Pular para o conteúdo

Pyth

3 de jun. de 202487 min

Visão Geral

Pyth é uma rede de oráculos que dissemina dados de mercado em tempo real em mais de 40 blockchains e também pode ser usada por aplicações off-chain. Notavelmente, ela se orgulha de contribuições de mais de 90+ publicadores de primeira parte, incluindo nomes proeminentes como Jane Street, CBOE, Binance, OKX e Bybit.

Ao contrário dos oráculos legados, que frequentemente dependem de atualizações infrequentes e fontes de dados questionáveis, o Pyth oferece acessibilidade a dados on-chain ao obter informações diretamente de participantes de primeira linha do mercado financeiro global, incluindo market makers renomados, exchanges e firmas de trading.

Os principais objetivos do Pyth são democratizar o acesso a dados de mercado financeiro em todas as redes blockchain, capacitando proprietários e usuários de dados igualmente. Ao alavancar dados de fontes confiáveis, o Pyth garante alta precisão e baixa latência, fornecendo dados financeiros on-chain críticos para aplicações DeFi escalarem globalmente.

O whitepaper apresenta um protocolo oracle para tornar dados financeiros precisos e de alta resolução disponíveis on-chain. O mechanism design garante que uma rede descentralizada autossustentável coordene publicadores e consumidores de dados. Para isso, a estrutura de incentivos é projetada para atrair publicadores com dados de preços de alta qualidade e incentivá-los pagando taxas coletadas do uso dos dados pelos consumidores. O processo real também visa proteger contra manipulação de preços.

Pyth oferece price feeds para um número de diferentes classes de ativos, incluindo ações dos EUA, commodities e crypto. Cada price feed publica um agregado robusto calculado a partir de preços de publicadores que atualizam várias vezes por segundo.

Pyth se diferencia no espaço de oráculos com várias características e princípios principais que priorizam qualidade, segurança e confiabilidade:

  • Frequência de Atualizações: Pyth permite atualizações de alta frequência por meio de um modelo pull, o que garante operações mais oportunas para aplicações DeFi. Com outros oráculos, as aplicações DeFi precisam aguardar atualizações periódicas serem postadas on-chain, mas Pyth permite que elas peguem esses dados sempre que necessário.
  • Intervalos de Confiança: A Pyth implementa intervalos de confiança para proteger protocolos e usuários. Esses intervalos adicionam uma camada adicional de garantia e mitigação de riscos contra possíveis imprecisões de dados.
  • Oferta Diversificada de Dados: A Pyth fornece uma ampla gama de dados, incluindo ações dos EUA ao vivo, pares de FX e preços de metais, que podem ser desafiadores de obter de outras fontes. Essa amplitude de ofertas de dados aprimora a versatilidade e a aplicabilidade dos serviços de oráculo da Pyth.
  • Recursos Avançados: O Pyth oferece vários recursos avançados, como métricas de desempenho de publicadores, Exponential Moving Averages (EMA/EMAC), suporte a pares cruzados e basketing (indexing or compositing).
  • Fontes de Qualidade e Transparência: O Pyth obtém dados de uma ampla variedade de participantes de mercado de primeira linha em finanças tradicionais e DeFi. Essa abordagem garante dados de alta qualidade e confiáveis. Além disso, as operações do Pyth são transparentes, com a agregação ocorrendo totalmente on-chain, ao contrário de oráculos legados que podem executar processos opacos vulneráveis a manipulação.
  • Padrões Elevados para Segurança e Confiabilidade: A Pyth implementa medidas de confiabilidade, como bandas de confiança, regras mínimas para publicadores, testes rigorosos de conformidade de feeds de dados e recurso econômico para desenvolvedores de protocolos.

A Pyth elimina intermediários de dados por design, garantindo acesso direto a dados de alta qualidade sem intermediários cobrando taxas por retransmissão de dados.

Publicadores de dados no Pyth são responsabilizados pela precisão e integridade dos dados que enviam. Esses publicadores entendem a responsabilidade significativa que lhes é confiada, pois seus dados desempenham um papel crucial na segurança de potencialmente bilhões em valor dentro do ecossistema. Essa responsabilização incentiva os publicadores a manterem honestidade e integridade em suas submissões de dados, fomentando confiança e confiabilidade nos serviços de oráculo do Pyth.

O design do Pyth incentiva os publicadores a contribuírem com suas informações de preços proprietárias em vez de simplesmente copiar dados de outras fontes. Essa ênfase na originalidade incentiva a diversidade em fontes de dados e promove a disponibilidade de informações de preços únicas e valiosas.

Visão Geral

Nos mercados financeiros tradicionais, o acesso a feeds de preços ao vivo e históricos tem sido rigorosamente controlado, limitando a acessibilidade a apenas um seleto grupo de instituições e usuários. Embora os mercados de criptomoedas tenham sido mais abertos, esse status quo não está garantido para persistir. Como resultado, apenas um grupo privilegiado tem desfrutado de informações de mercado oportunas, precisas e valiosas.

Pyth visa democratizar o acesso a esses valiosos dados de mercado financeiro, incentivando firmas de trading, market makers e exchanges a compartilharem seus dados de preço de primeira mão. Esses dados, coletados como parte de suas operações existentes, são agregados pela rede e publicados on-chain para uso por aplicações tanto on- quanto off-chain.

Cada feed de preço de produto é dinâmico, refletindo constantemente seu preço atual ao lado de um intervalo de confiança que quantifica a incerteza estimada nesse preço. Por exemplo, o feed BTC/USD pode reportar um preço de $65,000 ± $50. Esses feeds são então disponibilizados on-chain para consumo por um conjunto diversificado de usuários, incluindo programas habilitados por blockchain rodando em várias blockchains e aplicações off-chain.

A geração desses feeds de preços envolve um programa on-chain que agrega dados de editores individuais. Para participar, os editores devem ser provedores de dados de primeira parte, possuindo a capacidade de obter dados de preços de alta qualidade e atualizados em tempo real.

Para alcançar isso, o Pyth orquestra a interação de dois grupos principais de participantes:

  • Publicadores: Essas entidades são responsáveis por publicar feeds de preços, e elas ganham taxas em troca. Tipicamente, publicadores são participantes de mercado com acesso a informações de preços precisas e oportunas.
  • Consumidores: Consumidores são os usuários finais dos feeds de preços em uma cadeia alvo. Eles leem e integram esses dados em seus contratos inteligentes ou aplicações descentralizadas (dApps). Para acessar os dados, os consumidores pagam taxas ao protocolo.

Para garantir ampla acessibilidade aos preços do Pyth, o protocolo é projetado para funcionar em várias blockchains. O Pyth alcança isso por meio do Pythnet, uma appchain onde o estado de cada price feed é armazenado e atualizado.

Pyth Data Products

Pyth oferece três produtos de dados diferentes para suportar várias aplicações:

  • Solana Price Feeds: Acesso a dados de preço em tempo real para a mainnet do Solana.
  • Pythnet Price Feeds: Preços em tempo real para uma ampla gama de ecossistemas e cadeias (a maioria EVM chains, várias Cosmos chains, Aptos e Sui). O número de cadeias suportadas aumentará com o tempo.
  • Benchmarks: Benchmarks fornecem preços históricos do Pyth que podem ser usados tanto on-chain quanto off-chain.

Feeds de Preços do Solana

Os Feeds de Preços do Solana oferecem uma maneira direta para desenvolvedores de aplicativos acessarem atualizações de preços em tempo real na mainnet do Solana.

Os Solana Price Feeds transmitem continuamente atualizações de preços para o Solana, e cada price feed tem sua própria conta Solana dedicada. Desenvolvedores de aplicativos podem acessar facilmente a conta Solana relevante associada ao price feed específico de que precisam. Eles podem então usar esta conta como fonte de dados em seus programas Solana.

Para ler o valor atual do price feed, os desenvolvedores precisam desserializar os dados armazenados na conta Solana. Esses dados representam o preço atual, juntamente com outras informações relevantes.

Para facilitar o desenvolvimento, o Pyth fornece um Solana SDK. Desenvolvedores podem se familiarizar com a forma como as feeds de preço são representadas e aprender as melhores práticas usando o seguinte guia.

Pythnet

Pythnet é um fork do Solana. A cadeia emprega um mecanismo de consenso proof-of-authority (PoA), com cada publicador operando um nó validador. Os preços são disseminados do Pythnet para outras cadeias de destino via uma arquitetura cross-chain que utiliza protocolos de mensagens cross-chain descentralizados como Wormhole. Essa abordagem de broadcasting simplifica o suporte para numerosas cadeias de destino, permitindo que os consumidores acessem os dados Pyth de forma contínua, independentemente da blockchain que estão usando.

Dentro do Pythnet, publicadores e consumidores podem interagir via dois mecanismos:

  • Agregação de Preços: Este mecanismo agrega as feeds de preços de publicadores individuais em uma única feed de preço para cada produto. Seu objetivo principal é criar feeds de preços robustos, resilientes a manipulações significativas por pequenos grupos de publicadores.
  • Governança do Pyth: Este elemento governa os parâmetros de alto nível dos vários mecanismos do protocolo, garantindo a integridade e confiabilidade do protocolo.

Pythnet habilita uma estratégia cross-chain que, ao aproveitar as capacidades de mensagens cross-chain do Wormhole, pode permitir o fluxo contínuo de dados de preços de uma blockchain para outra, expandindo assim a acessibilidade e a utilidade de seus feeds de dados em múltiplos ecossistemas de blockchain.

Pythnet garante um cálculo seguro e confiável de preços agregados. Validadores reproduzem o log de transações para verificar a correção do cálculo de preços. Desde que 2/3+ dos guardiões do Wormhole sejam honestos, os usuários podem confiar na precisão dos preços do Pyth. Além disso, o Pythnet possui redundância integrada para manter alta disponibilidade. Ele permanece operacional desde que 2/3+ dos validadores estejam online, mesmo durante períodos de alta volatilidade de mercado ou largura de banda de transações contestada em chains de destino.

Arquitetura Cross-chain

Pyth utiliza uma arquitetura cross-chain para garantir a transferência eficiente e confiável de dados entre várias chains. Esta arquitetura é projetada para atender a vários objetivos críticos:

  • Minimizar TransaçãoCustos: Um dos principais desafios em manter feeds de preços em várias blockchains é o custo associado às transações (gas fees). Esses custos podem se tornar proibitivamente caros.
  • Suporte a Atualizações de Alta Frequência e Baixa Latência: Para aplicações que dependem de informações de preço oportunas e de alta frequência, a arquitetura cross-chain do Pyth garante que as atualizações sejam tanto rápidas quanto de baixa latência.
  • Escalar para Muitas Blockchains: Para acomodar casos de uso diversos em diferentes blockchains, cada uma com runtimes únicos, modelos de consenso e custos de gas, a arquitetura deve escalar eficientemente através de múltiplas blockchains.
  • Escalar para Muitos Price Feeds: O protocolo Pyth deve ser capaz de lidar com uma ampla gama de price feeds para vários ativos, incluindo criptomoedas e ativos tradicionais. Ele deve fazer isso garantindo uma transferência de dados cross-chain econômica.

Esses desafios são abordados por meio de um modelo de oráculo “pull” que segue um fluxo de trabalho de três partes:

  1. Publicação eficiente e econômica: Em vez de usar blockchains generalizadas com custos de gas potencialmente altos, o Pythnet, uma blockchain específica para aplicações, é usado para a publicação de preços. Publicadores autorizados podem enviar atualizações de preços para o programa de oráculo on-chain no Pythnet sem custo. Essas atualizações incluem preços válidos e intervalos de confiança, que são armazenados em contas de preços on-chain correspondentes.
  2. Transmissão: Como parte do processo de consenso do Pythnet, os validadores do Pythnet executam uma operação de transmissão de preços. Essa operação agrega os preços dos publicadores em preços agregados para cada feed de preço atualizado. Em seguida, ela invoca o programa de buffer de mensagens, permitindo a criação de mensagens a serem enviadas para outras chains. Essas mensagens contêm os preços agregados dos feeds atualizados. Em seguida, os validadores constroem uma árvore Merkle com esses preços como folhas e transmitem a raiz da árvore para outras chains usando um protocolo de mensagens cross-chain como a rede Wormhole
  3. Reencaminhamento em cadeias de destino: Nas cadeias de destino onde os preços do Pyth são necessários, os contratos receptores do Pyth armazenam preços para cada feed de preços do Pyth. Esses contratos permitem operações sem permissão para atualizar os preços armazenados. Para realizar uma atualização, os consumidores precisam de uma raiz de árvore Merkle atestada, uma atualização de preço para um símbolo específico (uma folha na árvore Merkle correspondente), e o caminho na árvore que leva dessa folha até a raiz. A atualização passa por várias verificações, incluindo validação de assinatura e verificação de caminho raiz-folha. Se a atualização for válida, os novos preços são armazenados no contrato receptor do Pyth.

Para manter a frescura dos dados, os consumidores dos preços do Pyth são responsáveis por invocar atualizações de preços permissionless on-chain antes de usar o preço. Sem essas atualizações, o preço armazenado no contrato receptor do Pyth torna-se obsoleto com o tempo.

Protocolos que integram feeds de preços do Pyth podem definir limites no máximo de obsolescência permitida dos preços, garantindo que os usuários sempre tenham acesso a dados atualizados. Importante, os consumidores incorrem em custos de transação apenas quando precisam atualizar preços para suas operações específicas, evitando taxas desnecessárias.

Essa abordagem permite que a arquitetura cross-chain transmita eficientemente atualizações de preços de alta frequência, minimizando os custos de transação nas chains de destino.

  1. Publicação de Dados: Publicadores dentro da Pyth Network continuam a publicar dados de preços para o programa on-chain como de costume. Isso garante que informações de preços precisas e oportunas estejam consistentemente disponíveis dentro da Pyth.
  2. Integração com Wormhole: O Pyth utiliza o protocolo de mensagens genérico do Wormhole para facilitar a transferência de dados entre diferentes blockchains. O Wormhole atua como uma ponte que permite a transferência de informações ou tokens entre chains.
  3. Processo de Transferência de Dados: Quando um consumidor de dados de uma chain suportada pelo Wormhole solicita dados de preço do Pyth, o Wormhole atua como intermediário. Ele garante a precisão e integridade dos preços obtidos do Pyth e facilita a transferência desses dados para o contrato Pyth implantado na chain nativa do consumidor.
  4. Disponibilidade Sob Demanda: Os dados de preço transferidos são disponibilizados sob demanda, garantindo que os consumidores possam acessar as informações de que precisam na frequência desejada. Essa disponibilidade sob demanda ajuda a reduzir custos e garante a utilização eficiente de recursos.
  5. Uso de Dados Escalável: Uma vez que um conjunto específico de dados de preço é solicitado e transferido para uma blockchain particular, ele se torna acessível a todos os protocolos e aplicativos operando nessa cadeia. Essa escalabilidade permite que múltiplos usuários e projetos dentro do ecossistema utilizem o mesmo conjunto de dados para vários propósitos.

Ao integrar-se ao Wormhole e aproveitar suas capacidades de mensagens cross-chain, o Pyth estende efetivamente o alcance de seus feeds de dados de preços além de sua blockchain nativa, permitindo uma integração perfeita com diversos ecossistemas de blockchain. Essa estratégia cross-chain melhora a interoperabilidade e a utilidade dos dados do Pyth, tornando-os acessíveis a uma gama mais ampla de usuários e aplicativos em diferentes blockchains.

