tiempo en bins, y el eje y es el % de slots en ese bin donde el precio del publicador fue lo suficientemente reciente para ser incluido en el agregado. Este gráfico te permite determinar la regularidad y confiabilidad de un publicador.

El gráfico de calidad muestra el conjunto de datos utilizado en el modelo de regresión para calcular la puntuación de calidad descrita en el whitepaper. Mide qué tan bien la serie de precios de un editor predice los cambios futuros en el precio agregado. Un gradiente de color suave (de azul en la esquina inferior izquierda a rosa en la esquina superior derecha) indica una puntuación de calidad alta.

El gráfico de calibración muestra cuán estrechamente los precios y las confidencias del publicador coinciden con la distribución de Laplace esperada. Cuanto más ajustado sea el ajuste entre las dos distribuciones, mayor será la calibration score. Un publicador perfecto debería producir un histograma uniforme. Nótese que la calibration score no recompensa a los publicadores por producir intervalos de confianza más ajustados; en cambio, la puntuación captura si el intervalo de confianza reportado corresponde a la “verdadera” confianza del publicador.

Modelo de Negocio
El modelo de negocio de Pyth Network gira en torno a generar ingresos a través de tarifas de datos y aprovechando su token nativo, $PYTH, para mejorar sus operaciones y estructura de incentivos.
- Editores pueden hacer stake de $PYTH para participar en el protocolo y ganar una parte de las tarifas de datos. Esto los incentiva a proporcionar datos de precios precisos y oportunos, ya que su stake corre el riesgo de ser slashado en caso de mal comportamiento.
- Consumidores pueden utilizar $PYTH para pagar tarifas de datos al acceder a feeds de precios. Esto crea una demanda para tokens $PYTH dentro del ecosistema.
- Delegadores tienen la oportunidad de hacer stake de $PYTH en feeds de precios específicos y ganar una parte de las tarifas de datos. Similar a los publicadores, los delegadores corren el riesgo de perder su stake si apoyan datos incorrectos.
En casos de mal comportamiento, como proporcionar datos incorrectos, los tokens $PYTH apostados se utilizarán para compensar a los consumidores afectados. Esto asegura la responsabilidad y motiva a todos los participantes a mantener la integridad de los datos.
Desglose de Comisiones
Pyth permite la activación opcional de tarifas de datos para actualizar los feeds de precios on-chain. La gobernanza en cada blockchain determina la existencia y el tamaño de estas tarifas.
Las tarifas recaudadas por el protocolo se utilizan para compensar a los proveedores de datos y pueden servir para otros propósitos determinados por la gobernanza. Además, una porción de estas tarifas puede servir para otros propósitos según lo determine la estructura de gobernanza de la red. Esto asegura que los proveedores de datos estén incentivados para continuar suministrando datos precisos y oportunos, cruciales para la confiabilidad y la confianza de la red.
Cuando los protocolos integrados con Pyth requieren una actualización de precio en cadena, los consumidores deben pagar una tarifa de actualización. Estas tarifas se cobran en el token nativo de la cadena de bloques objetivo y son necesarias para invocar la operación de actualización de precio en un contrato receptor de Pyth. La decisión de imponer tales tarifas y su tamaño son decisiones de gobernanza, que reflejan las necesidades operativas y las dinámicas económicas de cada cadena de bloques donde opera Pyth.
Cuando los protocolos integrados con Pyth requieren una actualización de precio en cadena, los consumidores deben pagar una tarifa de actualización. Estas tarifas se cobran en el token nativo de la cadena de bloques objetivo y son necesarias para invocar la operación de actualización de precio en un contrato receptor de Pyth. La decisión de imponer tales tarifas y su tamaño son decisiones de gobernanza, que reflejan las necesidades operativas y las dinámicas económicas de cada cadena de bloques donde opera Pyth.
Además de la recolección de tarifas, la Pyth Network tiene un sistema stake-weight que influye en el impacto de cada publicador en el precio agregado. Los delegadores pueden stake tokens para ganar una porción de las data fees. De las tarifas recolectadas, el 80% se distribuye a los delegadores mientras que el 20% restante se asigna a un reward pool compartido entre los publicadores. Esta ratio de distribución puede ajustarse a través de decisiones de governance.
Las stakes de los delegadores pueden ser slashed si se detectan discrepancias entre el aggregate price publicado y los reference prices durante el claim interval. Las claims exitosas llevan a la identificación y penalización de los at-fault publishers, con stakes redistribuidas compensando a los affected consumers.
