Solution | ChubGame Whitepaper

type

status

date

slug

summary

1. 数据捕获与输入

ERC-100 协议的数据捕获与输入模块旨在通过预言机获取全面而准确的市场数据。该模块为整个协议的核心模块之一，确保了数据的可靠性和实时性，从而为后续市场情绪建模和跌停价格动态调控提供坚实的基础。

1.1 预言机数据源

ERC-100 协议依赖分布式预言机（如 Chainlink、Band Protocol）来捕获链上和链下的多维市场数据，以确保输入数据的真实和可靠性。数据源涵盖了多种指标，包括链上数据、链下金融数据、市场情绪、资金流向以及宏观经济指标，帮助协议全面感知市场环境。捕获的参数可以分为以下五大类：

链上技术指标

链上技术指标是直接从区块链上获取的数据，主要用于反映加密市场的实时状态。这些数据为判断市场趋势和交易活动提供了客观依据。具体包括 MACD（移动平均线指标），它用于衡量市场价格趋势的强弱和方向，通过短期和长期移动平均线的差异来预测价格的可能变化趋势。ERC-100 协议利用 MACD 捕获市场的牛熊变化，作为代币价格调控的重要信号。RSI（相对强弱指数）通过测量买入和卖出交易的相对比例来反映市场的超买或超卖状态。高于 70 通常表示市场超买，而低于 30 则表示市场超卖。通过对 RSI 的实时监测，协议能够判断市场是否出现过热或过度恐慌的情形。成交量（Volume）用于衡量市场的活跃度和交易深度，通常与价格变动具有很强的关联性。通过捕获成交量数据，协议可以评估市场交易的整体参与情况，从而预测市场的活跃程度。交易频率（Tx Frequency）是指在单位时间内的交易笔数，用于反映市场的流动性水平。交易频率越高，市场的流动性和参与度也越强，这有助于分析市场的健康状况。

链下市场数据

链下市场数据主要来源于传统金融市场，用于补充链上数据的不足。链下数据能够更好地反映宏观经济环境对加密市场的影响，从而增强 ERC-100 协议对市场变化的敏感度。市场波动率（Volatility）通过金融市场的历史价格序列计算，反映价格波动的幅度。波动率高时，市场情绪不稳定，通常预示着风险增加；波动率低则表示市场相对平静，情绪较为稳定。恐慌指数（Fear Index）如 CBOE VIX 指数，用于衡量整体市场情绪中的恐慌程度。恐慌指数高表明投资者对市场的预期较为悲观，存在大量避险行为。ERC-100 协议结合恐慌指数来判断市场的风险水平，进而调整代币的跌停机制。

市场情绪指标

市场情绪是影响投资者行为的重要因素，通过定量分析社交媒体和新闻报道中的情绪，协议能够在代币价格受到实际交易行为影响之前预测到市场的情绪波动。社交媒体情绪（Sentiment Analysis）通过分析 Twitter、Reddit 等平台上关于加密货币的讨论内容，评估市场整体的舆论趋势。我们采用自然语言处理（NLP）技术，将文本内容转化为情感得分（如积极、消极、中立），并量化社交情绪的变化。新闻热度指数通过新闻抓取服务分析加密货币相关新闻的数量和情绪，评估市场的注意力和情绪波动。新闻热度的增加通常会带来市场的剧烈波动，协议通过监控此指标判断是否需要提前干预价格波动。

链上资金流向

链上资金流向用于监测链上资金的流动情况，帮助协议了解投资者的资金动向，从而推测市场的未来走势。地址流动量监控大额地址的资金流动情况，特别是流入和流出交易所的情况。这有助于判断市场中是否存在大规模的资金转移行为，如抛售或大量买入。活跃地址数用于统计在一定时间内参与交易的独立地址数量，用于评估市场的参与度。活跃地址数越多，表明更多用户对代币感兴趣，市场的健康程度也较高。

宏观经济指标

宏观经济指标用于评估外部经济环境对加密市场的潜在影响。虽然加密货币市场具有一定的独立性，但全球经济和金融市场的波动同样会对其产生显著影响。美元指数（DXY）反映美元对其他一篮子主要货币的相对价值，通常与加密市场呈反向关系。美元走强时，投资者可能更倾向于持有美元，导致加密货币需求下降。原油价格是全球经济健康状况的关键指标之一。当油价上涨时，可能预示着经济复苏，反之则表明经济疲软。通过监测原油价格，协议可以提前判断可能的市场情绪转变。