  1. Os provedores de dados publicam seus preços no Pythnet.
  2. O programa de oráculo on-chain agrega preços para um feed para obter o preço agregado e o nível de confiança.
  3. Os validadores do Pythnet enviam uma mensagem Wormhole contendo a raiz Merkle de todos os preços para o contrato Wormhole no Pythnet a cada slot do Pythnet.
  4. Os guardiões do Wormhole observam a mensagem da raiz Merkle e criam um Artefato de Afirmação de Validade (VAA) assinado para a mensagem da raiz Merkle.
  5. Um serviço web chamado Hermes escuta continuamente o Wormhole para raízes Merkle do Pyth e o Pythnet para mensagens de preço. Ele armazena as mensagens de preço mais recentes com sua prova Merkle e raiz Merkle assinada e expõe APIs HTTP e websocket para recuperar a atualização mais recente.
  6. Quando um usuário deseja usar um preço do Pyth em uma transação, eles recuperam a mensagem de atualização mais recente do Hermes e a enviam em sua transação. A mensagem de atualização inclui a raiz da árvore Merkle assinada e as provas Merkle de cada atualização de preço incluída.
  7. O contrato do Pyth Network verifica o payload verificando assinaturas Wormhole na root e Merkle proofs. Se válido, ele armazena o novo preço em seu on-chain storage.

Protocolos on-chain integram com o contrato Pyth via uma API simples para recuperar o preço atual do Pyth de seu armazenamento on-chain. Essa API retorna o preço atual desde que ele tenha sido atualizado recentemente o suficiente, determinado pelo limite de recência configurado pelo protocolo.

Oracle Pull do Pyth

Uma das características mais notáveis do Pyth é que, em vez de usar um push model, ele se baseia em um pull-based model. Isso garante que os usuários recebam dados de preço oportunos e precisos, minimizando os custos operacionais.

Oráculos Baseados em Push Tradicionais

No modelo push tradicional, oracles publicam ativamente dados de preço em uma blockchain de propósito geral, frequentemente realizando agregação na mesma chain.

Para manter preços atualizados, o oracle deve enviar regularmente transações para atualizar os preços on-chain. Essas transações vêm com custos de gas associados, que podem aumentar com frequências de atualização mais altas, mais feeds de preço suportados, blockchains e publishers.

Oráculos push tradicionais também podem sofrer com problemas de confiabilidade, pois suas transações de atualização de preços competem por espaço com outras atividades da rede. Durante congestionamentos na rede, essas atualizações podem não ser processadas on-chain.

Pyth’s Pull Model

Pyth adota um modelo baseado em pull, que envolve a publicação e agregação de preços em uma blockchain dedicada e econômica chamada Pythnet. Publicadores no Pythnet podem enviar atualizações de preços gratuitamente, reduzindo significativamente os custos operacionais gerais para o oráculo.

Quando se trata de transmitir preços para outras blockchains, em vez de enviar atualizações independentemente da demanda (e incorrer em custos de gas), a Pyth só paga gas quando os consumidores solicitam ativamente uma atualização de preço. Essa abordagem direcionada garante que o consumo de gas seja mais eficiente.

Como resultado dessa eficiência, a Pyth pode fornecer atualizações de preço mais frequentes e pode escalar para suportar um maior número de price feeds e blockchains em comparação com oráculos tradicionais baseados em push.

Por exemplo, o Pyth se destaca no manuseio de computações stateful como médias móveis exponencialmente ponderadas (EMAs). Dado as atualizações frequentes de preços, as computações ponderadas por tempo podem usar dados publicados anteriormente.

O modelo pull também é mais confiável. Congestionamento de rede nas chains de destino não impede os publishers de publicar preços para o Pythnet. Além disso, usuários que precisam de dados de preço podem sempre puxá-los do Pythnet para sua chain de destino pagando uma taxa de transação.

Os benefícios do modelo pull do Pyth incluem:

  • Eficiência de gas: Os preços on-chain são atualizados apenas quando necessário, economizando gas ao evitar submissões desnecessárias. O custo de manter os preços on-chain é distribuído entre os usuários, reduzindo o ônus na Pyth Network.
  • Alta frequência de atualização: A Pyth Network atualiza os feeds de preços uma vez por segundo, mais rápido que o blocktime da maioria das blockchains. Atualizações frequentes são viáveis devido ao pull model, ao contrário de push oracles que tipicamente atualizam com menos frequência.
  • Baixa latência: Os usuários podem acessar preços off-chain recentes em cada transação, garantindo baixa latência em comparação com depender apenas de atualizações on-chain.
  • Mais feeds de preço: A Pyth Network pode escalar para milhares de feeds de preço sem incorrer em custos adicionais para cada feed. Os usuários pagam apenas os custos de gas para novos feeds quando eles são usados on-chain.
  • Confiável em condições voláteis: As atualizações de preço da Pyth são incorporadas em transações valiosas, garantindo confiabilidade mesmo em condições de mercado voláteis onde oráculos push podem ter dificuldade em registrar atualizações de preço.
  • Infraestrutura comum: Componentes do Pyth Network são compartilhados entre blockchains, promovendo confiabilidade e precisão. Essa abordagem facilita o deployment rápido em novas blockchains com feeds de preços existentes.
  • Sustentável: O protocolo do Pyth Network permite taxas de dados opcionais para compensar provedores de dados, garantindo sustentabilidade e incentivando contribuições. Oráculos sem tais mecanismos podem ser insustentáveis e propensos a falhas.

Programa Oracle

O Programa Oracle dentro do Pyth garante a agregação precisa e confiável de dados de preço de vários provedores de dados. Ele é responsável por manter as feeds de preço, de modo que cada uma delas consiste em duas contas: uma conta de produto para armazenar metadados e uma conta de preço.

Dentro da conta de preço associada a cada feed de preço, o programa do oráculo aloca espaço de armazenamento para as contribuições de preço de cada provedor de dados autorizado. Essas contribuições são armazenadas de forma segura e só podem ser atualizadas por provedores autorizados.

O programa do oráculo agrega as estimativas individuais de preço fornecidas por provedores de dados autorizados em um único preço agregado e intervalo de confiança. Esse processo de agregação garante que os dados de preço finais reflitam a entrada coletiva de múltiplas fontes.

Além de agregar preços, o programa de oráculo pode realizar computações stateful adicionais na série de preços resultante. Isso pode incluir o cálculo de médias móveis ou outras medidas estatísticas para aprimorar ainda mais a qualidade dos dados de preço.

Observe que, embora os preços individuais dos provedores de dados sejam armazenados como estado interno dentro do programa de oráculo, apenas o preço agregado e o intervalo de confiança são disponibilizados para uso em aplicações downstream. Isso ajuda a manter a integridade e a privacidade dos dados enquanto fornece dados de preço precisos aos usuários.

Contas On-chain

O programa de oráculo Pyth gerencia três tipos de contas on-chain: contas de produto, contas de preço e contas de mapeamento.

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 exemplo, uma conta de produto para AAPL (Apple Inc.) inclui campos como symbol, asset type (Equity), quote currency (USD), e um ponteiro para a conta de preço associada.

Por exemplo, a conta de preço para AAPL contém campos como preço, confiança, tipo de preço, expoente, status, status de ação corporativa e mais.

Cada conta de mapeamento contém uma lista de IDs de contas de produto e pode incluir um ponteiro para a conta de mapeamento subsequente. Essa estrutura de lista ligada facilita o acesso eficiente às informações de precificação para vários produtos.

A relação entre esses tipos de conta é hierárquica, com contas de mapeamento contendo referências a contas de produto, e contas de produto contendo referências a contas de preço.

Agregação de Preços

A agregação de preços do Pyth é projetada para produzir feeds de preços precisos e robustos.

  • 1. Fontes de Dados: O Pyth começa com múltiplas fontes de dados ou publicadores que fornecem dados de preço para um produto particular, como o preço de BTC/USD. Essas fontes de dados são tipicamente participantes de mercado e instituições com acesso a informações de preços precisas e oportunas.

Veja todos os provedores de dados: https://pyth.network/publishers

  • 2. Feeds de Preço Individuais: Cada fonte de dados ou publicador contribui com seu feed de preço individual, juntamente com um intervalo de confiança que representa a incerteza estimada do preço. Por exemplo, o feed BTC/USD pode indicar o preço como “$35,000 ± $50.”

Os intervalos de confiança medem a incerteza e a dispersão entre mercados no preço reportado.

Por exemplo, na imagem abaixo, a linha roxa é o spot price, e as faixas brancas acima e abaixo são o aggregate confidence se alargando e estreitando.

  • 3. Mecanismo de Agregação: O mecanismo de agregação do Pyth combina esses feeds de preço individuais em um único feed de preço agregado para o produto específico. O objetivo é produzir feeds de preço robustos e confiáveis que não possam ser significativamente influenciados ou manipulados por um pequeno grupo de publicadores ou atores maliciosos.
  • 4. Limitando a Influência: O mecanismo de agregação é projetado para limitar a influência de publicadores individuais no preço agregado. Isso é crucial para prevenir tentativas acidentais e/ou intencionais de manipulação de preço por participantes que possam tentar alterar o preço do oráculo.
  • 5. Supervisão da Comunidade: A comunidade desempenha um papel na determinação de como os editores são permitidos a usar o protocolo. Essa supervisão pode ajudar a garantir que apenas participantes respeitáveis e honestos sejam permitidos fornecer dados para o Pyth.

Por exemplo, se a maioria dos editores enviar um preço SOL/USD de $100 e um editor enviar um preço de $80, então o preço agregado permanecerá mais próximo de $100. Essa propriedade aumenta a probabilidade de que o preço agregado permaneça preciso mesmo se uma pequena porcentagem de editores enviar um preço que esteja longe do mercado.

As barras finas inferiores na imagem abaixo representam os preços de cada publicador e intervalos de confiança. A barra vermelha em negrito no topo mostra o preço agregado resultante e o intervalo de confiança.

Vale notar que o mecanismo de preço agregado pondera fontes de dados com diferentes níveis de precisão. Ao mesmo tempo, o protocolo permite que os publicadores submetam um intervalo de confiança. Por exemplo, alguns desses publicadores serão exchanges centralizadas. Espera-se que esses participantes tenham diferentes níveis de liquidez, levando a spreads bid/ask mais amplos quando a liquidez é baixa.

Essa propriedade pode resultar em situações em que uma exchange relata $101 ± 1, e outra relata $110 ± 10. Nesses casos, o preço agregado está mais próximo de $101 do que de $110. Esse cenário é retratado na imagem abaixo.

Como o Pyth coleta dados de preços de múltiplos publicadores, esses publicadores podem fornecer preços ligeiramente diferentes para o mesmo produto. Essa variação pode surgir de diferenças em fontes de dados, locais de negociação e o momento da coleta de dados.

Nos mercados financeiros do mundo real, não há um preço fixo único para um produto dado. Em vez disso, produtos como criptomoedas ou títulos podem ser negociados a preços ligeiramente diferentes em várias plataformas de negociação em qualquer momento. Essas variações são influenciadas por fatores como dinâmicas de oferta e demanda, atividade de negociação e liquidez.

O intervalo de confiança agregado no Pyth leva em conta tanto a variação nos preços em diferentes locais quanto as limitações impostas pelo spread do produto. Ele reflete o intervalo dentro do qual o preço de mercado verdadeiro do produto provavelmente se encontra.

Intervalos de Confiança Para Oráculos de Dados de Mercado

Nos mercados financeiros, a incerteza de medição, frequentemente referida como confiança ou precisão, é um fator crítico que se assemelha aos campos científicos e de engenharia. Assim como nas medições científicas, onde o observador estima o desvio potencial do valor verdadeiro, os provedores de dados no Pyth anexam níveis de confiança às suas correntes de preços. Essa confiança reflete vários fatores, como o spread bid/ask em um local ou expectativas de ocorrências de negociações em múltiplos locais.

Compreender a incerteza de medição nos mercados financeiros serve a vários propósitos:

  • Indicação de Precisão: Ela sinaliza o nível de precisão ou incerteza em uma única observação, ajudando os participantes do mercado a avaliar a confiabilidade dos preços reportados.
  • Fusão Ótima de Dados: Ao incorporar medidas de incerteza, múltiplas observações independentes podem ser combinadas de forma mais eficaz. Observações com menores incertezas recebem maior peso, enquanto aquelas com maiores incertezas são ponderadas para baixo, levando a uma agregação de dados mais robusta.
  • Propagação para Quantidades Derivadas: Semelhante às medições científicas, as incertezas nos dados de preço brutos podem ser propagadas para quantidades derivadas. Por exemplo, combinar observações de preço para calcular uma quantidade derivada como velocidade (em termos financeiros, métricas derivadas como volatilidade ou spreads) envolve considerar as incertezas associadas a cada observação.
  • Detecção de Anomalias: Discrepâncias entre medições independentes, além de suas respectivas incertezas, sinalizam problemas potenciais com uma ou mais medições. Esse mecanismo de detecção de discrepâncias ajuda a identificar dados errôneos ou atípicos, aprimorando a integridade geral da reportagem de preços.

No contexto do Pyth, onde múltiplos provedores de dados contribuem com medições de preço de forma assíncrona, a consideração da incerteza de medição torna-se primordial. Cada provedor, obtendo dados de fontes diferentes e reportando dentro de janelas de tempo curtas, oferece sua avaliação de preço com níveis de confiança acompanhantes. Essa abordagem promove uma compreensão mais matizada das dinâmicas de mercado e fortalece a confiabilidade dos dados de preço agregados para os participantes do mercado.

Algoritmo de Agregação – Variante de Mediana Ponderada

O algoritmo de agregação de preços usado no Pyth é uma variante da weighted median, projetado para produzir um preço agregado que reflete as contribuições de vários publicadores, considerando seu stake-weight e confidence intervals.

Cada publicador na rede Pyth é atribuído um stake-weight. Inicialmente, esses pesos são definidos uniformemente, mas no futuro, eles podem ser determinados usando mecanismos como data staking, conforme decidido pela comunidade.

  • Passo 1 – Calculando o Preço Agregado: Para calcular o preço agregado, cada publicador recebe 3 votos:Um voto no preço reportado por eles.Um voto no preço reportado por eles mais o intervalo de confiança deles.Um voto no preço reportado por eles menos o intervalo de confiança deles.O algoritmo algoritmo então calcula o stake-weighted median desses votos. Essencialmente, este passo considera cada contribuição do publicador para o preço agregado enquanto considera os intervalos de confiança deles.
    • Um voto no preço reportado por eles.
    • Um voto no preço reportado por eles mais o intervalo de confiança.
    • Um voto no preço reportado por eles menos o intervalo de confiança.
    • O algoritmo algoritmo então calcula a mediana ponderada pelo stake desses votos. Em essência, este passo considera cada contribuição do publicador para o preço agregado, levando em conta seus intervalos de confiança.
  • Passo 2 – Cálculo do Intervalo de Confiança: O segundo passo do algoritmo calcula o intervalo de confiança agregado. Ele mede a distância do preço agregado para dois pontos:O 25º percentil ponderado pelo stake dos votos.O 75º percentil ponderado pelo stake dos votos.A maior dessas duas distâncias é selecionada como o intervalo de confiança agregado.
    • O 25º percentil ponderado pelo stake dos votos.
    • O 75º percentil ponderado pelo stake dos votos.
    • O maior desses dois intervalos é selecionado como o intervalo de confiança agregado.
    • Um voto no preço reportado por eles.
    • Um voto no preço relatado por eles mais seu intervalo de confiança.
    • Um voto no preço relatado por eles menos seu intervalo de confiança.
    • O algoritmo então calcula a mediana ponderada pelo stake desses votos. Em essência, esse passo considera a contribuição de cada editor ao preço agregado, levando em conta seus intervalos de confiança.
    • O 25º percentil ponderado pelo stake dos votos.
    • O percentil 75 ponderado pelo stake dos votos.
    • O maior dessas duas distâncias é selecionado como o intervalo de confiança agregado.