Tokenomics
La oferta total de tokens $PYTH es 10,000,000,000, con el 85% inicialmente bloqueado y configurado para desbloquearse gradualmente durante 6, 18, 30 y 42 meses después del lanzamiento del token. El 15% restante de tokens están inicialmente desbloqueados. La asignación de tokens incluye categorías como Recompensas para Publicadores, Crecimiento del Ecosistema, Desarrollo del Protocolo, Comunidad y Ventas Privadas.
Distribución de Tokens
El suministro total es de 10,000,000,000 $PYTH y no aumentará. En el inicio del lanzamiento del token $PYTH en noviembre de 2023, el 15% del suministro total, equivalente a 1.5 mil millones de tokens $PYTH, estaba circulando inmediatamente dentro del ecosistema. Estos tokens desbloqueados tenían como objetivo facilitar las actividades tempranas de la red y recompensar a los participantes que contribuyeron activamente al desarrollo y crecimiento de la Pyth Network.

Al inicio del lanzamiento del token $PYTH en noviembre de 2023, el 15% del suministro total, equivalente a 1.5 mil millones de tokens $PYTH, estaba circulando inmediatamente dentro del ecosistema. Estos tokens desbloqueados estaban destinados a facilitar las actividades iniciales de la red y recompensar a los participantes que contribuyeron activamente al desarrollo y crecimiento de la Pyth Network.
Las Recompensas para Publicadores, que comprenden el 22% del suministro total, incentivan a los proveedores de datos a publicar datos de alta calidad y oportunos. La asignación de Crecimiento del Ecosistema, la más sustancial con un 52%, está diseñada para catalizar diversas iniciativas en toda la red, desde la financiación de investigación y desarrollo hasta el fortalecimiento de programas educativos. El Desarrollo del Protocolo, que representa el 10%, está reservado para herramientas de oracle y mejoras en la infraestructura.
El segmento de Comunidad y Lanzamiento, que constituye el 6% del total de tokens, asegura el compromiso inmediato y actividades de soporte de la red desde el lanzamiento. Finalmente, el 10% de los tokens se asigna a contribuyentes estratégicos a través de Ventas Privadas, con el objetivo de asegurar soporte asesor y de infraestructura a largo plazo para la red.
El Retrospective Airdrop de Pyth Network fue un programa diseñado para distribuir tokens $PYTH a aquellos que habían interactuado de manera significativa con los servicios de la red y la comunidad DeFi más amplia. La iniciativa reconoció a usuarios que interactuaron con dApps impulsadas por datos de Pyth, que poseían NFTs específicos relacionados con la red, o que desempeñaron roles activos en la comunidad de Discord de Pyth. El airdrop alcanzó a participantes en 27 blockchains diferentes y fue una de las iniciativas más grandes de su tipo en términos de alcance cross-chain, involucrando más de 90,000 wallets.
Comenzando el 20 de noviembre de 2023 y concluyendo el 20 de febrero de 2024, el proceso de reclamo se estructuró para garantizar una distribución equitativa de tokens basada en contribuciones e interacciones pasadas dentro del ecosistema. Los tokens $PYTH se asignaron en alineación con la estructura de gobernanza de la red. Como tokens estándar de la Solana Program Library (SPL) nativos de la blockchain de Solana, los tokens $PYTH se integraron fácilmente en las billeteras de los destinatarios dentro de ese ecosistema.
Cronograma de Suministro

La liberación de tokens $PYTH está diseñada para ser gradual, apoyando diferentes fases del crecimiento de la red. El calendario demuestra un plan de distribución que permite un uso inmediato en proyectos impulsados por la comunidad, mientras que la mayoría del suministro está programado para ser liberado a lo largo de una serie de fases que abarcan hasta 42 meses después del lanzamiento inicial.
El cronograma de bloqueo muestra una asignación inmediata para la comunidad y actividades de lanzamiento inicial para estimular el uso temprano y la gobernanza de la red. Niveles secuenciales, destinados a recompensas para editores, crecimiento del ecosistema, desarrollo del protocolo y ventas privadas estratégicas, se desbloquean progresivamente. Este enfoque por fases está destinado a sostener el desarrollo continuo de la red y a prevenir que una inundación de tokens abrume el mercado prematuramente.
El modelo de distribución incorpora una estrategia para fomentar la provisión de datos para productos más nuevos o menos populares. Reconoce el desafío de incentivar a los proveedores de datos a apoyar productos que aún no generan tarifas de datos, un problema común en las economías de plataformas conocido como el “cold-start problem.” Para contrarrestar esto, el protocolo puede ofrecer incentivos adicionales a los editores tempranos, tomados de un pool predeterminado de tokens reservado para este propósito.