通过上述多维度的市场数据捕获，ERC-100 协议能够全面感知市场的状态，为后续的市场情绪建模和价格调控提供可靠的基础。这些数据的获取和处理有助于系统更好地理解市场动向并做出及时有效的应对。

1.2 预言机数据传输与验证

数据传输与验证是确保 ERC-100 协议输入数据准确性和防篡改性的关键环节。预言机作为分布式系统，通过多个独立的数据源和节点来实现数据的采集与传输。为了确保数据的可信度，我们采取了多种措施。

预言机从多个节点收集数据后，为了避免异常数据对市场判断的干扰，采取了数据聚合和过滤的措施。具体方式包括均值计算，通过计算来自不同节点的数据均值，可以有效减少个别节点由于错误或攻击导致的数据偏差影响。中位数计算在数据存在一定程度的异常时提供了比均值更稳健的聚合方式。对于链上和链下的多维数据，我们优先选择中位数作为数据聚合的方法。此外，还采用抗干扰统计方法（如去除极端值），以提高数据的稳健性和可靠性，防止恶意数据的干扰。

数据的实时性对于市场情绪的捕捉至关重要。为了使协议及时响应市场变化，预言机的数据更新频率设定为每分钟一次。高频次的数据更新确保协议能够在市场波动时及时做出相应的调控决策。同时，更新频率的设定需要在数据实时性与资源消耗之间进行平衡，以确保协议的高效和稳定运行。通过这样的机制，ERC-100 协议可以更好地适应市场的变化，做出有效的决策调控。

2. 市场情绪建模

市场情绪建模是 ERC-100 协议的重要组成部分，通过量化捕获的多维数据构建市场情绪指数（Sentiment Index）。这一指数反映了市场的整体情绪状态，有助于协议做出更加精准的调控决策，以保障代币价格的稳步增长和市场稳定。

2.1 特征选择与数据处理

为了有效地建立市场情绪模型，首先需要对大量的市场数据进行特征选择与数据处理，确保输入特征的质量和准确性。我们提出了一种三步特征选择流程，以识别最重要的特征，并通过数据处理提高建模的准确性和效率。

特征筛选与降维是建立市场情绪模型的第一步。市场数据通常包含大量不同来源的特征，例如链上技术指标、社交媒体情绪、链下宏观经济数据等。直接使用所有特征不仅会导致计算复杂度增加，还可能引入冗余和噪声。因此，我们首先通过皮尔逊相关系数分析来评估各特征之间的线性相关性。对于具有高度相关性的特征，我们仅保留其中一个，以避免多重共线性问题的影响。这种筛选能够减少特征的数量，使模型更具解释性和计算效率。在初步筛选特征后，我们应用主成分分析（PCA）对特征进行降维。PCA 可以将高维数据投射到低维空间中，从而减少特征维度并保留最大的信息量。这不仅能加速模型训练过程，还能减少过拟合的风险，从而提升模型的泛化能力。

市场情绪数据往往存在一定程度的短期波动和噪声，这些噪声可能影响模型对长期趋势的捕捉。为了消除数据中的短期噪声，我们采用了指数平滑方法来对数据进行处理。指数平滑的公式如下：

其中，为时间的平滑值，为原始情绪值，是平滑因子，取值在 0 到 1 之间，决定了新数据与历史数据的权重分配。通过指数平滑，可以降低短期波动的影响，保留情绪变化的整体趋势，从而使得模型更容易捕捉到真实的市场情绪动态。

为了确保所有特征在相同的尺度下进行比较和计算，我们对所有保留的特征进行了 归一化处理，将其转换到 [0, 1] 区间。这样可以避免由于特征值量级不同而对模型训练产生不平衡影响，从而确保模型对所有特征一视同仁。