A maioria das pessoas entende a mediana como o valor médio no conjunto de dados, ou seja, o percentil 50. No entanto, a mediana também é o valor R que minimiza a função objetivo ∑i |R − pi | onde pi é o preço do i-ésimo publicador.

Esta função penaliza R com base em sua distância do preço do publicador pi. O algoritmo proposto calcula o preço agregado R que minimiza

Onde si é o peso da stake do publicador e ci é o intervalo de confiança do publicador.

Portanto, a função objetivo do algoritmo minimiza a soma de dois termos:

  • O primeiro termo considera as diferenças absolutas ponderadas entre o preço agregado (R) e o preço reportado de cada publicador (pi), onde o peso é a stake do publicador (si). Essa parte da função objetivo pondera os publicadores de acordo com sua stake, dando mais influência aos publicadores com alta stake.
    • Esta parte da função objetivo pondera os publicadores de acordo com seu stake, dando mais influência aos publicadores de alto stake.
  • O segundo termo introduz uma penalidade baseada na distância entre o preço agregado (R) e o preço reportado de cada publicador (pi), mas apenas se essa distância exceder o intervalo de confiança do publicador (ci).Esta parte da função objetivo penaliza o preço agregado por estar fora do intervalo de confiança de um publicador.
    • Esta parte da função objetivo penaliza o preço agregado por estar fora do intervalo de confiança de um publicador.
    • Esta parte da função objetivo pondera os publicadores de acordo com sua participação, dando mais influência aos publicadores com alta participação.
    • Esta parte da função objetivo penaliza o preço agregado por estar fora do intervalo de confiança do publicador.

O gráfico à esquerda representa a função objetivo da mediana ordinária aplicada a um preço p = 0, que é simplesmente o valor absoluto de R. Por outro lado, o gráfico à direita ilustra a função objetivo do Pyth, que é

para várias escolhas de intervalo de confiança ci.

Na função objetivo do Pyth, a largura do intervalo de confiança determina a localização da inflexão na curva. À medida que o intervalo se alarga, a inflexão se move mais para longe de 0. A região entre as duas inflexões tem uma penalidade reduzida em relação à mediana.

Esta generalização da mediana mantém as propriedades desejadas: robustez a outliers e consideração pela precisão de diferentes fontes de dados. A robustez decorre da resiliência inerente da mediana a outliers. Essencialmente, o percentil 50 do conjunto de dados permanece inalterado independentemente de valores extremos presentes no conjunto de dados. Além disso, o ajuste do intervalo de confiança garante que o algoritmo pese adequadamente as contribuições de diferentes fontes de dados com base em sua precisão.

Podemos visualizar o algoritmo de agregação e a função objetivo em quatro cenários apresentados abaixo, o que fornece insights sobre como os preços e os intervalos de confiança são combinados.

  • Publicador Atípico: Um publicador atípico com um intervalo de confiança apertado influencia a função objetivo, mas não o suficiente para afetar significativamente o preço agregado ou o intervalo de confiança.
  • Influência de Intervalos de Confiança Mais Estreitos: Publicadores com intervalos de confiança mais estreitos têm mais influência no preço agregado, dado que seus preços se alinhem com os intervalos de confiança dos outros.
  • Editores Consistentes: Quando os preços e intervalos de confiança de muitos editores se alinham, o agregado reflete seu consenso.
  • Editores Divergentes: Editores com preços distintos e intervalos de confiança não sobrepostos ampliam o intervalo de confiança devido à dispersão, criando uma lacuna entre o agregado e os percentis dos votos.

Agregação de Preços EMA

Uma média móvel exponencial (EMA) é uma média ponderada que dá mais ênfase aos pontos de dados recentes, enquanto atribui menos peso aos pontos de dados mais antigos. No Pyth, os valores de EMA Price e EMA Confidence são derivados dos preços e confidências agregados gerados on-chain.

O Pyth usa o número de slot do Solana para medir a passagem do tempo. O período de média é tipicamente definido para 5921 slots, o que corresponde a aproximadamente 1 hora.

Cada amostra é ponderada por 1/Confidence, permitindo que a EMA dê mais peso a amostras com intervalos de confiança apertados e desconsidere amostras com intervalos de confiança amplos. Esse esquema de ponderação garante que outliers com intervalos de confiança amplos não influenciem significativamente o cálculo da EMA.

Por exemplo, um preço agregado outlier com um intervalo de confiança amplo não impactará fortemente o cálculo da EMA devido à ponderação inversa de confiança, em oposição a uma média ponderada uniforme.

Esta implementação é particularmente adequada para aplicativos de streaming, pois permite que todo o histórico de preços e pesos seja representado por um único número. Este método garante que os valores de EMA Price e EMA Confidence reflitam com precisão as tendências recentes e a confiabilidade dos preços agregados dentro da Pyth Network.

Papéis da Rede e Fluxo de Controle

O mecanismo de staking de dados dentro do protocolo Pyth é projetado para garantir a precificação justa das taxas de dados, o alinhamento de incentivos entre os participantes e a robustez do processo de reivindicações.

Para alcançar isso, o Pyth funciona por meio da colaboração e coordenação de 3 partes essenciais: Publicadores, Consumidores e Delegadores.

  • Publicadores são responsáveis por obter dados de preços precisos e oportunos, que eles então publicam no Pyth como feeds de preços. Seu papel se estende a ganhar uma parte das taxas de dados geradas por consumidores que dependem de seus feeds de preços fornecidos. Para participar do protocolo e ganhar recompensas, os publicadores devem apostar tokens $PYTH, garantindo assim seu compromisso em entregar dados corretos e confiáveis. Esse mecanismo de staking também introduz responsabilidade, pois os publicadores correm o risco de ter seu stake cortado se fornecerem informações imprecisas.Publicadores do Pyth: https://pyth.network/publishers
  • Consumidores, por outro lado, utilizam os dados de preço publicados pelos publicadores em suas aplicações descentralizadas (dApps), integrando-os em seus contratos inteligentes para vários fins. Consumidores, sejam entidades on-chain ou off-chain, pagam taxas de dados para acessar e usar esses feeds de preço. A motivação principal por trás do pagamento dessas taxas é a redução de riscos, pois os feeds de preço da Pyth oferecem um meio de mitigar perdas financeiras resultantes de dados imprecisos. Além disso, o pagamento de taxas de dados incentiva mais publicadores a participarem da rede, melhorando assim a confiabilidade dos feeds de preço.
  • Delegadores desempenham um papel crítico na Pyth Network ao realizar staking de tokens em editores específicos. Em troca, eles recebem uma porção das taxas de dados geradas por consumidores que utilizam as feeds de preços fornecidas por esses editores. No entanto, realizar staking de tokens como delegador carrega riscos inerentes, pois há a possibilidade de perder o stake se o oráculo se provar incorreto. Embora os delegadores possam inicialmente receber pagamentos substanciais, seus ganhos podem diminuir ao longo do tempo à medida que o mercado se torna mais eficiente e competitivo.

Os preços de ativos são integrais para aplicações DeFi em múltiplas chains, com os preços de oráculos da Pyth e intervalos de confiança contribuindo para uma variedade de casos de uso:

  • Empréstimo e Empréstimo plataformas acompanham ativamente a saúde da conta do usuário e determinam liquidações usando os dados da Pyth.
  • DEXs & AMMs frequentemente dependem dos preços em tempo real do Pyth para garantir a sincronização com outras exchanges, especialmente para derivativos.
  • Options & Derivatives, Structured Products, and Vaults liquidam contratos de opções e derivativos no vencimento e calculam o P&L com base nos feeds de preços do Pyth.
  • Projetos de stablecoin utilizam as feeds de preços do Pyth para determinar a solvência dos ativos de colateral para CDPs.
  • Ferramentas e Infraestrutura para DAO projetos exigem preços de ativos para interações cross-chain e outras funcionalidades.
  • Aplicações Off-chain como plataformas de análise que dependem dos dados de preços de ativos do Pyth para fins analíticos.

Do lado dos publicadores, o Pyth continua a incorporar publicadores de dados que fornecem mais dados à rede. Esses publicadores podem representar uma ampla gama de entidades, como formadores de mercado e firmas de trading, exchanges tradicionais, exchanges de cripto ou até mesmo exchanges descentralizadas.

Staking e Integridade de Informações

Introduzir mecanismos de staking em redes de oráculos, como staking reputacional ou staking de colateral, pode melhorar significativamente a integridade dos dados sem impor atrasos. Esses mecanismos alinham os incentivos dos operadores de oráculos e provedores de dados para garantir a publicação de informações de alta qualidade e oportunas.

O reputational staking envolve responsabilizar os oracle operators pela qualidade dos dados que fornecem. Ao tornar as contribuições dos provedores transparentes, desempenhos ruins podem ser identificados e tratados, mantendo assim a integridade do data feed geral. Embora este mecanismo possa não ser inerentemente forte por si só, quando implementado de forma transparente e pública, ele pode incentivar os data providers a manterem altos padrões.

O literal staking, por outro lado, envolve a postagem de garantias pelos oracle operators ou data providers, que podem ser confiscadas em caso de relatórios de dados incorretos, também conhecido como “slashing”. Esse alinhamento explícito de incentivos incentiva os contribuintes a filtrarem ativamente por informações de alta qualidade para evitar penalidades financeiras. Além disso, os fundos confiscados podem ser usados para compensar quaisquer danos incorridos devido a dados incorretos.

O mecanismo de staking do Pyth desempenha um papel crucial na garantia da integridade dos dados dentro de sua rede de oráculos. Ao exigir que os participantes stakeiem tokens $PYTH como uma forma de colateral, o Pyth alinha os incentivos dos provedores de dados e operadores com a precisão e confiabilidade dos dados que eles contribuem.

Participantes, incluindo tanto editores de dados quanto operadores, são obrigados a stakeiar tokens $PYTH para participar do protocolo. Esse requisito de staking atua como um mecanismo de compromisso, sinalizando à rede seu interesse investido em fornecer dados precisos e confiáveis.

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.

Em troca, eles ganham uma parte das taxas de dados, com recompensas favorecendo editores cujos preços preveem mudanças futuras.

Delegadores também definem os pesos de stake dos publicadores e são incentivados a garantir um feed de preços robusto para evitar perda de stake devido a um feed de preços agregado incorreto.

Apostar tokens impõe um custo financeiro aos participantes em caso de mau comportamento ou relatórios de dados imprecisos. Isso cria um forte incentivo para que os participantes verifiquem diligentemente os dados que fornecem e garantam sua precisão antes de publicá-los na blockchain. O medo de perder seus tokens apostados atua como um dissuasor contra comportamento malicioso ou negligência.

Pyth utiliza um mecanismo de slashing onde tokens staked podem ser slashed se os participantes forem considerados culpados de fornecer dados incorretos ou manipulados. Se os dados reportados por um publisher ou operator forem considerados imprecisos, isso pode levar à perda de uma porção de seus tokens staked. Essa penalidade serve como uma medida punitiva para desencorajar atores maliciosos e manter a credibilidade dos dados.

Qualquer pessoa pode levantar uma claim se o oracle publicar um preço incorreto. Uma votação dos detentores de tokens $PYTH ratifica as claims. No caso de uma claim bem-sucedida, o protocolo slashes as stakes dos delegators do produto e distribui o valor slashed para os consumers com base no valor das data fees durante a epoch do evento. Isso garante que as claims sejam bem-sucedidas se o aggregate price e o confidence interval de Pyth estiverem substancialmente incorretos por qualquer período.

Os tokens cortados de participantes considerados culpados podem ser usados para compensar usuários ou consumidores que possam ter sido prejudicados pelos dados incorretos. Esse mecanismo garante que haja repercussões por fornecer dados não confiáveis e fornece restituição às partes afetadas.

Além disso, o mecanismo de staking do Pyth também se estende ao seu modelo de governança, onde stakeholders que detêm tokens em stake têm poder de voto para influenciar decisões relacionadas a parâmetros do protocolo, atualizações ou mudanças.

Staking de Integridade do Oráculo

O Staking de Integridade do Oráculo (OIS) introduz maior responsabilidade de dados ao ecossistema do Pyth ao exigir que os Pyth Publishers (provedores de dados) apostem tokens $PYTH. Este programa incentiva os publishers a manterem contribuições de dados de alta qualidade e corta sua aposta se eles fornecerem dados defeituosos ou maliciosos.

Componentes principais do Oracle Integrity Staking incluem:

  • Responsabilidade Econômica: Publicadores devem estacar tokens $PYTH para serem elegíveis a recompensas on-chain. Se dados defeituosos forem enviados, uma porção do stake é cortada.
  • Governança da Comunidade: O Pyth DAO supervisiona os principais parâmetros de staking e pode decidir como os fundos cortados são alocados—se eles devem ser distribuídos para as partes impactadas ou usados para apoiar a Pyth Network.
  • Envolvimento dos Stakers: Os detentores de $PYTH podem stake seus tokens delegando-os a editores específicos, contribuindo para a segurança da rede enquanto ganham recompensas.

OIS permite que os stakers de $PYTH contribuam diretamente para a segurança e o desempenho da rede ao delegar (staking) seus tokens para publishers. Os stakers ajudam a proteger o oráculo e são recompensados com base na qualidade dos dados de seus publishers escolhidos.

Stakers e publishers compartilham tanto as recompensas quanto os riscos aqui:

  • Recompensas: Publishers recebem as recompensas primeiro, com as recompensas restantes distribuídas aos stakers.
  • Slashing: Se os publicadores fornecerem dados defeituosos, tanto o publicador quanto seus stakers serão penalizados.

Cada publicador na Pyth Network opera um stake pool, onde stakers podem delegar seus tokens. O tamanho da recompensa é influenciado por:

  • Stake Total: As recompensas aumentam com o tamanho da pool até um stake cap predefinido.
  • Símbolos Suportados: Publicadores podem elevar seu stake cap e aumentar as recompensas apoiando mais símbolos, assumindo mais risco, mas obtendo recompensas potenciais mais altas.

O Pyth DAO supervisiona os parâmetros que regem o controle do OIS:

  • Estruturas de Recompensa: Os membros do DAO definem as taxas máximas de recompensa e podem votar na alocação de fundos penalizados.
  • Mecanismos de Slashing: Em caso de relatórios incorretos, a DAO determina como os tokens slashingados devem ser distribuídos, como compensando usuários afetados.
  • Aprimoramentos Futuros: A DAO pode introduzir fontes adicionais de recompensas, como incorporar outros ativos digitais para ampliar a participação no staking.