La gobernanza juega un papel crítico en la habilitación de reclamos para un producto una vez que ha alcanzado un nivel robusto de participación de editores. El mecanismo a través del cual se pagan las tarifas de datos para productos que aún no están abiertos para reclamos sirve como una señal adicional para la red.
$PYTH Staking
Con el lanzamiento de la mainnet de la Pyth Network el 20 de noviembre de 2023, los titulares de tokens $PYTH ahora tienen la oportunidad de participar en la gobernanza de la red a través del staking. El staking implica bloquear tokens $PYTH en el programa oficial de staking, lo que otorga a los titulares poder de voto en las decisiones de gobernanza.
El staking de tokens $PYTH es necesario para participar en el proceso de gobernanza on-chain de la Pyth Network. Las decisiones de gobernanza incluyen determinar estructuras de recompensas para proveedores de datos, establecer tarifas de oráculos y elegir qué feeds de datos y proveedores se listan en la red.
Para hacer stake de tokens $PYTH, los holders deben visitar el sitio web oficial de staking. El sitio web proporciona una interfaz de usuario que guía a los usuarios a través del proceso de staking:
- Stake: Depositando tokens $PYTH en el programa de staking se inicia un período de warm-up. Los tokens se vuelven elegibles para votación al inicio de la próxima época, que ocurre todos los jueves a las 00:00 UTC.
- Desestacado: Retirar tokens $PYTH del programa de staking causa una pérdida de derechos de voto e inicia un período de cooldown de una época.
- Retirar: Después del período de cooldown, los tokens pueden ser transferidos de vuelta a la billetera SPL del titular.
Pasos Detallados
- Iniciando el Staking: Accede a la pestaña “STAKE” en el sitio web de staking, ingresa la cantidad deseada de Tokens $PYTH y confirma la transacción a través de tu billetera.
- Seguimiento de Tokens Apostados: La interfaz de staking muestra la cantidad de tokens apostados y su elegibilidad para votar. Los tokens apostados aparecerán con un estado pendiente hasta que comience la próxima época.
- Iniciando el Desapostado: Para desapostar, selecciona la pestaña “UNSTAKE”, especifica la cantidad y confirma la transacción. Los tokens entrarán entonces en un período de enfriamiento.
- Retirando Tokens: Una vez completado el período de enfriamiento, los tokens están listos para su retiro. Navegue a la pestaña “WITHDRAW”, ingrese la cantidad de Tokens $PYTH a retirar y confirme la transacción para devolver los tokens a su billetera SPL.
Para obtener asistencia o si encuentra problemas, los titulares pueden contactar al soporte a través de los canales de Pyth Network en Telegram o Discord.
Gobernanza
La gobernanza on-chain es responsable de determinar las tarifas de actualización, la distribución de recompensas para editores, actualizaciones de software, listados de productos y permisos de editores.
La gobernanza de Pyth Network está impulsada por su token nativo, $PYTH, que permite a los titulares de tokens participar en la toma de decisiones a través de staking.
Para participar en actividades de gobernanza, los titulares de tokens $PYTH deben hacer staking de sus tokens. Esta acción les permite votar en propuestas dentro del Pyth DAO (Organización Autónoma Descentralizada). El sistema de votación opera bajo un principio simple y directo donde cada token en staking equivale a un voto, asegurando que la voz de cada participante sea proporcional a su stake.
Los titulares del token PYTH que hayan apostado al menos el 0.25% del suministro total son elegibles para proponer acciones de gobernanza. Este umbral inclusivo permite que un amplio rango de miembros de la comunidad contribuya activamente a la evolución de la red.
Cuando se presenta una propuesta, entra en un período de votación de 7 días. Para que una propuesta sea aceptada, debe obtener más votos afirmativos que negativos y cumplir con el Cuórum de Aprobación, que es un porcentaje predefinido de votos sí en relación con los tokens apostados al inicio de la votación. Este cuórum asegura que una porción significativa de los participantes en la gobernanza consienta la decisión.
Una vez que una propuesta es aprobada, sus acciones on-chain correspondientes se ejecutan automáticamente. Estas pueden afectar varias funciones de la red, como:
- Establecer y ajustar las tarifas de actualización para price feeds.
- Cambiar cómo se distribuyen las recompensas a quienes publican datos.
- Implementando actualizaciones de software a los programas on-chain de la red.