2.2 市场情绪指数的数学建模

市场情绪指数（Sentiment Index）用于量化市场的整体情绪状态，通过加权整合不同的市场特征，得到一个反映市场当前情绪的综合指标。其数学表达式如下：

其中，, , , 表示每个特征的权重，用于反映各特征对市场情绪的影响程度。权重的选择是通过历史数据的回测以及优化算法动态确定的。为了确保情绪指数在不同市场阶段下具有最佳表现，我们使用 Lagrange 乘子法对情绪指数公式进行优化。这种方法通过构建拉格朗日函数，求解最优权重组合，使得模型的误差最小。

其中，为时间的目标情绪值，由历史市场表现得出。该优化问题的目标是最小化情绪指数与目标情绪值之间的差异，从而提高情绪指数的预测准确性。

2.3 动态权重调整

市场情绪的变化是动态的，特征对情绪的影响在不同市场环境下可能存在显著差异。因此，我们提出了一种 动态权重调整 机制，以便在市场的不同阶段（如牛市、熊市或震荡期）自动调整各特征的权重，从而提高模型的灵活性和适应性。

自适应控制是一种通过反馈调整系统参数的方法。在市场情绪建模中，我们使用自适应控制原理，通过对情绪指数的反馈不断调整各特征的权重。权重的更新规则如下：

其中，表示损失函数，为学习率。该公式表示在每个时间步，通过计算损失函数对权重的偏导数，来更新特征权重，使其更加适应当前的市场情绪状态。学习率的选择至关重要，过大可能导致权重的剧烈波动，而过小则可能导致收敛速度过慢。

通过情绪指数的实际表现与目标情绪值之间的偏差反馈，模型能够动态地调整不同特征的重要性。例如，在市场剧烈波动时期，市场恐慌情绪的权重会被相应增加，以提高模型对风险的敏感度。

2.4 异常检测与无监督学习结合

市场中的异常行为，如大户抛售、突然的情绪波动等，往往会对代币价格产生重大影响。为了及时发现和应对这些异常行为，我们采用了 无监督学习方法（如 Isolation Forest） 来检测市场的异常行为。

Isolation Forest 是一种专门用于异常检测的算法，其原理是通过构建隔离树来判断样本的异常性。该算法通过随机选择特征和特征的分割点来划分数据，并计算样本在隔离树中的平均路径长度。路径长度较短的样本被认为是异常样本，因为它们更容易被隔离。通过将 Isolation Forest 与市场情绪指数结合，协议可以识别市场中可能引发大幅波动的风险点。例如，当 Isolation Forest 检测到市场情绪中的异常波动时，协议会相应提高市场灵敏度参数，从而对代币价格调控作出快速反应，避免价格出现剧烈波动。

检测到异常情绪后，协议将及时调整跌停价格的触发条件，以防止市场因异常情绪引发的恐慌性抛售。这种异常检测机制可以帮助系统在面对突发事件时更好地维护市场的稳定性。

3. 跌停价格动态调控

跌停价格动态调控是 ERC-100 协议的重要组成部分，用于在市场波动剧烈时防止代币价格迅速下跌引发的恐慌性抛售。通过情绪指数的建模和灵敏度的动态调整，跌停价格能够有效缓解市场的负面情绪波动，维持市场的稳定性和信任。

3.1 跌停价格公式

跌停价格的动态调控公式定义为：

是当前代币的市场基础价格，通常由市场的交易价格决定。是调控跌停价格的基准，在当前市场条件下，它可以动态反映代币的平均交易价格或某个时间段的市场参考价格。是调控函数，负责将市场情绪指数转换为适用于跌停价格调控的幅度权重。该函数的主要目的是反映市场情绪对价格调控的影响，情绪越悲观，跌停幅度越大；反之，情绪越乐观，跌停幅度越小。

映射函数可以是线性函数或者非线性函数，具体选择取决于市场行为的复杂性。如果市场对情绪变化特别敏感，我们可以设计一个非线性映射函数，例如指数或对数形式，以放大情绪的变化效果。例如：

其中，是调节参数，用于控制情绪指数对跌停价格调控的影响程度。在牛市期间，映射函数可以对情绪的正面变化更加敏感，从而放宽跌停的限制，促进市场自由流动；在熊市期间，映射函数应对负面情绪变化更加敏感，以防止恐慌性抛售。

是市场灵敏度调节系数，反映了市场对情绪指数的响应程度。在跌停价格公式中，控制了情绪指数对价格调整的影响力度。其取值根据市场的不同阶段和风险程度进行动态调整。灵敏度的动态调整公式如下：