Distribuição de Recompensas

O mecanismo de distribuição de recompensas no Pyth é projetado para compensar justamente cada publicador, penalizar atores maliciosos e incentivar relatórios precisos. O mecanismo de staking de dados do Pyth distribui uma porção (inicialmente definida em 20%, mas pode ser ajustada pela governança) das taxas de dados por produto em um pool de recompensas para esse produto.

  • Publicadores com acesso a informações de preços mais precisas ou oportunas devem ser recompensados mais. Isso incentiva os melhores publicadores a contribuírem para o protocolo.
  • Penalidades devem ser implementadas para dissuadir atores maliciosos de explorarem o sistema em benefício próprio.
  • Os publicadores devem ser incentivados a relatar preços honestamente, com base em suas informações privadas. Isso garante que o preço agregado reflita as informações mais precisas disponíveis.

Para alcançar esses objetivos, o mecanismo de distribuição de recompensas divide o pool de recompensas entre os publicadores com base em três fatores:

  • Stake-weight (s): Determinado pelo mecanismo de staking de dados, refletindo o nível de envolvimento do publicador no protocolo.Este número está entre 0 e 1.
    • Este número está entre 0 e 1.
  • Quality Score (q): Mede quão bem a série de preços de um publicador prevê mudanças futuras de preço. Este número está entre -1 e 1, com uma pontuação positiva indicando poder preditivo.
    • Este número está entre -1 e 1, com uma pontuação positiva indicando poder preditivo.
  • Calibração (c): Reflete a precisão dos intervalos de confiança do publicador em representar sua incerteza.Este número está entre 0 e 1.
    • Este número está entre 0 e 1.
    • Este número está entre 0 e 1.
    • Este número está entre -1 e 1, com uma pontuação positiva indicando poder preditivo.
    • Este número está entre 0 e 1.

No final de cada época, os publishers recebem uma parte do pool de recompensas com base no produto dessas três quantidades (s × q × c). Quantidades negativas resultam em uma slashing de stake correspondente para o publisher.

A pontuação de qualidade é calculada treinando um modelo de regressão online que prevê preços futuros com base em características da série de preços do publisher. A pontuação de calibração mede quão precisamente os intervalos de confiança do publisher representam sua incerteza.

Abaixo, você pode encontrar uma comparação de dados históricos para dois editores diferentes.

  • O gráfico à esquerda é um gráfico de dispersão das mudanças de preço previstas e reais. Quanto mais apertada a relação linear entre essas quantidades, maior a pontuação de qualidade.
  • Os eixos do gráfico à direita correspondem às duas características não viesadas do modelo de regressão, e a cor denota a mudança de preço real. Um gradiente de cor suave indica uma alta pontuação de qualidade.
  • O publicador superior obtém uma pontuação mais alta do que o inferior nesta amostra.

Este mecanismo incentiva relatórios de alta qualidade e desencoraja maus atores ao recompensar a precisão preditiva e penalizar relatórios imprecisos. Ele também incentiva relatórios honestos ao alinhar os incentivos com a provisão de informações verdadeiras.

Pontuação de Qualidade

Na Pyth Network, a pontuação de qualidade é uma métrica projetada para avaliar a precisão preditiva de uma série de preços de um publicador em relação a preços agregados futuros. Essa pontuação é calculada usando um modelo de regressão online, que atualiza dinamicamente suas previsões com base em dados em tempo real.

A pontuação de qualidade é derivada de dois componentes principais:

  1. Medida de Correlação: Isso quantifica o grau em que os preços previstos por um publicador se alinham com os preços agregados durante uma época dada. Uma previsão perfeita corresponde a uma correlação de 1, previsões aleatórias resultam em uma correlação de 0, e previsões piores que aleatórias resultam em uma correlação negativa.
  2. Frequência de Contribuição: O segundo fator é a proporção de slots de tempo para os quais o publicador forneceu dados de preço. Isso considera a consistência e a confiabilidade das contribuições de dados do publicador.

O modelo de regressão é atualizado em cada slot de tempo t, usando duas características principais de mudança de preço: o preço atual do publicador pt comparado tanto ao seu próprio preço quanto ao preço agregado do slot anterior. O vetor de pesos wt, representando os coeficientes do modelo, é ajustado por meio de um método de gradiente clipado para refinar o modelo após cada previsão.

Uma correlação negativa serve como uma proteção contra comportamento adversarial, indicando que as previsões de um publicador são sistematicamente imprecisas e podem potencialmente ser enganosas.

O sistema de pontuação proposto é adaptável e pode ser refinado de várias maneiras:

  • Ele pode prever mudanças de preço além do próximo slot imediato, o que apresenta uma tarefa de previsão mais desafiadora.
  • Incorporação de recursos adicionais para considerar nuances como disparidades de preço persistentes, mas menores, em diferentes exchanges. Ao rastrear essas diferenças, o mecanismo pode evitar penalizar injustamente os editores por variações que são consistentes, mas menores.

Os desenvolvedores da Pyth network submeteram este mecanismo de pontuação de qualidade a testes usando dados históricos, que indicam que o modelo atual produz resultados sólidos. No entanto, reconhecendo a natureza diversa dos mercados financeiros, o design do modelo permanece inerentemente flexível para acomodar modificações e melhorias futuras à medida que novas percepções e dados se tornam disponíveis.

Pontuação de Calibração

Na Pyth Network, o escore de calibração serve como uma ferramenta para avaliar a precisão do intervalo de confiança de um publicador — uma faixa dentro da qual eles esperam que o preço agregado caia. Esse escore é uma medida de quão bem o publicador entende e comunica sua incerteza em relação às previsões de preço.

Como o Escore de Calibração Funciona

  1. Interpretação do Erro Padrão: O intervalo de confiança do publicador é interpretado através da lente do erro padrão de uma distribuição de Laplace. A distribuição de Laplace é escolhida em vez da distribuição normal devido às suas caudas mais pesadas, que tendem a representar as variações nos preços de forma mais realista.
  2. Processo de Cálculo:Determinação do Z-Score: Para cada previsão, um z-score é calculado subtraindo o preço agregado da previsão e normalizando esse valor pelo intervalo de confiança declarado pelo publicador.Binning do Histograma: Esses z-scores são então categorizados em bins. Os limiares para esses bins são definidos de modo que, se os intervalos de confiança fossem perfeitos, cada bin seria igualmente provável sob uma distribuição de Laplace padrão.Verificação de Uniformidade: O histograma de um publicador “perfeito” seria uniforme através desses bins. Portanto, a pontuação de calibração é definida pela desvio dessa uniformidade, especificamente um menos a earth-mover distance entre o histograma real e uma distribuição uniforme.
    1. Determinação do Z-Score: Para cada previsão, um z-score é calculado subtraindo o preço agregado da previsão e normalizando esse valor pelo intervalo de confiança declarado pelo publicador.
    2. Binning do Histograma: Esses z-scores são então categorizados em bins. Os limiares para esses bins são definidos de modo que, se os intervalos de confiança fossem perfeitos, cada bin teria a mesma probabilidade sob uma distribuição de Laplace padrão.
    3. Verificação de Uniformidade: O histograma de um editor “perfeito” seria uniforme em todos esses bins. Portanto, a calibration score é definida pela desvio dessa uniformidade, especificamente um menos a earth-mover distance entre o histograma real e uma uniform distribution.
  • Determinação de Z-Score: Para cada previsão, um z-score é calculado subtraindo o preço agregado da previsão e normalizando esse valor pelo intervalo de confiança declarado pelo editor.
  • Binning do Histograma: Esses z-scores são então categorizados em bins. Os limiares para esses bins são definidos de modo que, se os intervalos de confiança fossem perfeitos, cada bin seria igualmente provável sob uma distribuição Laplace padrão.
  • Verificação de Uniformidade: O histograma de um editor “perfeito” seria uniforme através desses bins. Portanto, a pontuação de calibração é definida pelo desvio dessa uniformidade, especificamente um menos a distância earth-mover entre o histograma real e uma distribuição uniforme.

A pontuação de calibração não favorece os editores por fornecerem intervalos de confiança mais estreitos porque tal vantagem já está encapsulada na pontuação de qualidade. Em vez disso, a pontuação de calibração foca na adequação do intervalo de confiança—se ele reflete com precisão o nível “verdadeiro” de certeza do editor em relação às suas previsões de preço.

Uma alta pontuação de calibração indica que os intervalos de confiança de um editor estão bem calibrados e que o preço agregado frequentemente cai dentro da faixa prevista, considerando a incerteza declarada. Por outro lado, uma pontuação mais baixa pode sugerir que os intervalos de confiança de um editor são muito apertados ou muito amplos, implicando uma representação errônea de sua confiança real.

Por que o Projeto foi Criado

A criação do Pyth surgiu da necessidade de abordar o problema de oráculos na finança descentralizada (DeFi) e fornecer dados de mercado confiáveis e de baixa latência obtidos de provedores institucionais. Mercados tradicionais frequentemente restringem o acesso a esses dados, enquanto os mercados de criptomoedas carecem de fontes abrangentes e confiáveis. A visão original do Pyth visava preencher essa lacuna, permitindo que blockchains interajam com dados externos de forma integrada.

O projeto foi concebido em resposta às limitações enfrentadas pelas blockchains antes de 2018, onde aplicações descentralizadas (DApps) só podiam operar com dados on-chain. Para permitir a integração de dados off-chain de forma confiável, oracles eram necessários como pontes entre blockchains e o mundo externo. O objetivo do Pyth era claro: democratizar o acesso a preços de ativos em todas as blockchains, melhorando assim a funcionalidade e a utilidade no mundo real das DApps.

Oracles existentes enfrentavam vários desafios, incluindo fontes de dados não confiáveis e atrasos na entrega de dados. Algumas soluções raspavam dados da internet ou os obtinham de fontes questionáveis, comprometendo a precisão e a confiabilidade. Além disso, atrasos na transmissão de dados, particularmente evidentes em oracles de preço médio ponderado por tempo (TWAP), representavam riscos significativos, especialmente em mercados voláteis como o crypto.

Pyth buscou superar esses desafios fornecendo dados de mercado seguros e em tempo real de fontes confiáveis. Ao colaborar com entidades institucionais, como firmas de negociação, exchanges descentralizadas (DEXs) e exchanges centralizadas (CEXs), Pyth visava garantir a integridade e a precisão de seus feeds de preços. Por meio de sua rede, Pyth facilitou a transmissão perfeita de dados off-chain para blockchains, capacitando aplicações DeFi com informações de mercado oportunas e precisas.

Perspectiva do Setor

Oráculos de preço desempenham um papel crucial na ponte entre dados de preço off-chain e contratos inteligentes on-chain dentro de ecossistemas blockchain. Eles fornecem informações de preço oportunas e precisas, permitindo que aplicações descentralizadas (dApps) acessem dados de mercado do mundo real. No entanto, alcançar tanto precisão quanto tempestividade pode ser desafiador, e soluções tradicionais como introduzir atrasos podem não ser sempre suficientes, especialmente em aplicações financeiras sensíveis à latência.

A perspectiva do setor para a Pyth Network em meio à sua competição com a Chainlink no espaço de oráculos pode ser resumida pela oferta de um produto diferenciado e uma proposta de valor única. Enquanto a Chainlink se estabeleceu como o principal provedor de oráculos, a Pyth oferece uma abordagem fundamentalmente diferente, focando inicialmente na Solana e expandindo para outras chains com o Pythnet.

O modelo de atualização de preços pull da Pyth a diferencia do modelo push comumente usado por outros oráculos como a Chainlink. A ênfase em obter dados diretamente de fontes de primeira mão sem depender de agregadores como Coingecko ou CoinmarketCap adiciona ao apelo da Pyth, oferecendo atualizações potencialmente mais rápidas e de maior qualidade.

Pyth também introduz intervalos de confiança, fornecendo aos protocolos informações mais nuançadas sobre a incerteza de preços, particularmente em mercados voláteis ou ilíquidos. Essa abordagem permite que os protocolos ajustem seus parâmetros de risco com base no nível preferido de agressividade ou conservadorismo.

Para abordar o desafio entre tempestividade e custo-efetividade para recuperar dados financeiros sensíveis à latência, Pyth propõe um mecanismo de “staking” que envolve operadores de oráculos apostando reputação, colateral ou capital de negociação na integridade e tempestividade dos dados que fornecem. Ao fazer isso, aqueles que fornecem dados imprecisos ou intempestivos sofreriam consequências econômicas ou de reputação, incentivando-os assim a garantir a integridade das informações que publicam.

Através deste princípio de “skin in the game”, os oráculos Pyth servem como uma fonte crítica de dados de preço transmitidos para a blockchain, conectando o mundo off-chain com o ambiente on-chain. Enquanto exchanges descentralizadas (DEXes) fornecem informações de preço on-chain, sua liquidez pode ser limitada em comparação com exchanges centralizadas (CEXes), tornando-as suscetíveis a manipulações. Oráculos mitigam esses riscos ao trazer dados de preço de alta qualidade de CEXes para a blockchain, assim aprimorando a confiabilidade e precisão das informações de preço para aplicações descentralizadas.

Os Trade-offs vs Usar Agregadores de Dados

Os trade-offs entre a Pyth Network e o uso de agregadores no espaço de oráculos giram em torno de fatores como precisão dos dados, latência, descentralização, custo-benefício e flexibilidade.

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.

O processo de estabelecer um oráculo com prioridade para editores, como o Pyth Network, do zero, enfrenta desafios significativos inicialmente, que podem ser descritos como um problema de cold start, principalmente devido à baixa cobertura de mercado e à possível relutância dos editores em aderir devido a riscos técnicos ou de reputação. No entanto, ao longo do último ano, o Pyth fez progressos notáveis em superar esses obstáculos e aprimorar seu ecossistema.

  • Processo de Onboarding e Integração Aprimorado: A Pyth refinou seu processo de onboarding e integração, tornando mais fácil e atraente para publicadores respeitáveis se juntarem à rede. Isso inclui fornecer documentação e suporte melhores aos publicadores, reduzindo barreiras técnicas de entrada e abordando preocupações relacionadas à reputação e confiança.
  • Aprimoramentos no Algoritmo de Agregação de Preços: A Pyth fez melhorias significativas em seu algoritmo de agregação de preços para garantir feeds de preços mais precisos e confiáveis. Ao refinar o processo de agregação, a Pyth pode fornecer dados de alta qualidade que são confiados por usuários e protocolos.
  • Introdução da Segurança Cripto-Econômica: Com $PYTH em circulação, o protocolo pode aprimorar seu modelo de segurança cripto-econômica para incentivar participantes, incluindo publicadores e delegadores, a contribuir para a segurança e integridade da rede, aprimorando ainda mais a confiança e a confiabilidade.
  • Expansão para Cadeias Não-Solana com Pythnet: Reconhecendo a necessidade de estender seu alcance além do ecossistema Solana, a Pyth lançou o Pythnet, uma cadeia independente baseada no código base do Solana. O Pythnet permite que a Pyth forneça seus serviços de oráculo para protocolos em outras redes blockchain, expandindo seu mercado e aumentando seu potencial de adoção.

Por meio de inovação contínua, melhorias na tecnologia e esforços de expansão estratégica, a Pyth demonstrou um compromisso em superar os desafios associados ao estabelecimento de um oráculo com prioridade para o publicador.

Equilibrando Alta Qualidade e Baixa Latência

Pyth tenta equilibrar os objetivos duplos de baixa latência e dados de alta qualidade por meio de várias formas de staking e mecanismos de alinhamento 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.