- Especificar detalles para los feeds de precios listados, incluyendo precisión y fuentes de referencia.
- Aprobar editores para suministrar datos para feeds de precios.
El rango de problemas que pueden ser abordados por las propuestas de los titulares del token PYTH es adaptable. El Pyth DAO puede ampliar el alcance de la gobernanza según sea necesario para ajustarse a los requisitos en desarrollo de la red y sus participantes.
Riesgos
Precisión de los Datos
Aunque Pyth obtiene sus datos de colaboradores directos, los errores aún pueden ocurrir. Esto podría deberse a errores humanos o problemas técnicos, afectando la precisión de los datos que proporciona Pyth. Un ejemplo de esto fue la significativa discrepancia de precio en el feed de precios de $BTC debido a errores de los editores en septiembre de 2021. Se han realizado esfuerzos de remediación desde entonces, pero existe el potencial para ocurrencias similares.
Manipulación del Mercado
A pesar de las salvaguardas, aún existe el riesgo de que alguien intente manipular los datos de mercado que Pyth distribuye. Esto podría hacerse influenciando o atacando a los proveedores de datos mismos.
Problemas Técnicos
El rendimiento de la Pyth Network puede verse afectado por problemas técnicos como congestión de red, latencia introducida por protocolos de mensajería cross-chain, o interrupciones en blockchains subyacentes. Estos podrían retrasar la actualización oportuna de los feeds de precios, potencialmente afectando las operaciones financieras de protocolos DeFi que dependen de Pyth.
Transferencia de Datos Cross-Chain
Pyth opera a través de diferentes blockchains, lo que añade complejidad y posibles retrasos en la actualización de precios debido a la dependencia de mensajería cross-chain. La integración con Wormhole y la latencia de la transferencia de datos cross-chain presentan desafíos para mantener actualizaciones de precios de baja latencia, esenciales para el funcionamiento eficiente de los protocolos financieros.
Dependencia de las Tarifas de Usuario
El modelo pull-based de Pyth Network depende de que los consumidores soliciten y paguen por actualizaciones de precios on-chain. La variabilidad en la demanda de los consumidores y las tarifas asociadas podría impactar el modelo económico de la red, su tasa de adopción y la estructura de incentivos para publicadores y consumidores.
Riesgos de Slashing
Pyth utiliza un mecanismo de slashing para penalizar los informes inexactos, lo que crea un riesgo de pérdida financiera para los publishers y delegadores. Aunque esto incentiva la provisión de datos precisos, también expone a los participantes a posibles sanciones financieras, impactando su disposición a contribuir a la red.
Competencia
El mercado de oráculos es competitivo, con otros servicios como Chainlink que ofrecen productos similares. Pyth necesita innovar continuamente para mantener su posición y atraer usuarios.
Al abordar estos problemas de manera proactiva, Pyth puede convertirse en un proveedor confiable de datos de blockchain, apoyando una amplia gama de aplicaciones financieras en el espacio DeFi.
Manipulación de Precios de Oráculos
Los desafíos como posibles ataques de manipulación de precios son abordados por los mecanismos de agregación de precios y gobernanza. Por ejemplo, se imponen limitaciones estrictas en la influencia de los editores sobre el precio agregado para proteger contra la manipulación. La comunidad también juega un papel crucial en la definición de cómo los editores pueden usar el protocolo, potencialmente restringiendo la participación a entidades reputadas y confiables. Además, la diversidad de editores, cada uno obteniendo datos de diferentes exchanges, mitiga el riesgo de que los esfuerzos de manipulación de precios afecten el precio general de Pyth.
Seguridad
El mecanismo de agregación de precios asegura resistencia a la manipulación, pondera adecuadamente las fuentes de datos y refleja las variaciones de precios entre editores.
Auditorías
Pyth Network ha pasado por una serie de auditorías de seguridad realizadas por diversas organizaciones para garantizar la robustez y confiabilidad de sus sistemas. A continuación, se presenta un resumen cronológico de las principales auditorías de seguridad realizadas:
- Zellic – 15 de abril de 2022: Realizó una Evaluación de Seguridad de Contratos Inteligentes para Pyth Oracle.
- Zellic – 27 de abril de 2022: Examinó Pyth2Wormhole en una Evaluación de Seguridad de Contratos Inteligentes.
- Zellic – 16 de mayo de 2022: Revisó Pyth Governance a través de una Evaluación de Seguridad de Contratos Inteligentes.
- OtterSec – 8 de julio de 2022: Realizó una auditoría en Pyth Oracle.