其中，是损失函数，通常用于衡量当前的调控策略与目标策略之间的偏差；为学习率，用于控制每次调整的幅度。损失函数的设计可以基于市场的波动率、价格跌幅以及交易量等因素，以确保的更新能够快速适应市场环境的变化。在市场波动剧烈、情绪低迷的情况下，可能会增加，从而使跌停价格调控更加严格，以防止价格迅速下跌。而在市场稳定的情况下，的值可以适当降低，以减少对市场交易的干预，保持市场的自由流动性。

3.2 跌停价格调控函数的优化

为了确保跌停价格调控能够在复杂的市场条件下保持有效性，我们引入了博弈论优化和异常检测结合动态调控的方法。

3.2.1 博弈论优化

市场中存在多样化的参与者，包括大户、散户、机构投资者等，每个参与者的行为都会对市场价格产生影响。为了优化跌停价格调控，我们将市场参与者的行为建模为博弈中的多方参与，并通过博弈均衡分析其对市场价格的影响。

在市场中，参与者的行为是互相影响的，例如大户的抛售行为会影响散户的决策。因此，我们通过 多方博弈模型 来描述这些参与者之间的相互作用。设为第个参与者的行为策略，为其收益函数。每个参与者的目标是最大化其自身的收益：

在这个模型中，可以表示不同参与者的买入、持有、卖出等策略，而 $U_i$ 则表示该策略在不同市场状态下的收益。收益函数可以考虑市场价格的变化、交易量、跌停限制等因素。博弈的核心在于找到一个 纳什均衡点，即在其他参与者的策略给定的情况下，没有任何一个参与者可以通过改变自己的策略获得更高的收益。通过对博弈的均衡分析，我们可以确定当前市场状态下的最优价格调控策略。

通过求解纳什均衡，我们可以找到在不同情绪和参与者行为下的最优跌停价格调控策略。例如，在市场情绪极度悲观时，更多的参与者会选择抛售，为了防止价格暴跌，我们可以通过提高来加强跌停价格的限制，以维持市场稳定性。在市场情绪逐渐恶化的情况下，博弈模型可以帮助我们预测参与者的行为反应，并相应地调整跌停价格策略。例如，当大户抛售可能引发连锁反应时，系统会自动提高跌停限制的严格程度，防止出现群体性抛售。

3.2.2 异常检测与动态调控结合

市场中的异常行为，特别是突发性的大额抛售或大量账户的同步操作，往往会对市场产生巨大的负面影响。因此，我们将异常检测与动态调控结合，以应对市场中的突发异常。

我们采用 Isolation Forest 算法对市场数据进行异常检测。Isolation Forest 的目标是通过随机划分特征，构建异常点的隔离树，并最终得出每个数据点的异常分数。对于异常分数较高的交易行为，系统会识别为可能的风险点。当 Isolation Forest 检测到市场情绪中的异常波动，如大量代币被短时间内抛售，或者链上交易频率出现异常时，系统会触发跌停价格的动态调整，提升市场的灵敏度，以防止市场因异常行为造成的剧烈波动。

当检测到异常波动后，系统会立即对跌停价格进行动态调整，以提高市场的响应速度。此时，灵敏度会被动态调高，从而使得跌停价格更加严格。这一调整机制确保了系统在面对突发市场风险时能够快速反应，减少大幅度价格波动带来的损失。

在进行跌停调控时，系统还会通过用户交互层向市场参与者发送 风险预警信息，让投资者了解当前的市场情绪状态和跌停限制的变化，以便他们做出更加理性的决策。例如，当市场被检测出存在大量异常行为时，系统会向用户提示市场存在高波动风险，建议投资者暂时观望或降低交易量。

4. 系统的整体架构

ERC-100 协议的系统架构结合了多维市场数据的捕获、情绪建模和智能调控机制，实现了对市场价格的动态管理和跌停调控。整体架构分为数据层、模型层、合约层和用户交互层，每个层次各司其职，相辅相成，确保系统的高效运行和用户体验的提升。