Observe que o Pyth incorpora intervalos de confiança como uma linha adicional de defesa para lidar com períodos de incerteza na determinação de preços, como o episódio de de-peg da Terra. Ao ampliar os intervalos de confiança em torno dos preços reportados, o Pyth reconhece e considera a variabilidade nos preços entre diferentes exchanges, aprimorando a robustez de sua representação de dados.

Vantagens do Modelo Pull do Pyth

O modelo de oráculo pull do Pyth otimiza a eficiência de custo, escalabilidade, confiabilidade e a capacidade de lidar com computações complexas em comparação com arquiteturas de oráculo baseadas em push tradicionais. Este modelo garante que os usuários recebam dados de preço oportunos e precisos enquanto minimizam os custos operacionais.

  • Uso Eficiente de Gas: O Pyth minimiza os custos de gas pagando apenas quando os consumidores demandam atualizações de preço. Essa abordagem direcionada reduz as despesas gerais.
  • Escalabilidade: O modelo pull permite que o Pyth escale de forma eficiente, suportando uma gama mais ampla de price feeds e blockchains.
  • Confiabilidade: A congestão de rede nas chains de destino não afeta a capacidade dos publicadores do Pyth de fornecer atualizações, garantindo a disponibilidade confiável de dados.
  • Computações com Estado: A arquitetura do Pyth é capaz de lidar com computações com estado, como médias móveis exponencialmente ponderadas (EMAs), devido às suas atualizações de alta frequência, permitindo combinações temporais precisas de dados.

Uma das principais vantagens em relação aos oráculos baseados em push é que o Pyth tem a capacidade de publicar atualizações de preços com mais frequência. Por exemplo, os oráculos baseados em push lutam para computar cálculos que requerem dados passados, pois sua baixa frequência de atualização produz amostras menos oportunas. Como exemplo, é impossível para oráculos baseados em push que publicam dados a cada 10 minutos computar uma EMA de 5 minutos. O Pyth resolve isso usando sua appchain dedicada Pythnet. No Pythnet, a rede tem acesso a atualizações de preços a cada 400ms, o que facilmente permite a construção de combinações temporais mais granulares e complexas.

Adoção Potencial

Desde o lançamento, o Pyth já ganhou tração, com mais de 230 aplicações dependendo dos dados do Pyth, incluindo exchanges descentralizadas (DEXs), protocolos de empréstimo e plataformas de derivativos. Isso reflete seu potencial para adoção ampla no DeFi e além.

No entanto, a Pyth enfrentou desafios iniciais, notadamente um problema significativo de discrepância de preço devido a erros de publicadores. Mais especificamente, o principal problema foi com o preço do $BTC por um período de 2 minutos em setembro de 2021. Devido a 2 de 11 publicadores cometendo um erro no ponto decimal e a lógica de agregação superestimando suas contribuições, o preço agregado acabou sendo significativamente diferente do preço real do BTC de ~$42k, reportando preços tão baixos quanto $5.402 com intervalos de confiança de +/- $21.623. Para protocolos que não incorporaram o intervalo de confiança e simplesmente se basearam no preço mediano de $5.4k, isso resultou em efeitos prejudiciais, como liquidações errôneas. Desde então, os esforços de remediação incluíram refinar a lógica de agregação, melhorar o onboarding de publicadores e fornecer documentação melhor para desenvolvedores.

Apesar de contratempos iniciais, o Pyth tem visto uma adoção constante no Solana, tornando-se o oráculo de fato para a rede. O crescimento ano a ano em publicadores, feeds de preços e dApps demonstra uma aceitação crescente dentro do ecossistema. Prosseguindo, o lançamento do Pythnet pelo Pyth sinalizou a intenção de estender seu alcance além do Solana para outras chains como Ethereum, BSC e Aptos. Embora o Pythnet introduza desafios de latência em comparação ao Solana, ele oferece um modelo de pull único e potenciais eficiências de custo para os consumidores.

O lançamento do token $PYTH introduziu incentivos e mecanismos adicionais para os stakeholders, incluindo publicadores, delegadores e consumidores. Este plano de distribuição desempenhará um papel crucial na garantia da adoção ampla e da descentralização da rede.

Cadeias

Embora a primeira versão do whitepaper tenha introduzido um design de protocolo focado na blockchain Solana, a segunda versão fornece uma solução mais geral para um ecossistema Pyth mais amplo. Com esta atualização, o protocolo introduz um modelo cross-chain para entregar dados de preço para chains de destino.

Os feeds de preços da Pyth Network estão atualmente disponíveis em mais de 40 blockchains, garantindo acessibilidade e escalabilidade para desenvolvedores em diferentes ecossistemas.

Pythnet, uma cadeia separada derivada do codebase do Solana, facilita submissões de preços exclusivamente para editores do Pyth. Diferente no Solana, onde atualizações de preços são automaticamente empurradas on-chain, o Pythnet opera em um modelo pull, com preços atualizados on-chain sob solicitação da aplicação.

Observe que este modelo introduz latência aumentada, com aproximadamente 3 segundos desde o preço da exchange centralizada (CEX) até a atualização on-chain. Disto, 1 segundo é atribuído à latência de CEX para Pythnet, enquanto 2 segundos se devem à latência de Pythnet para o serviço de preços, induzida por mensagens Wormhole.

Protocolos não-Solana que utilizam o Pythnet devem pagar taxas por atualizações de preços on-chain, começando em uma denominação nominal, mas potencialmente ajustável por governança posteriormente. A eficiência de gás é aprimorada, pois as taxas de gás são incorridas apenas quando os consumidores necessitam de atualizações de preços, minimizando o desperdício.

Além disso, a autonomia do Pythnet garante confiabilidade mesmo se a rede Solana experimentar downtime. Apesar dos desafios de latência, estratégias como liquidação de ordens assíncrona, limiares de staleness e vinculação de solicitações de atualização de preços às transações dos usuários ajudam a mitigar riscos.

Usando o Protocolo

Usuários e desenvolvedores podem integrar de forma perfeita os dados de mercado em tempo real do Pyth em suas aplicações por meio de APIs poderosas. O recurso de “pull oracle” permite que as aplicações controlem quando e como os preços em tempo real aparecem on-chain, proporcionando flexibilidade e eficiência de custo.

O Pyth opera por meio de 4 mecanismos principais que governam seu fluxo de interações:

  1. Agregação de Preços: Este mecanismo combina preços reportados por editores individuais, juntamente com seus intervalos de confiança associados, em um feed de preço unificado e um feed de intervalo de confiança para um produto específico. Ao agregar esses inputs, o Pyth produz um único ponto de preço confiável para que os participantes do mercado consultem.
  2. Staking de Dados: Delegadores têm a oportunidade de fazer stake em tokens para ganhar taxas de dados. O sistema de peso de stake determina a influência que cada publicador tem no preço agregado. As taxas de dados coletadas são distribuídas, com 80% indo para os delegadores e os restantes 20% alocados a um pool de recompensas compartilhado entre os publicadores (sujeito a alterações via governança). Os stakes dos delegadores podem ser cortados se discrepâncias surgirem entre o preço agregado publicado e os preços de referência durante o intervalo de reivindicação. Reivindicações bem-sucedidas resultam na identificação e penalização de publicadores culpados, com stakes redistribuídos compensando os consumidores afetados.
  3. Distribuição de Recompensas: Este mecanismo aloca partes do pool de recompensas para editores individuais com base na qualidade de seus feeds de preços. Ao incentivar a provisão de dados de alta qualidade e penalizar o desempenho ruim, este mecanismo visa manter a integridade e a confiabilidade do processo de agregação de preços.
  4. Governança: A Pyth Network emprega um sistema de votação por moedas para governar os parâmetros de todos os seus mecanismos. Por meio deste framework de governança, os participantes têm voz na modelagem e refinamento das operações da rede, garantindo sua efetividade e adaptabilidade contínuas.

Participantes

A base de usuários do Pyth abrange projetos DeFi, dApps e desenvolvedores de blockchain que buscam dados confiáveis e de baixa latência para suas aplicações.

No ecossistema Pyth, existem três papéis principais: consumers, publishers e delegators, cada um com responsabilidades e incentivos distintos.

  • Consumidores são os usuários de feeds de preços dentro do ecossistema, predominantemente compostos por contratos inteligentes e protocolos DeFi. Sua principal responsabilidade é utilizar os feeds de preços fornecidos para tomar decisões e executar transações. Enquanto os consumidores no Solana recebem feeds de preços gratuitamente, aqueles fora do Solana devem pagar pequenas taxas “on-demand” para recuperar preços do Pythnet. Os consumidores têm a opção de pagar taxas de seguro em $PYTH para se proteger contra imprecisões do oráculo, proporcionando uma camada adicional de proteção a um custo extra.
  • Publicadores são responsáveis por publicar preços na rede. Em troca, eles recebem tokens $PYTH como recompensas e uma parte das taxas de dados. No entanto, os publicadores são obrigados a apostar tokens $PYTH para os produtos que precificam, e suas apostas estão sujeitas a slashing se produzirem erros. Isso incentiva a precisão e a confiabilidade na reportagem de preços. A estrutura de recompensas para publicadores pode variar ao longo do tempo e está sujeita a alterações, afetando seu potencial de ganhos dentro do ecossistema.
  • Delegadores desempenham um papel crucial na determinação dos preços agregados reportados pela Pyth. Eles fazem stake de tokens $PYTH em price feeds para determinar os pesos de diferentes publishers, influenciando assim a precisão dos preços reportados. Delegadores devem gerenciar cuidadosamente sua estratégia de staking para otimizar o yield enquanto minimizam o risco de perdas devido a price feeds imprecisos. Além disso, há um risco de slashing associado aos delegadores, pois eles podem ser penalizados se o feed em que fazem stake produzir erros, independentemente do publisher responsável. Isso ressalta a importância da seleção e monitoramento diligente de price feeds pelos delegadores.

É crucial diferenciar o risco de slashing entre delegadores e publicadores dentro do Pyth.

  • No caso de uma falha, todos os delegadores que fazem stake em um feed específico enfrentarão penalidades, independentemente de qual publicador foi responsável pelo preço errôneo, mesmo que eles não tenham feito stake nesse publicador específico.
  • Por outro lado, os publicadores só estarão sujeitos a slashing se eles mesmos forem diretamente responsáveis pelo erro.

Os delegadores devem navegar por um delicado ato de equilíbrio ao realizar staking. Eles devem considerar vários fatores, como a reputação dos publishers e a distribuição de influência entre eles. Dar peso excessivo a publishers de alta reputação ajuda a garantir a precisão e a confiabilidade das price feeds, ao mesmo tempo em que impede que qualquer publisher individual exerça uma influência desproporcional. Essa estratégia mitiga o risco de um pequeno número de falhas de publishers causar uma falha mais ampla no agregado, protegendo a integridade da rede e minimizando perdas potenciais para todos os stakeholders.