- OtterSec – 8 de julio de 2022: Auditó Pyth Governance.
- Zellic – 1 de noviembre de 2022: Evaluó Pyth Cross-chain en una Evaluación de Seguridad de Contratos Inteligentes.
- OtterSec – 10 de octubre de 2022: Auditó Pyth Aptos.
- CertiK – 30 de noviembre de 2022: Se verificó la Evaluación de Seguridad de Pyth-client.
- CertiK – 13 de diciembre de 2022: Verificó la seguridad para pyth2wormhole Governance.
- CertiK – 13 de diciembre de 2022: Realizó una Evaluación de Seguridad para pyth2wormhole en Solana.
- CertiK – 23 de febrero de 2023: Se proporcionó una Evaluación de Seguridad para pyth2wormhole en Ethereum.
- Zellic – 14 de marzo de 2023: Se realizó una Evaluación de Seguridad de Contratos Inteligentes para Pyth Network.
- OtterSec – 7 de julio de 2023: Realizó una Evaluación de Seguridad de Contratos Inteligentes en Pyth Sui.
- Zellic – 24 de julio de 2023: Proporcionó una Revisión de Parches de Contratos Inteligentes para Pyth Network.
- Trail of Bits – 31 de julio de 2023: Se realizó una evaluación de seguridad en el Pyth Data Association Pythnet.
Recompensas
La Pyth Network está ofreciendo un programa sustancial de recompensas por vulnerabilidades dirigido a mejorar la seguridad de sus datos de mercado en cadena en tiempo real. Se anima a los hackers de sombrero blanco a participar, con recompensas potenciales de hasta $500,000 USDC para vulnerabilidades críticas y hasta $100,000 USDC para problemas de alta severidad.
Los participantes están invitados a explorar varios componentes clave de la Pyth Network, incluyendo el Pyth Oracle, Pyth Cross-chain contracts en plataformas como Ethereum, Aptos, Sui y CosmWasm, y el Pyth Governance sistemas. Detalles y acceso al código se pueden encontrar en sus respectivos repositorios de GitHub.
Para calificar para una recompensa, las presentaciones deben incluir un informe completo que detalle la vulnerabilidad, completo con pasos y datos necesarios para reproducir el bug, y una proof-of-concept. Es importante notar que los problemas ya conocidos por el equipo, o aquellos que involucran código no desplegado, se consideran out-of-scope. Adicionalmente, el personal de Pyth, auditores, contratistas y aquellos con información privilegiada no son elegibles para recompensas.
Las pruebas deben realizarse de manera responsable sin usar redes públicas o mainnets, y los participantes deben abstenerse de divulgar públicamente vulnerabilidades antes de un levantamiento oficial del embargo. El programa prohíbe estrictamente phishing, social engineering, denial of service attacks y cualquier actividad ilegal.
Ejemplos de problemas críticos incluyen la capacidad de manipular precios de oráculos, la asunción no autorizada del control de contratos, o la pérdida y robo de fondos. Los errores asociados con dependencias de terceros se considerarán caso por caso, dependiendo del impacto en el ecosistema de Pyth y si la dependencia tiene su propio programa de bounty.
Tras la identificación exitosa de un error, los reporteros deberán cumplir con los requisitos de KYC, que incluyen proporcionar una dirección de billetera, prueba de domicilio y documentos de identificación, como un pasaporte. Las personas de EE.UU. deberán presentar un formulario W-9 completado, y las personas no de EE.UU. un formulario W-8BEN.
La Pyth Data Association mantiene plena discreción sobre el pago de vulnerabilidades reportadas, enfatizando la naturaleza caso por caso de las decisiones de recompensa y asegurando la confidencialidad de todos los datos personales recopilados a través del proceso de KYC. Este programa es una parte significativa del compromiso de Pyth para mantener los más altos estándares de seguridad dentro de su red.
Vectores de Ataque Económicos
La Red Pyth enfrenta vectores de ataque económico potenciales principalmente relacionados con la integridad y precisión de los datos de precios que proporciona. Aquí están las áreas clave de preocupación y las medidas que Pyth ha implementado para mitigar estos riesgos:
Riesgo de Manipulación de Oráculos: Pyth podría ser susceptible a la manipulación de datos si editores deshonestos envían intencionalmente datos de precios inexactos. Sin embargo, Pyth combate esto obteniendo datos de múltiples editores de primera parte reputados. Esta diversidad en las fuentes de datos ayuda a diluir la capacidad de un solo editor para sesgar significativamente los datos generales.