Desenvolvedores

Usando Feeds de Preços do Solana

  • Cada feed de preço da Pyth Network é armazenado em uma conta Solana, e é identificado por uma chave de conta Solana única. Desenvolvedores precisam identificar corretamente e corresponder o feed de preço com o ID de feed correspondente e a chave de conta, que podem ser encontrados em página de IDs de feeds de preço da Pyth.
  • Os feeds de preço do Pyth usam uma representação numérica de ponto fixo com um expoente compartilhado para tanto o preço quanto o intervalo de confiança. Para obter a representação inteira desses valores, os desenvolvedores podem multiplicar por 10^exponent.
  • Uma coisa a considerar é que pode haver situações em que o Pyth não consiga fornecer um preço atual para um produto. Isso pode ocorrer devido a fatores como horários de mercado ou interrupções na rede. O Pyth possui salvaguardas integradas para prevenir o uso de preços obsoletos. Os desenvolvedores devem garantir que suas aplicações também incorporem essas salvaguardas, como verificações de obsolescência, para evitar o uso inadvertido de dados desatualizados. Também é importante entender que os horários de mercado dependem da classe de ativo. Isso é crucial para garantir que você esteja usando dados de preço atualizados com base nos horários de negociação do 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. 
  • Desenvolvedores de aplicativos devem levar em conta a diferença de latência entre oráculos on-chain como Pyth Network e fontes de dados off-chain, como exchanges centralizadas. Embora o Pyth Network seja projetado com baixa latência, nenhum oráculo on-chain pode igualar a velocidade das fontes off-chain. Como resultado, equipes técnicas devem considerar um possível modelo de ameaça onde adversários podem ver mudanças de preço ligeiramente à frente do protocolo. Isso pode ser resolvido por meio de várias implementações de natureza diferente, como:Configurando Parâmetros do Protocolo para Fluxos Equilibrados: Equilibre as perdas do smart flow contra os ganhos do two-way flow configurando parâmetros do protocolo. Isso pode ser feito implementando um bid/ask spread e liquidez limitada semelhante a market makers tradicionais. Isso ajuda a limitar as perdas para smart flow enquanto ainda permite lucros do two-way flow. Também é possível ajustar os parâmetros de spread e liquidez para encontrar um equilíbrio que minimize a adverse selection de smart traders enquanto participa efetivamente do two-way flow.Implemente um Mecanismo de “Last Look”: Forneça ao protocolo uma capacidade de “last look” para decidir quais transações aceitar. Por exemplo, as transações podem ser divididas em duas partes: uma solicitação e uma fulfillment. Na primeira transação (a solicitação), os usuários iniciam uma ação ou solicitam uma trade. Na segunda transação (a fulfillment), o protocolo determina se deve cumprir a solicitação do usuário com base no preço Pyth observado naquele momento. Integradores podem implementar um curto delay entre as duas transações para permitir que o protocolo tenha tempo extra para observar mudanças de preço. Em seguida, as aplicações podem cumprir a solicitação do usuário ao preço Pyth da segunda transação, dando ao protocolo uma vantagem inicial na corrida de latência.
    • Configurando Parâmetros do Protocolo para Fluxos Equilibrados: Equilibre as perdas do fluxo inteligente contra os ganhos do fluxo bidirecional configurando parâmetros do protocolo. Isso pode ser feito implementando um spread de compra/venda e liquidez limitada, semelhante aos market makers tradicionais. Isso ajuda a limitar as perdas para o fluxo inteligente, enquanto ainda permite lucros do fluxo bidirecional. Também é possível ajustar os parâmetros de spread e liquidez para encontrar um equilíbrio que minimize a seleção adversa de traders inteligentes, enquanto participa efetivamente do fluxo bidirecional.
    • Implemente um Mecanismo de “Last Look”: Forneça ao protocolo uma capacidade de “last look” para decidir quais transações aceitar. Por exemplo, as transações podem ser divididas em duas partes: uma solicitação e uma execução. Na primeira transação (a solicitação), os usuários iniciam uma ação ou solicitam uma negociação. Na segunda transação (a execução), o protocolo determina se deve executar a solicitação do usuário com base no preço Pyth observado naquele momento. Integradores podem implementar um curto atraso entre as duas transações para permitir que o protocolo tenha tempo extra para observar mudanças de preço. Em seguida, as aplicações podem executar a solicitação do usuário pelo preço Pyth da segunda transação, dando ao protocolo uma vantagem inicial na corrida de latência.
  • Como o Pyth publica tanto preços quanto intervalos de confiança, os desenvolvedores podem usar os intervalos de confiança para avaliar a incerteza de preço e proteger suas aplicações contra condições de mercado adversas. Uma solução é calcular uma faixa ao redor do preço usando o intervalo de confiança para garantir precificação conservadora. Dependendo do caso de uso, algumas aplicações podem considerar usar o preço de Média Móvel Exponencial (EMA) do Pyth. No geral, é importante garantir que instrumentos derivativos e contratos financeiros semelhantes sejam projetados para eventualmente liquidar mesmo se o intervalo de confiança permanecer amplo, evitando atrasos infinitos. Considere usar o preço de média móvel exponencial (EMA) do Pyth ao lidar com dados de preço em um período de tempo especificado. O EMA representa uma estimativa do preço médio e reduz a influência de preços com intervalos de confiança amplos, tornando-o adequado para aplicações onde a estabilidade é crítica.O preço agregado fornecido pelo Pyth representa a melhor estimativa do preço em um ponto específico no tempo. Ele pode ser impreciso em casos de intervalos de confiança amplos, mas é o dado mais preciso disponível do Pyth para um único ponto no tempo.Ao emprestar dinheiro ou aceitar colateral, considere o intervalo de confiança fornecido pelo Pyth. Para isso, você pode calcular uma faixa para o preço verdadeiro adicionando e subtraindo um múltiplo do intervalo de confiança ao preço do Pyth. Um múltiplo de 2.12 fornece uma probabilidade de 95% de que o preço verdadeiro esteja dentro dessa faixa. Você pode então usar o limite inferior da faixa ao originar o empréstimo ou avaliar o colateral para ser conservador e limitar o empréstimo quando os preços são incertos. Da mesma forma, quando o empréstimo foi emitido ou o colateral está mantido, use o limite superior da faixa para ser conservador, prevenindo ações baseadas unicamente no aumento da incerteza de preço.Em contratos derivativos, as aplicações podem avaliar o colateral pelo preço inferior dentro da faixa calculada durante a iniciação do contrato para gerenciar o risco. Da mesma forma, ao avaliar limites de margem, o preço mais alto dentro da faixa pode ser usado para errar do lado da cautela.
    • Considere usar o preço da média móvel exponencial (EMA) do Pyth ao lidar com dados de preço em um período de tempo especificado. A EMA representa uma estimativa do preço médio e reduz a influência de preços com intervalos de confiança amplos, tornando-a adequada para aplicações onde a estabilidade é crítica.
    • O preço agregado fornecido pelo Pyth representa a melhor estimativa do preço em um ponto específico no tempo. Ele pode ser impreciso em casos de intervalos de confiança amplos, mas é o dado mais preciso disponível do Pyth para um único ponto no tempo.
    • Ao emprestar dinheiro ou aceitar colateral, considere o intervalo de confiança fornecido pelo Pyth. Para isso, você pode calcular uma faixa para o preço verdadeiro adicionando e subtraindo um múltiplo do intervalo de confiança ao preço do Pyth. Um múltiplo de 2.12 fornece uma probabilidade de 95% de que o preço verdadeiro esteja dentro dessa faixa. Você pode então usar o limite inferior da faixa ao originar o empréstimo ou avaliar o colateral para ser conservador e limitar o empréstimo quando os preços são incertos. Da mesma forma, quando o empréstimo foi emitido ou o colateral está detido, use o limite superior da faixa para ser conservador, prevenindo ações baseadas unicamente no aumento da incerteza do preço.
    • Em contratos derivativos, as aplicações podem valorizar o colateral pelo preço mais baixo dentro do intervalo calculado durante a iniciação do contrato para gerenciar riscos. Da mesma forma, ao avaliar limites de margem, o preço mais alto dentro do intervalo pode ser usado para pecar pelo excesso de cautela.
    • Configurando Parâmetros do Protocolo para Fluxos Equilibrados: Equilibre as perdas do fluxo inteligente contra os ganhos do fluxo bidirecional configurando parâmetros do protocolo. Isso pode ser feito implementando um spread de bid/ask e liquidez limitada semelhante aos market makers tradicionais. Isso ajuda a limitar as perdas para o fluxo inteligente enquanto ainda permite lucros do fluxo bidirecional. Também é possível ajustar os parâmetros de spread e liquidez para encontrar um equilíbrio que minimize a seleção adversa de traders inteligentes enquanto participa efetivamente do fluxo bidirecional.
    • Implemente um Mecanismo de “Last Look”: Forneça ao protocolo uma capacidade de “last look” para decidir quais transações aceitar. Por exemplo, as transações podem ser divididas em duas partes: uma solicitação e uma execução. Na primeira transação (a solicitação), os usuários iniciam uma ação ou solicitam uma negociação. Na segunda transação (a execução), o protocolo determina se deve executar a solicitação do usuário com base no preço Pyth observado naquele momento. Integradores podem implementar um curto atraso entre as duas transações para permitir que o protocolo tenha tempo extra para observar mudanças de preço. Em seguida, as aplicações podem executar a solicitação do usuário pelo preço Pyth da segunda transação, dando ao protocolo uma vantagem inicial na corrida de latência.
    • Considere usar o preço de média móvel exponencial (EMA) do Pyth ao lidar com dados de preço em um período de tempo especificado. O EMA representa uma estimativa do preço médio e reduz a influência de preços com intervalos de confiança amplos, tornando-o adequado para aplicações onde a estabilidade é crítica.
    • O preço agregado fornecido pelo Pyth representa a melhor estimativa do preço em um ponto específico no tempo. Ele pode ser impreciso em casos de intervalos de confiança amplos, mas é o dado mais preciso disponível do Pyth para um único ponto no tempo.
    • Ao emprestar dinheiro ou aceitar colateral, considere o intervalo de confiança fornecido pelo Pyth. Para isso, você pode calcular uma faixa para o preço verdadeiro adicionando e subtraindo um múltiplo do intervalo de confiança ao preço do Pyth. Um múltiplo de 2.12 fornece uma probabilidade de 95% de que o preço verdadeiro esteja dentro dessa faixa. Você pode então usar o limite inferior da faixa ao originar o empréstimo ou avaliar o colateral para ser conservador e limitar o empréstimo quando os preços são incertos. Da mesma forma, quando o empréstimo foi emitido ou o colateral está mantido, use o limite superior da faixa para ser conservador, prevenindo ações baseadas unicamente no aumento da incerteza de preço.
    • Em contratos de derivativos, as aplicações podem valorizar o colateral pelo preço mais baixo dentro da faixa calculada durante a iniciação do contrato para gerenciar riscos. Da mesma forma, ao avaliar limites de margem, o preço mais alto dentro da faixa pode ser usado para errar do lado da cautela.

Pyth on Solana provides one SDK for Solana on-chain programs. This can be used to consume Pyth prices inside Solana programs written in Rust.

Os feeds de preços disponíveis em cada rede Solana estão listados nas seguintes páginas:

Usando Feeds de Preços do Pythnet

O modelo de atualização de preços “pull” do Pythnet oferece flexibilidade aos usuários que são responsáveis por postar atualizações de preços on-chain quando necessário.

Para integrar efetivamente as feeds de preços do Pythnet em aplicativos, os desenvolvedores devem seguir as seguintes diretrizes principais:

  • Integração em Programas On-Chain: Programas on-chain devem ler dados de preço diretamente do programa Pyth implantado na mesma blockchain. Isso garante que seus contratos inteligentes e lógica on-chain tenham acesso às feeds de preços do Pythnet em tempo real.
  • Integração em Frontends Off-Chain e Jobs: Para aplicações off-chain, incluindo frontends e jobs em segundo plano, é essencial incorporar atualizações de preços do Pyth em suas transações e processamento de dados. Para isso, as equipes de desenvolvimento precisam garantir que seu código off-chain possa acessar e utilizar dados de preços do Pyth junto ou dentro de suas transações específicas da aplicação.
  • SDKs Específicos do Ecossistema Pyth: O Pyth fornece SDKs específicos do ecossistema para agilizar o processo de integração tanto para componentes on-chain quanto off-chain. Esses SDKs são adaptados para funcionar de forma perfeita dentro de seus respectivos ecossistemas.
  • Preparação e Melhores Práticas: Antes de mergulhar na integração do SDK, os desenvolvedores devem se familiarizar com a representação do feed de preços do Pyth e as melhores práticas. Entender como os feeds de preços do Pyth funcionam e seguir as práticas recomendadas garante que você use os preços do Pythnet de forma segura e precisa em sua aplicação.
  • Selecionando o SDK Certo: Escolha o SDK do Pyth que se alinha com o seu ecossistema de blockchain específico. O Pyth oferece diferentes SDKs para suportar várias redes de blockchain, facilitando a integração das fontes de preços do Pythnet em sua aplicação.Pyth no EVM.Pyth no Aptos.Pyth no CosmWasm.Pyth no Sui.Pyth em BAS Chains.Pyth para Apps Off-chain.
Atualizações de Pull do Pythnet

A Pyth Network opera em um modelo de atualização de preços “pull”, que difere do modelo “push” mais comum usado por muitos outros oráculos. O modelo de atualização de preços “pull” do Pythnet oferece flexibilidade aos usuários que são responsáveis por postar atualizações de preços on-chain quando necessário.

O modelo pull da Pyth Network depende de seus usuários para criar e enviar atualizações de preços, que são então autenticadas e verificadas para uso on-chain. Essa abordagem promove a descentralização e permite que os usuários atualizem e usem preços de forma eficiente e sem permissão. No entanto, é importante garantir que as atualizações de preços enviadas estejam atualizadas para alcançar precisão em aplicações downstream.

  • Push vs. Pull Model: A maioria dos oráculos tradicionais segue um modelo de “push” onde eles têm um processo off-chain que envia continuamente transações para atualizar preços on-chain. Em contraste, a Pyth Network não emprega tal processo off-chain. Em vez disso, ela depende dos usuários da Pyth Network para criar e enviar atualizações de preços.
  • Delegação do Trabalho de Atualização de Preços: Na Pyth Network, a responsabilidade de gerar e enviar atualizações de preços é delegada aos seus usuários. Essas atualizações são iniciadas no Pythnet e transmitidas off-chain através da Wormhole Network, um protocolo de mensagens cross-chain.
  • Autenticação e Verificação: Para garantir a autenticidade das atualizações de preços, elas são assinadas antes de serem transmitidas off-chain. O programa Pyth on-chain pode verificar essas assinaturas para confirmar a validade das atualizações.
  • Atualizações de Preço Sem Permissão: Atualizar o preço on-chain no Pyth Network é uma operação sem permissão. Qualquer pessoa pode enviar uma mensagem de atualização verificada para o contrato Pyth para atualizar o preço. Essa abordagem descentralizada permite ampla participação.
  • Transações Atômicas: Os usuários dos preços do Pyth Network geralmente enviam uma única transação que realiza duas tarefas simultaneamente. Primeiro, isso atualiza o preço e, em segundo lugar, permite o uso do preço em uma aplicação downstream. Isso simplifica o processo e garante consistência entre o preço atualizado e seu uso.
  • Movimento Progressivo dos Preços: Na Pyth Network, os preços on-chain só podem progredir para frente no tempo. Se um usuário enviar uma mensagem Wormhole com um preço menos recente, o programa Pyth não falhará, mas também não atualizará o preço. Isso significa que não há garantia de que o preço lido por um aplicativo alimentado pela Pyth seja o preço exato enviado pelo usuário se não for o mais recente.

Métricas de Publicadores

Pyth oferece Publisher Metrics em um painel público que fornece insights sobre o desempenho dos publicadores de dados. Desenvolvedores obtêm insights granulares sobre o desempenho dos dados do Pyth e os históricos dos publicadores, enquanto os publicadores se beneficiam de novas capacidades de análise e monitoramento.

As Publisher Metrics oferecem informações críticas para a tomada de decisões informadas dentro da rede, beneficiando publicadores, usuários finais e delegadores. As métricas incluem uptime, price-quality e precisão do intervalo de confiança, alinhando-se com fatores que determinam a pontuação e recompensas dos publicadores. Os usuários podem acessar as métricas através da página Pyth Markets, analisando gráficos para comparação de preços, uptime, qualidade de dados e calibração para a distribuição esperada.

A página de Métricas do Publicador para cada publicador exibe vários gráficos perspicazes, cada um dos quais é detalhado abaixo.

O gráfico de preço mostra como o preço de um publicador se compara ao preço agregado, ilustrando quão de perto os dois preços se acompanham, e se houve períodos em que o publicador se desviou significativamente do resto do mercado.

O gráfico de uptime mostra quando o publicador estava contribuindo ativamente com preços. O eixo x subdivide o intervalo de tempo em bins, e o eixo y é a % de slots naquele bin onde o preço do publicador era recente o suficiente para ser incluído no agregado. Este gráfico permite determinar a regularidade e a confiabilidade de um publicador.

O gráfico de qualidade mostra o conjunto de dados usado no modelo de regressão para calcular a pontuação de qualidade descrita no whitepaper. Ele mede quão bem a série de preços de um publicador prevê mudanças futuras no preço agregado. Um gradiente de cor suave (do azul no canto inferior esquerdo ao rosa no canto superior direito) indica uma pontuação de qualidade alta.

O gráfico de calibração mostra quão de perto os preços e confidências do publicador correspondem à distribuição de Laplace esperada. Quanto mais próximo o ajuste entre as duas distribuições, maior a pontuação de calibração. Um publicador perfeito deve produzir um histograma uniforme. Observe que a pontuação de calibração não recompensa os publicadores por produzir intervalos de confiança mais estreitos; em vez disso, a pontuação captura se o intervalo de confiança reportado corresponde à confiança “verdadeira” do publicador.

Modelo de Negócios

O modelo de negócios da Pyth Network gira em torno da geração de receita por meio de taxas de dados e aproveitando seu token nativo, $PYTH, para aprimorar suas operações e estrutura de incentivos.

  • Publicadores podem estacar $PYTH para participar do protocolo e ganhar uma parte das taxas de dados. Isso os incentiva a fornecer dados de preço precisos e tempestivos, pois sua estaca está em risco de ser cortada em caso de mau comportamento.
  • Consumidores podem utilizar $PYTH para pagar taxas de dados ao acessar feeds de preços. Isso cria uma demanda por tokens $PYTH dentro do ecossistema.
  • Delegadores têm a oportunidade de fazer stake de $PYTH em feeds de preços específicos e ganhar uma parte das taxas de dados. Similar aos publicadores, delegadores correm o risco de perder seu stake se apoiarem dados incorretos.

Em casos de mau comportamento, como fornecer dados incorretos, os tokens $PYTH em stake serão utilizados para compensar os consumidores afetados. Isso garante a accountability e incentiva todos os participantes a manterem a integridade dos dados.

Detalhamento de Taxas

Pyth permite a ativação opcional de taxas de dados para atualizar feeds de preços on-chain. A governança em cada blockchain determina a existência e o tamanho dessas taxas.

As taxas coletadas pelo protocolo são usadas para compensar os provedores de dados e podem servir para outros propósitos determinados pela governança. Além disso, uma porção dessas taxas pode servir para outros propósitos conforme determinado pela estrutura de governança da rede. Isso garante que os provedores de dados sejam incentivados a continuar fornecendo dados precisos e oportunos, cruciais para a confiabilidade e a credibilidade da rede.

Quando protocolos integrados ao Pyth exigem uma atualização de preço on-chain, os consumidores devem pagar uma taxa de atualização. Essas taxas são cobradas no token nativo da blockchain de destino e são necessárias para invocar a operação de atualização de preço em um contrato receptor Pyth. A decisão de impor tais taxas e seu tamanho são decisões de governança, refletindo as necessidades operacionais e dinâmicas econômicas de cada blockchain onde Pyth opera.

Quando protocolos integrados ao Pyth exigem uma atualização de preço on-chain, os consumidores devem pagar uma taxa de atualização. Essas taxas são cobradas no token nativo da blockchain de destino e são necessárias para invocar a operação de atualização de preço em um contrato receptor Pyth. A decisão de impor tais taxas e seu tamanho são decisões de governança, refletindo as necessidades operacionais e dinâmicas econômicas de cada blockchain onde Pyth opera.

Além da coleta de taxas, a Pyth Network possui um sistema de peso de stake que influencia o impacto de cada publicador no preço agregado. Delegadores podem stakear tokens para ganhar uma porção das taxas de dados. Das taxas coletadas, 80% são distribuídos aos delegadores, enquanto os restantes 20% são alocados a um pool de recompensas compartilhado entre publicadores. Essa proporção de distribuição pode ser ajustada por meio de decisões de governança.

Os stakes dos delegadores podem ser cortados se discrepâncias forem detectadas entre o preço agregado publicado e os preços de referência durante o intervalo de reivindicação. Reivindicações bem-sucedidas levam à identificação e penalização de publicadores culpados, com stakes redistribuídos compensando consumidores afetados.

Tokenomics

O suprimento total de tokens $PYTH é 10.000.000.000, com 85% inicialmente bloqueados e programados para serem desbloqueados gradualmente ao longo de 6, 18, 30 e 42 meses após o lançamento do token. Os restantes 15% dos tokens estão inicialmente desbloqueados. A alocação de tokens inclui categorias como Recompensas para Publicadores, Crescimento do Ecossistema, Desenvolvimento do Protocolo, Comunidade e Vendas Privadas.

Distribuição de Tokens

A oferta total é de 10.000.000.000 $PYTH e não aumentará. No início do lançamento do token $PYTH em novembro de 2023, 15% da oferta total, equivalente a 1,5 bilhão de tokens $PYTH, estava imediatamente em circulação no ecossistema. Esses tokens desbloqueados visavam facilitar atividades iniciais da rede e recompensar participantes que contribuíram ativamente para o desenvolvimento e crescimento da Pyth Network.

No início do lançamento do token $PYTH em novembro de 2023, 15% do suprimento total, totalizando 1,5 bilhão de tokens $PYTH, estava imediatamente circulando dentro do ecossistema. Esses tokens desbloqueados visavam facilitar atividades iniciais da rede e recompensar participantes que contribuíram ativamente para o desenvolvimento e crescimento da Pyth Network.

Publisher Rewards, que compreendem 22% do suprimento total, incentivam os provedores de dados a publicar dados de alta qualidade e oportunos. A alocação de Ecosystem Growth, a mais substancial em 52%, é projetada para catalisar várias iniciativas em toda a rede, desde o financiamento de pesquisa e desenvolvimento até o fortalecimento de programas educacionais. Protocol Development, representando 10%, é reservado para ferramentas de oráculo e melhorias de infraestrutura.

O segmento Community and Launch, constituindo 6% do total de tokens, garante engajamento imediato e atividades de suporte à rede logo no lançamento. Finalmente, 10% dos tokens são alocados a contribuidores estratégicos por meio de Private Sales, com o objetivo de garantir suporte consultivo e de infraestrutura de longo prazo para a rede.

O Airdrop Retrospectivo da Pyth Network foi um programa projetado para distribuir tokens $PYTH para aqueles que se envolveram de forma significativa com os serviços da rede e a comunidade DeFi mais ampla. A iniciativa reconheceu usuários que interagiram com dApps alimentadas por dados Pyth, possuíam NFTs específicos relacionados à rede, ou desempenharam papéis ativos na comunidade Discord da Pyth. O airdrop alcançou participantes em 27 blockchains diferentes e foi uma das maiores iniciativas de seu tipo em termos de alcance cross-chain, envolvendo mais de 90.000 carteiras.

Iniciando em 20 de novembro de 2023 e concluindo em 20 de fevereiro de 2024, o processo de reivindicação foi estruturado para garantir uma distribuição equitativa de tokens com base em contribuições e interações passadas dentro do ecossistema. Os tokens $PYTH foram alocados em alinhamento com a estrutura de governança da rede. Como tokens padrão da Solana Program Library (SPL) nativos da blockchain Solana, os tokens $PYTH foram facilmente integrados às carteiras dos destinatários dentro desse ecossistema.

Cronograma de Oferta

O lançamento dos tokens $PYTH é projetado para ser gradual, apoiando diferentes fases do crescimento da rede. O cronograma demonstra um plano de distribuição que permite o uso imediato em projetos impulsionados pela comunidade, enquanto a maioria do suprimento está programada para ser lançada ao longo de uma série de fases que se estendem por até 42 meses após o lançamento inicial.

O cronograma de bloqueio mostra uma alocação imediata para atividades da comunidade e lançamento inicial para estimular o uso inicial e a governança da rede. Camadas sequenciais, destinadas a recompensas para publicadores, crescimento do ecossistema, desenvolvimento do protocolo e vendas privadas estratégicas, são desbloqueadas progressivamente. Essa abordagem em fases visa sustentar o desenvolvimento contínuo da rede e prevenir uma inundação de tokens que sobrecarregue o mercado prematuramente.

O modelo de distribuição incorpora uma estratégia para incentivar a provisão de dados para produtos mais novos ou menos populares. Ele reconhece o desafio de incentivar provedores de dados a suportarem produtos que ainda não geram taxas de dados, um problema comum em economias de plataforma conhecido como o “cold-start problem.” Para contrabalançar isso, o protocolo pode oferecer incentivos adicionais a publicadores iniciais, retirados de um pool predeterminado de tokens reservado para esse propósito.

A governança desempenha um papel crítico ao permitir reivindicações para um produto uma vez que ele tenha atingido um nível robusto de participação de publicadores. O mecanismo através do qual as taxas de dados são pagas para produtos ainda não abertos para reivindicações serve como um sinal adicional para a rede.

$PYTH Staking

Com o lançamento da mainnet da Pyth Network em 20 de novembro de 2023, os detentores de Tokens $PYTH agora têm a oportunidade de participar da governança da rede por meio de staking. O staking envolve o bloqueio de Tokens $PYTH no programa oficial de staking, o que concede aos detentores poder de voto em decisões de governança.

O staking de Tokens $PYTH é necessário para participar do processo de governança on-chain da Pyth Network. As decisões de governança incluem a determinação de estruturas de recompensas para provedores de dados, a definição de taxas de oráculos e a escolha de quais feeds de dados e provedores são listados na rede.

Para estacar Tokens $PYTH, os detentores devem visitar o site oficial de staking. O site fornece uma interface do usuário que guia os usuários pelo processo de staking:

  1. Estacar: Depositar Tokens $PYTH no programa de staking inicia um período de aquecimento. Os Tokens se tornam elegíveis para votação no início da próxima época, que ocorre toda quinta-feira às 00:00 UTC.
  2. Desestacar: Remover Tokens $PYTH do programa de staking causa perda de direitos de voto e inicia um período de resfriamento de uma época.
  3. Retirar: Após o período de resfriamento, os tokens podem ser transferidos de volta para a carteira SPL do titular.

Passos Detalhados

  • Iniciando o Staking: Acesse a aba “STAKE” no site de staking, insira a quantidade desejada de Tokens $PYTH e confirme a transação através da sua carteira.
  • Rastreando Tokens Stakeados: A interface de staking mostra a quantidade de tokens stakeados e sua elegibilidade para votação. Tokens stakeados aparecerão com status pendente até o início da próxima época.
  • Iniciando o Unstaking: Para fazer unstake, selecione a aba “UNSTAKE”, especifique a quantidade e confirme a transação. Os tokens então entrarão em um período de cooldown.
  • Retirando Tokens: Uma vez que o período de resfriamento esteja completo, os tokens estão prontos para retirada. Navegue até a aba “WITHDRAW”, insira a quantidade de Tokens $PYTH para retirar e confirme a transação para retornar os tokens à sua carteira SPL.

Para assistência ou se encontrar problemas, os detentores podem contatar o suporte através dos canais do Telegram ou do Discord.

Governança

A governança on-chain é responsável por determinar taxas de atualização, distribuição de recompensas para editores, atualizações de software, listagens de produtos e permissões de editores.

A governança da Pyth Network é impulsionada por seu token nativo, $PYTH, que permite que os detentores de tokens participem da tomada de decisões por meio de staking.

Para participar de atividades de governança, os detentores de tokens $PYTH são obrigados a fazer staking de seus tokens. Essa ação permite que eles votem em propostas dentro da Pyth DAO (Organização Autônoma Descentralizada). O sistema de votação opera em um princípio simples e direto onde cada token em stake equivale a um voto, garantindo que a voz de cada participante seja proporcional à sua stake.

Detentores do token PYTH que tenham stakeado pelo menos 0,25% do suprimento total são elegíveis para propor ações de governança. Esse limiar inclusivo permite que uma ampla gama de membros da comunidade contribua ativamente para a evolução da rede.

Quando uma proposta é submetida, ela entra em um período de votação de 7 dias. Para que uma proposta seja aceita, ela deve receber mais votos afirmativos do que negativos e atender ao Quórum de Aprovação, que é uma porcentagem predefinida de votos sim em relação aos tokens stakeados no início da votação. Esse quórum garante que uma porção significativa dos participantes da governança concorde com a decisão.

Uma vez que uma proposta é aprovada, suas ações on-chain correspondentes são executadas automaticamente. Essas podem afetar várias funções da rede, como:

  • Definir e ajustar taxas de atualização para feeds de preços.
  • Alterando a forma como as recompensas são distribuídas para aqueles que publicam dados.
  • Implementando atualizações de software nos programas on-chain da rede.
  • Especificando detalhes para feeds de preço listados, incluindo precisão e fontes de referência.
  • Aprovando editores para fornecer dados para feeds de preço.

A gama de questões que podem ser abordadas por propostas de detentores do token PYTH é adaptável. O Pyth DAO pode ampliar o escopo da governança conforme necessário para atender às necessidades em desenvolvimento da rede e de seus participantes.

Riscos

Precisão dos Dados

Embora o Pyth obtenha seus dados de contribuidores diretos, erros ainda podem ocorrer. Isso pode ser devido a erros humanos ou problemas técnicos, afetando a precisão dos dados fornecidos pelo Pyth. Um exemplo disso foi a significativa discrepância de preço no feed de preço do $BTC devido a erros de publicadores em setembro de 2021. Esforços de remediação foram feitos desde então, mas o potencial para ocorrências semelhantes existe.

Manipulação de Mercado

Apesar das salvaguardas, ainda há um risco de que alguém tente manipular os dados de mercado que o Pyth distribui. Isso poderia ser feito influenciando ou atacando os próprios provedores de dados.

Problemas Técnicos

O desempenho da Pyth Network pode ser impactado por problemas técnicos, como congestionamento de rede, latência introduzida por protocolos de mensagens cross-chain, ou interrupções em blockchains subjacentes. Isso poderia atrasar a atualização tempestiva dos feeds de preços, potencialmente afetando as operações financeiras de protocolos DeFi que dependem da Pyth.

Transferência de Dados Cross-Chain

O Pyth opera em diferentes blockchains, o que adiciona complexidade e possíveis atrasos na atualização de preços devido à dependência de mensagens cross-chain. A integração com o Wormhole e a latência da transferência de dados cross-chain apresentam desafios para manter atualizações de preços de baixa latência, essenciais para o funcionamento eficiente de protocolos financeiros.

Dependência de Taxas de Usuário

O modelo pull-based da Pyth Network depende de consumidores solicitando e pagando por atualizações de preços on-chain. A variabilidade na demanda dos consumidores e as taxas associadas podem impactar o modelo econômico da rede, sua taxa de adoção e a estrutura de incentivos para publicadores e consumidores.

Riscos de Slashing

O Pyth utiliza um mecanismo de slashing para penalizar relatórios imprecisos, o que cria um risco de perda financeira para publicadores e delegadores. Embora isso incentive a provisão de dados precisos, também expõe os participantes a potenciais penalidades financeiras, impactando sua disposição em contribuir para a rede.

Competição

O mercado de oráculos é competitivo, com outros serviços como Chainlink oferecendo propostas semelhantes. Pyth precisa inovar continuamente para manter sua posição e atrair usuários.

Ao abordar essas questões de forma proativa, Pyth pode se tornar um fornecedor confiável de dados de blockchain, apoiando uma ampla gama de aplicações financeiras no espaço DeFi.

Manipulação de Preços do Oracle

Desafios como potenciais ataques de manipulação de preços são abordados pelos mecanismos de agregação de preços e governança. Por exemplo, limitações rigorosas são impostas à influência dos publicadores sobre o preço agregado para proteger contra manipulação. A comunidade também desempenha um papel crucial na definição de como os publicadores podem usar o protocolo, potencialmente restringindo a participação a entidades respeitáveis e confiáveis. Além disso, a diversidade de publicadores, cada um obtendo dados de diferentes exchanges, mitiga o risco de esforços de manipulação de preços afetarem o preço geral do Pyth.

Segurança

O mecanismo de agregação de preços garante resistência à manipulação, pondera adequadamente as fontes de dados e reflete as variações de preços entre os publicadores.

Auditorias

A Pyth Network passou por uma série de auditorias de segurança realizadas por várias organizações para garantir a robustez e a confiabilidade de seus sistemas. A seguir, um resumo cronológico das principais auditorias de segurança realizadas:

  • Zellic – 15 de abril de 2022: Realizou uma Avaliação de Segurança de Contrato Inteligente para o Pyth Oracle.
  • Zellic – 27 de abril de 2022: Examinou Pyth2Wormhole em uma Avaliação de Segurança de Contrato Inteligente.
  • Zellic – 16 de maio de 2022: Revisou a Governança Pyth por meio de uma Avaliação de Segurança de Contrato Inteligente.
  • OtterSec – 8 de julho de 2022: Realizou uma auditoria no Pyth Oracle.
  • OtterSec – 8 de julho de 2022: Auditou Pyth Governance.
  • Zellic – 1º de novembro de 2022: Avaliou Pyth Cross-chain em uma Avaliação de Segurança de Smart Contract.
  • OtterSec – 10 de outubro de 2022: Auditou Pyth Aptos.
  • CertiK – 30 de novembro de 2022: Avaliação de Segurança do Pyth-client foi verificada.
  • CertiK – 13 de dezembro de 2022: Verificou a segurança para a Governança pyth2wormhole.
  • CertiK – 13 de dezembro de 2022: Realizou uma Avaliação de Segurança para pyth2wormhole no Solana.
  • CertiK – 23 de fevereiro de 2023: Forneceu uma Avaliação de Segurança para pyth2wormhole no Ethereum.
  • Zellic – 14 de março de 2023: Uma Avaliação de Segurança de Contrato Inteligente foi realizada para Pyth Network.
  • OtterSec – 7 de julho de 2023: Realizou uma Avaliação de Segurança de Contrato Inteligente no Pyth Sui.
  • Zellic – 24 de julho de 2023: Forneceu uma Revisão de Patch de Contrato Inteligente para a Pyth Network.
  • Trail of Bits – 31 de julho de 2023: Uma avaliação de segurança foi realizada na Pyth Data Association Pythnet.