Riesgo de Front-Running: Debido a la naturaleza en tiempo real de los datos que proporciona Pyth, existe un riesgo de que individuos con acceso avanzado a las actualizaciones de datos puedan participar en front-running. Pyth minimiza este riesgo asegurando una diseminación rápida de las actualizaciones de datos a través de su red, reduciendo así la ventana de oportunidad para posibles front-runners.
Colusión Entre Editores: Aunque teóricamente posible, el riesgo de colusión se mitiga por el gran número de editores de datos independientes dentro de la red, cada uno de los cuales incurriría en una penalización significativa por comportamiento deshonesto, no solo en términos de daño reputacional sino también en posibles penalizaciones financieras a través de los mecanismos de staking y slashing de Pyth.
Selección Adversarial y Latencia: Pyth Network permite a los usuarios seleccionar precios para transacciones dentro de ciertas restricciones, similar a experimentar efectos de latencia. Esta función puede ser explotada si los usuarios utilizan selectivamente precios desactualizados a su ventaja. Para mitigar esto, Pyth implementa verificaciones estrictas de obsolescencia, asegurando que solo se utilicen precios recientes para las transacciones. Esto minimiza la ventana para explotar discrepancias de latencia de precios entre actualizaciones on-chain y movimientos de mercado off-chain más rápidos.
Manipulación de Precios a través de Intervalos de Confianza: La estructura de los feeds de precios de Pyth, incluyendo el reporte de intervalos de confianza, inherentemente protege contra manipulaciones simples de precios. La agregación de múltiples fuentes de datos diluye el impacto de cualquier entrada sesgada individual. Sin embargo, durante periodos de alta volatilidad o divergencia en las opiniones del mercado, el precio agregado aún puede estar sujeto a manipulación si un grupo de proveedores de datos coordina sus entradas. Los protocolos pueden defenderse contra esto utilizando los límites inferiores de los intervalos de confianza para operaciones financieras críticas, adoptando así una postura conservadora en la valoración de activos.
Resistencia a Ataques Sybil: En un ataque Sybil, un atacante podría crear múltiples identidades falsas para influir en la red. El requisito de Pyth de que los editores apuesten tokens $PYTH, que podrían ser recortados en caso de comportamiento deshonesto, ayuda a proteger contra tales ataques al agregar un costo financiero para crear múltiples identidades.
Asegurando Feeds de Precios Confiables: Para proteger aún más contra la manipulación de precios, Pyth emplea técnicas estadísticas avanzadas para agregar múltiples entradas de datos en un feed de precios robusto único. Este proceso de agregación incluye verificaciones y equilibrios que descartan valores atípicos y envíos excesivamente volátiles, asegurando que los feeds de precios publicados sean un reflejo verdadero del mercado.
Dependencias y Controles de Acceso
Pyth Network se basa en un mecanismo de oráculo sofisticado para agregar y distribuir datos de mercados financieros a través de varias plataformas de blockchain. Sin embargo, esta dependencia de fuentes de datos externas y la infraestructura de oráculos introduce ciertos riesgos y desafíos:
Fiabilidad de la Fuente y Riesgos de Manipulación: Pyth agrega datos de múltiples editores de primera mano que incluyen firmas comerciales importantes y exchanges. Esta diversidad ayuda a mitigar riesgos asociados con la manipulación de datos o fallos de fuente. Sin embargo, la integridad y precisión de los datos son cruciales, ya que la manipulación a nivel de fuente puede propagarse a través de la red, afectando todas las aplicaciones dependientes.
Dependencia de Infraestructura: La operación de la red Pyth depende en gran medida de su infraestructura fuera de cadena y en cadena. Fuera de cadena, los datos se recolectan y procesan inicialmente; en cadena, se agregan y ponen a disposición de los consumidores. Cualquier interrupción en estos sistemas, ya sea debido a fallos técnicos, ciberataques o dependencias externas (como servicios en la nube o problemas de conectividad a internet), podría impactar la disponibilidad y oportunidad de los feeds de datos.
Tiempos de inactividad del sistema y actualizaciones: Las actualizaciones regulares y el mantenimiento son necesarios para garantizar que el oráculo permanezca seguro y funcional. Sin embargo, estas actividades pueden llevar a tiempos de inactividad temporales o problemas imprevistos posteriores a la actualización, durante los cuales las fuentes de datos podrían no estar disponibles o podrían funcionar de manera subóptima.
Salvaguardas contra datos obsoletos: Dado el carácter crítico de los datos oportunos y precisos para las operaciones DeFi, Pyth implementa mecanismos para prevenir el uso de datos obsoletos. Los SDK proporcionados por Pyth incluyen verificaciones predeterminadas que rechazan consultas de datos si los datos son más antiguos que un umbral preestablecido, que puede ajustarse según las necesidades específicas de diferentes protocolos.
Manejo de Escenarios de Alta Latencia: A pesar del diseño de baja latencia de Pyth, existe un retraso inherente en la transmisión de datos en cadena en comparación con los movimientos del mercado en tiempo real. Esto puede crear ventanas de oportunidad para el arbitraje que explota estos retrasos. Los protocolos que integran datos de Pyth necesitan diseñar sus sistemas considerando estos aspectos de latencia para minimizar los riesgos asociados con movimientos rápidos de precios en los mercados subyacentes.
Pyth emplea múltiples fuentes de datos para reducir la dependencia de cualquier proveedor único y ha construido una reputación por proporcionar datos de mercado seguros, oportunos y precisos a las aplicaciones descentralizadas.
Equipo
Algunos del personal clave en Douro Labs que impulsan la Pyth Network hacia adelante incluyen:
- Michael Cahill – Cofundador y CEO de Douro Labs
- Jayant Krishnamurthy – Co-Fundador & CTO de Douro Labs
- Ciaran Cronin– Co-Fundador y COO de Douro Labs
- Harnaik Kalirai – Jefe de Integración en Douro Labs
- Abhimanyu Bansal – Jefe de Alianzas en Douro Labs
- Alexandre Lemos – Jefe de RRHH en Douro Labs
La Pyth Data Association tiene una serie de contribuyentes que fortalecen las capacidades de la red:
- Marc Tillemet – Contribuidor
- Edward Zuo – Contribuidor
- Mario Bernardi – Colaborador
- Burak Saglamm – Contribuidor
- Yanis Kheddouci – Contribuidor
- Ande Zheng – Contribuidor
- Giulio Alessio – Colaborador
- Pierre Tillemet – Gestión de Comunidad y Contenido
- Tyrone van der Ley – Gestión de la Comunidad
Douro Labs
Douro Labs es una empresa de infraestructura blockchain concentrada en la mejora y expansión de los servicios de oráculos y ofertas de datos de la Pyth Network. Su trabajo incluye el desarrollo de herramientas de oráculos e infraestructura Web3 para facilitar el acceso a datos de mercado en vivo para ecosistemas blockchain.
Los objetivos de la empresa son los siguientes:
- Desarrollo de Herramientas de Oráculos: Crear herramientas que mejoren el funcionamiento y la fiabilidad de los servicios de oráculos de Pyth Network.
- Expansión de Productos: Desarrollando nuevos productos para diversificar el portafolio de servicios de datos de Pyth Network.
- Innovación en Infraestructura: Actualizando la infraestructura de soporte para satisfacer las crecientes demandas del sector DeFi.
- Misión: Centrándonos en la innovación para proporcionar al espacio blockchain datos de mercado oportunos y previamente inaccesibles.
El equipo de Douro Labs está compuesto por profesionales con antecedentes de instituciones establecidas como Goldman Sachs, BNP Paribas, Amazon Web Services, Jump Crypto y Chorus One, lo que indica una sólida base para impulsar las iniciativas de Pyth Network.
Douro Labs ha sido fundamental en la implementación de la Perseus Upgrade para el Pyth Network, que mejoró la funcionalidad de los Pyth Price Feeds. Esto formó parte de la transición de la red hacia un permissionless mainnet y el establecimiento de on-chain governance para dirigir el desarrollo futuro del protocolo.
Pyth Data Association
La Pyth Data Association es una organización con sede en Suiza establecida por contribuyentes de la Pyth Network. Su rol principal es fomentar el avance de la red impulsando el desarrollo tecnológico, promoviendo la conciencia y estimulando el crecimiento del ecosistema a través de un programa de subvenciones.
La asociación se centra en la aplicación de la Pyth Network tal como se describe en su libro blanco, con el objetivo de llevar datos de mercado en tiempo real, tradicionalmente retenidos por instituciones financieras centralizadas, a la blockchain. Esta iniciativa forma parte de un impulso más amplio hacia las finanzas descentralizadas.
En términos de gobernanza, la introducción de tokens de gobernanza $PYTH por parte de la Pyth Network es un paso hacia la descentralización del proceso de toma de decisiones dentro de la red, permitiendo que los poseedores de tokens tengan voz en su dirección futura.