Recompensas

A Pyth Network está oferecendo um programa substancial de bug bounty voltado para aprimorar a segurança de seus dados de mercado on-chain em tempo real. Hackers white hat são incentivados a participar, com recompensas potenciais alcançando até $500,000 USDC para vulnerabilidades críticas e até $100,000 USDC para problemas de alta severidade.

Os participantes são convidados a explorar vários componentes chave da Pyth Network, incluindo o Pyth Oracle, Pyth Cross-chain contracts em plataformas como Ethereum, Aptos, Sui e CosmWasm, e o Pyth Governance sistemas. Detalhes e acesso ao código podem ser encontrados em seus respectivos repositórios no GitHub.

Para se qualificar para uma recompensa, as submissões devem incluir um relatório abrangente detalhando a vulnerabilidade, completo com etapas e dados necessários para reproduzir o bug, e uma prova de conceito. É importante notar que problemas já conhecidos pela equipe, ou aqueles envolvendo código não implantado, são considerados fora do escopo. Além disso, a equipe do Pyth, auditores, contratados e aqueles com informações privilegiadas são inelegíveis para recompensas.

Os testes devem ser realizados de forma responsável sem o uso de redes públicas ou mainnets, e os participantes devem se abster de divulgar publicamente vulnerabilidades antes do levantamento oficial do embargo. O programa proíbe estritamente phishing, engenharia social, ataques de negação de serviço e qualquer atividade ilegal.

Exemplos de problemas críticos incluem a capacidade de manipular preços de oráculos, assunção não autorizada de controle de contratos, ou a perda e roubo de fundos. Bugs associados a dependências de terceiros serão considerados caso a caso, dependendo do impacto no ecossistema do Pyth e se a dependência tem seu próprio programa de bounty.

Após a identificação bem-sucedida de bugs, os reladores precisarão cumprir os requisitos de KYC, incluindo fornecer um endereço de wallet, comprovante de endereço e documentos de identificação, como um passaporte. Pessoas dos EUA precisarão enviar um formulário W-9 preenchido, e pessoas não residentes nos EUA um formulário W-8BEN.

A Pyth Data Association mantém total discrição sobre o pagamento de vulnerabilidades reportadas, enfatizando a natureza caso a caso das decisões de recompensa e garantindo a confidencialidade de todos os dados pessoais coletados através do processo de KYC. Este programa é uma parte significativa do compromisso da Pyth em manter os mais altos padrões de segurança dentro de sua rede.

Vetores de Ataque Econômicos

A Pyth Network enfrenta vetores de ataque econômico potenciais principalmente relacionados à integridade e precisão dos dados de preço que fornece. Aqui estão as principais áreas de preocupação e as medidas que a Pyth implementou para mitigar esses riscos:

Risco de Manipulação de Oráculo: A Pyth pode ser suscetível a manipulação de dados se editores desonestos enviarem intencionalmente dados de preço imprecisos. No entanto, a Pyth combate isso obtendo dados de múltiplos editores de primeira parte respeitáveis. Essa diversidade nas fontes de dados ajuda a diluir a capacidade de um único editor de distorcer significativamente os dados gerais.

Risco de Front-Running: Devido à natureza em tempo real dos dados que o Pyth fornece, existe o risco de que indivíduos com acesso avançado a atualizações de dados possam se envolver em front-running. O Pyth minimiza esse risco garantindo a disseminação rápida de atualizações de dados em sua rede, reduzindo assim a janela de oportunidade para potenciais front-runners.

Colusão Entre Publicadores: Embora teoricamente possível, o risco de colusão é mitigado pelo grande número de publicadores de dados independentes dentro da rede, cada um dos quais incorreria em uma penalidade significativa por comportamento desonesto, não apenas em termos de dano à reputação, mas também em potenciais penalidades financeiras por meio dos mecanismos de staking e slashing do Pyth.

Seleção Adversarial e Latência: A Pyth Network permite que os usuários selecionem preços para transações dentro de certas restrições, semelhante a experimentar efeitos de latência. Esse recurso pode ser explorado se os usuários usarem seletivamente preços desatualizados em seu benefício. Para mitigar isso, a Pyth implementa verificações rigorosas de obsolescência, garantindo que apenas preços recentes sejam usados para transações. Isso minimiza a janela para explorar discrepâncias de latência de preços entre atualizações on-chain e movimentos de mercado off-chain mais rápidos.

Manipulação de Preços por Meio de Intervalos de Confiança: A estrutura dos feeds de preços do Pyth, incluindo a reportagem de intervalos de confiança, protege inerentemente contra manipulações simples de preço. A agregação de múltiplas fontes de dados dilui o impacto de qualquer entrada enviesada única. No entanto, durante períodos de alta volatilidade ou divergência nas visões de mercado, o preço agregado ainda pode estar sujeito a manipulação se um grupo de provedores de dados coordenar suas entradas. Protocolos podem se defender contra isso usando os limites inferiores dos intervalos de confiança para operações financeiras críticas, adotando assim uma postura conservadora na avaliação de ativos.

Resistência a Ataques Sybil: Em um ataque Sybil, um atacante poderia criar múltiplas identidades falsas para influenciar a rede. A exigência do Pyth para que os publicadores apostem tokens $PYTH, que poderiam ser cortados em caso de comportamento desonesto, ajuda a proteger contra esses ataques ao adicionar um custo financeiro à criação de múltiplas identidades.

Garantindo Feeds de Preços Confiáveis: Para proteger ainda mais contra manipulação de preços, o Pyth emprega técnicas estatísticas avançadas para agregar múltiplas entradas de dados em um único feed de preços robusto. Esse processo de agregação inclui verificações e equilíbrios que desconsideram valores atípicos e submissões excessivamente voláteis, garantindo que os feeds de preços publicados sejam um reflexo verdadeiro do mercado.

Dependências e Controles de Acesso

A Pyth Network depende de um mecanismo oracle sofisticado para agregar e distribuir dados de mercado financeiro em várias plataformas blockchain. No entanto, essa dependência de fontes de dados externas e da infraestrutura oracle introduz certos riscos e desafios:

Confiabilidade da Fonte e Riscos de Manipulação: O Pyth agrega dados de múltiplos editores de primeira parte, que incluem grandes firmas de trading e exchanges. Essa diversidade ajuda a mitigar riscos associados à manipulação de dados ou falhas de fonte. No entanto, a integridade e a precisão dos dados são cruciais, pois a manipulação no nível da fonte pode se propagar pela rede, afetando todas as aplicações dependentes.

Dependência de Infraestrutura: A operação da Pyth Network depende fortemente de sua infraestrutura off-chain e on-chain. Off-chain, os dados são coletados e processados inicialmente; on-chain, eles são agregados e disponibilizados aos consumidores. Qualquer interrupção nesses sistemas, seja devido a falhas técnicas, ataques cibernéticos ou dependências externas (como serviços em nuvem ou problemas de conectividade à internet), poderia impactar a disponibilidade e a tempestividade dos feeds de dados.

Paradas do Sistema e Atualizações: Atualizações regulares e manutenção são necessárias para garantir que o oráculo permaneça seguro e funcional. No entanto, essas atividades podem levar a paradas temporárias ou problemas imprevistos pós-atualização, durante as quais as feeds de dados podem não estar disponíveis ou podem funcionar de forma subótima.

Salvaguardas Contra Dados Desatualizados: Dado o caráter crítico de dados oportunos e precisos para operações DeFi, o Pyth implementa mecanismos para prevenir o uso de dados desatualizados. Os SDKs fornecidos pelo Pyth incluem verificações padrão que rejeitam consultas de dados se os dados forem mais antigos que um limite pré-definido, que pode ser ajustado de acordo com as necessidades específicas de diferentes protocolos.

Lidando com Cenários de Alta Latência: Apesar do design de baixa latência do Pyth, há um atraso inerente na transmissão de dados on-chain em comparação com os movimentos de mercado em tempo real. Isso pode criar janelas de oportunidade para arbitragem que explora esses atrasos. Protocolos que integram dados do Pyth precisam projetar seus sistemas considerando esses aspectos de latência para minimizar riscos associados a movimentos rápidos de preço nos mercados subjacentes.

O Pyth emprega múltiplas fontes de dados para reduzir a dependência de qualquer provedor único e construiu uma reputação por fornecer dados de mercado seguros, oportunos e precisos para aplicações descentralizadas.

Equipe

Alguns dos principais profissionais da Douro Labs que impulsionam a Pyth Network adiante incluem:

A Pyth Data Association possui uma lista de contribuidores que fortalecem as capacidades da rede:

Douro Labs

Douro Labs é uma empresa de infraestrutura blockchain concentrada no aprimoramento e expansão dos serviços de oráculo e ofertas de dados da Pyth Network. Seu trabalho inclui o desenvolvimento de ferramentas de oráculo e infraestrutura Web3 para facilitar o acesso a dados de mercado ao vivo para ecossistemas blockchain.

Os objetivos da empresa são os seguintes:

  • Desenvolvimento de Ferramentas Oracle: Criação de ferramentas que melhoram a funcionalidade e a confiabilidade dos serviços de oráculo da Pyth Network.
  • Expansão de Produtos: Desenvolvendo novos produtos para diversificar o portfólio de serviços de dados da Pyth Network.
  • Inovação em Infraestrutura: Atualizando a infraestrutura de suporte para atender às demandas crescentes do setor DeFi.
  • Missão: Focando em inovação para fornecer ao espaço blockchain dados de mercado oportunos e anteriormente inacessíveis.

A equipe da Douro Labs é composta por profissionais com experiências de instituições estabelecidas como Goldman Sachs, BNP Paribas, Amazon Web Services, Jump Crypto e Chorus One, indicando uma base sólida para impulsionar as iniciativas da Pyth Network.

Douro Labs tem sido fundamental na implementação do Perseus Upgrade para o Pyth Network, que melhorou a funcionalidade dos Pyth Price Feeds. Isso fez parte da transição da rede para um mainnet sem permissão e do estabelecimento de governança on-chain para direcionar o desenvolvimento futuro do protocolo.

Pyth Data Association

A Pyth Data Association é uma organização sediada na Suíça estabelecida por contribuintes da Pyth Network. Seu principal papel é fomentar o avanço da rede impulsionando o desenvolvimento tecnológico, promovendo a conscientização e estimulando o crescimento do ecossistema por meio de um programa de grants.

A associação está focada na aplicação da Pyth Network conforme delineado em seu whitepaper, com o objetivo de trazer dados de mercado em tempo real, tradicionalmente detidos por instituições financeiras centralizadas, para a blockchain. Essa iniciativa faz parte de um impulso mais amplo em direção às finanças descentralizadas.

Em termos de governança, a introdução de tokens de governança $PYTH pela Pyth Network é um passo em direção à descentralização do processo de tomada de decisões dentro da rede, permitindo que os detentores de tokens tenham voz em sua direção futura.

A Pyth Data Association inicialmente supervisionou o protocolo, garantindo uma base sólida para o desenvolvimento. Com a transição para um ecossistema em produção, as responsabilidades de governança estão sendo gradualmente transferidas para um sistema on-chain. A governança on-chain, impulsionada por tokens $PYTH, é projetada para ser inclusiva, permitindo que os detentores de tokens proponham mudanças, deleguem seu poder de voto e participem na definição da trajetória da rede. O período de governança para votação em propostas dura duas semanas, garantindo tempo suficiente para deliberação e participação. Esse processo é uma parte integrante do desenvolvimento contínuo da Pyth Network.

À medida que a Pyth Network expande seu alcance por múltiplas blockchains, o papel da Pyth Data Association em supervisionar seu desenvolvimento e apoiar o crescimento do ecossistema permanece crucial.

Investidores do Projeto

Embora o valor exato arrecadado e a valuation da Pyth Network permaneçam não divulgados, a Pyth Data Association, sediada na Suíça, confirmou a participação de firmas de venture capital cripto proeminentes e market makers.

GBV Capital e CTC Venture Capital estiveram envolvidos na rodada de seed inicial da Pyth Network.

A rodada de venture capital recebeu contribuições de entidades como Castle Island Ventures, Multicoin Capital, Wintermute Ventures, Borderless Capital, CMT Digital, Bodhi Ventures, Distributed Global, Tagus Capital e Delphi Digital.

FAQ

Como o Pyth funciona?

  • Pyth é um protocolo que conecta participantes do mercado para dados de preços on-chain. Provedores de dados fornecem preços, que o programa de oráculo do Pyth agrega. Os preços agregados estão disponíveis on-chain, garantindo transparência.

O que é um oráculo sob demanda ou “pull-based”?

  • Diferente dos oráculos “push”, o modelo do Pyth permite que os usuários solicitem preços conforme necessário. Ele otimiza a eficiência, evitando transações de dados desnecessárias e custos. Os usuários podem verificar a autenticidade dos preços e usar dados verificados em aplicações.

Como a Pyth Network garante a precisão dos dados?

  • Pyth Network utiliza um modelo descentralizado com provedores de dados de primeira mão. A precisão dos dados é reforçada por múltiplos provedores contribuindo para cada feed. O sistema é projetado para ponderar fontes de dados e mitigar outliers ou manipulações.

O que diferencia o Pyth Network de outros oráculos?

  • Ele oferece atualizações de ultra-baixa latência e alta frequência. A rede possui uma ampla gama de feeds de preços em várias classes de ativos. Pyth fornece dados em tempo real diretamente dos participantes do mercado.

Como a Pyth Network lida com a distribuição de dados?

  • Pyth opera no Pythnet, uma blockchain específica para aplicativos, garantindo agregação de dados eficiente. Ele utiliza uma arquitetura de “Pull Oracle”, permitindo a recuperação de dados sob demanda. Esse método promove eficiência de gás e fornece preços atualizados quando necessário.

O que é Pythnet e como ele difere do Solana?

  • Pythnet é uma blockchain de aplicação construída sobre a base de código do Solana para agregação de dados. Ela opera de forma independente da mainnet do Solana, dedicada ao processamento de dados do Pyth. O tempo de slot mais rápido do Pythnet permite atualizações mais rápidas para os feeds de preços do Pyth.

Como o Pyth usa o Wormhole?

  • Wormhole atua como uma ponte para os dados do Pyth em múltiplas blockchains. Ele garante que as atualizações de preço sejam autenticadas e integradas às transações dos usuários. As atualizações de preço do Pyth são permissionless, permitindo ampla participação na verificação de dados.

Quais são a latência e os custos associados aos Pyth Price Feeds?

  • A latência do Pythnet para o Wormhole é em média 0,3 segundos, excluindo o tempo de bloco nativo. A estrutura de taxas para o uso dos Pyth Price Feeds é determinada pela governança e é mínima para incentivar o uso generalizado.

Os dados do Pyth podem ser confiados para decisões financeiras?

  • O design da rede enfatiza transparência e responsabilidade dos provedores. Intervalos de confiança fornecidos junto com os preços refletem a robustez dos dados. A arquitetura Pull Oracle do Pyth garante a disponibilidade dos dados mais recentes para os usuários.

Alea Research · 3 de jun. de 2024 · 87 min · 15 seções

Voltar ao topo