La Pyth Data Association inicialmente supervisó el protocolo, asegurando una base sólida para el desarrollo. Con la transición a un ecosistema en vivo, las responsabilidades de gobernanza se están trasladando progresivamente a un sistema on-chain. La gobernanza on-chain, impulsada por tokens $PYTH, está diseñada para ser inclusiva, permitiendo a los titulares de tokens proponer cambios, delegar su poder de voto y participar en la configuración de la trayectoria de la red. El período de gobernanza para votar en propuestas abarca dos semanas, asegurando tiempo suficiente para la deliberación y la participación. Este proceso es una parte integral del desarrollo continuo de la Pyth Network.
A medida que la Pyth Network expande su alcance a través de múltiples blockchains, el rol de la Pyth Data Association en la gestión de su desarrollo y en el apoyo al crecimiento del ecosistema sigue siendo crucial.
Inversores del Proyecto
Aunque la cantidad exacta recaudada y la valoración de Pyth Network permanecen sin divulgar, la Pyth Data Association con sede en Suiza ha confirmado la participación de firmas de capital de riesgo cripto prominentes y creadores de mercado.
GBV Capital y CTC Venture Capital han estado involucrados en la ronda de semillas inicial de Pyth Network.
La ronda de capital de riesgo recibió contribuciones de entidades como Castle Island Ventures, Multicoin Capital, Wintermute Ventures, Borderless Capital, CMT Digital, Bodhi Ventures, Distributed Global, Tagus Capital y Delphi Digital.
Preguntas frecuentes
¿Cómo funciona Pyth?
- Pyth es un protocolo que conecta a los participantes del mercado para datos de precios en cadena. Los proveedores de datos suministran precios, que el programa oracle de Pyth agrega. Los precios agregados están disponibles en cadena, asegurando transparencia.
¿Qué es un oracle bajo demanda o “pull-based”?
- A diferencia de los oráculos “push”, el modelo de Pyth permite a los usuarios solicitar precios según sea necesario. Optimiza la eficiencia, evitando transacciones y costos de datos innecesarios. Los usuarios pueden verificar la autenticidad de los precios y utilizar datos verificados en aplicaciones.
¿Cómo asegura Pyth Network la precisión de los datos?
- Pyth Network utiliza un modelo descentralizado con proveedores de datos de primera mano. La precisión de los datos se fortalece mediante múltiples proveedores que contribuyen a cada feed. El sistema está diseñado para ponderar las fuentes de datos y mitigar valores atípicos o manipulaciones.
¿Qué distingue a Pyth Network de otros oráculos?
- Ofrece actualizaciones de ultra baja latencia y alta frecuencia. La red cuenta con una amplia gama de feeds de precios en múltiples clases de activos. Pyth proporciona datos en tiempo real directamente de los participantes del mercado.
¿Cómo maneja la red Pyth la distribución de datos?
- Pyth opera en Pythnet, una blockchain específica para aplicaciones, asegurando una agregación de datos eficiente. Utiliza una arquitectura de “Pull Oracle”, permitiendo la recuperación de datos bajo demanda. Este método promueve la eficiencia en el gas y proporciona precios actualizados cuando se necesitan.
¿Qué es Pythnet y cómo difiere de Solana?
- Pythnet es una blockchain de aplicación construida sobre la base de código de Solana para la agregación de datos. Funciona de manera independiente del mainnet de Solana, dedicada al procesamiento de datos de Pyth. El tiempo de slot más rápido de Pythnet permite actualizaciones más rápidas para los feeds de precios de Pyth.
¿Cómo utiliza Pyth Wormhole?
- Wormhole actúa como un puente para los datos de Pyth hacia múltiples blockchains. Asegura que las actualizaciones de precios sean autenticadas e integradas en las transacciones de los usuarios. Las actualizaciones de precios de Pyth son permissionless, permitiendo una amplia participación en la verificación de datos.
¿Cuáles son la latencia y los costos asociados con Pyth Price Feeds?
- La latencia de Pythnet a Wormhole promedia 0.3 segundos, excluyendo el tiempo de bloque nativo. La estructura de tarifas para usar Pyth Price Feeds está determinada por la gobernanza y es mínima para fomentar un uso generalizado.
¿Se puede confiar en los datos de Pyth para decisiones financieras?
- El diseño de la red enfatiza la transparencia y la responsabilidad de los proveedores. Los intervalos de confianza proporcionados junto con los precios reflejan la robustez de los datos. La arquitectura Pull Oracle de Pyth asegura la disponibilidad de los datos más recientes para los usuarios.