4.1 数据层

数据层是整个系统的基础，负责从各个来源获取并处理市场数据，确保提供的输入数据全面、准确。

数据层通过预言机捕获链上和链下的多维数据，包括链上技术指标、市场情绪、宏观经济指标等。预言机如 Chainlink 或 Band Protocol 能够提供可靠的数据源，确保数据的真实性和实时性。

由于数据来自多个不同的来源，为确保其准确性，数据层使用共识机制对输入数据进行验证。例如，通过对不同节点获取的数据进行聚合（计算均值或中位数），过滤掉异常值，保证输入数据的质量和防篡改性。

数据层结合异常检测方法（如 Isolation Forest），实时发现市场中的异常情绪或交易行为。Isolation Forest 能够有效地检测出异常数据点，这对于及时捕捉市场中的突发风险、触发后续的跌停调控至关重要。

4.2 模型层

模型层是 ERC-100 协议的核心计算和分析部分，包含两个主要子模块：情绪建模层和跌停价格调控层。

4.2.1 情绪建模层

情绪建模层负责对市场数据进行分析，以预测市场情绪和趋势，从而为后续的调控策略提供依据。

情绪建模层通过监督学习（如 XGBoost）和深度学习（如 LSTM）对市场情绪进行综合预测。XGBoost 适合于处理结构化数据，可以高效地分析不同市场指标之间的关系，而 LSTM 可以有效地处理时间序列数据，捕捉市场情绪变化的动态特征。

模型层还使用自适应控制方法动态调整情绪模型中的特征权重。在不同的市场阶段（例如牛市和熊市），市场情绪对不同特征的敏感度会发生变化，通过引入自适应控制，可以实时调整这些特征的权重，以提高情绪指数的准确性和适应性。

经过处理和分析后的数据，情绪建模层生成市场情绪指数（Sentiment Index），这是整个系统进行跌停价格调控的重要输入。情绪指数会随着市场数据的变化而不断更新，以确保系统对市场情绪变化的及时响应。

4.2.2 跌停价格调控层

跌停价格调控层负责根据市场情绪指数动态调控代币的跌停价格，以维持市场的稳定性。

跌停价格调控层使用博弈论方法结合市场参与者的行为策略进行优化。通过分析市场参与者（如大户、散户等）之间的博弈行为，确定最优的跌停调控策略，确保在市场均衡状态下，跌停价格的调控能够有效防止恐慌性抛售。

跌停调控层还引入了灵敏度调整因子，以增强调控的灵活性。的取值通过自适应控制动态调整，以应对市场情绪的快速变化。例如，当市场情绪极度悲观时，的值会增加，从而使跌停价格调控更加严格，以防止代币价格暴跌。

调控层利用情绪指数和灵敏度因子，通过调控函数将情绪映射到价格跌停幅度上。该函数可以是线性或非线性形式，具体取决于市场行为的复杂性和调控目标，确保市场在情绪波动时的稳健性。

4.3 合约层

合约层是系统的执行部分，负责将模型层的分析和调控策略转化为实际的价格调控操作。

合约层通过智能合约自动执行跌停价格调控。智能合约部署在区块链上，确保调控规则的透明性和不可篡改性，从而保证市场参与者对系统的信任。

情绪指数和跌停价格调控策略会通过链上智能合约进行实时更新。当情绪指数或市场状态发生变化时，合约层能够自动调整跌停价格，确保整个过程是高效、及时且无需人工干预的。

智能合约还负责保证调控过程的安全性。通过预先设定的触发条件（如情绪指数达到某个阈值），智能合约能够自动执行跌停价格的更新，减少人为错误带来的潜在风险。

4.4 用户交互层

用户交互层是 ERC-100 协议和用户之间的接口，为用户提供透明的市场信息和便捷的操作体验。

用户交互层通过交易平台或钱包界面实时展示市场情绪指数和当前跌停价格。用户可以通过这些信息了解市场的情绪状态和调控措施，帮助他们做出更加理性的投资决策。例如，用户可以看到情绪指数的变化趋势，从而判断市场的未来走势。

在市场情绪极端的情况下，用户交互层还会提供相应的投资建议和风险提示。例如，当市场情绪指数达到极低值且跌停价格限制较为严格时，系统会提示用户市场风险较高，建议采取观望策略。这些提示有助于用户降低投资风险，减少在市场波动剧烈时期的不必要损失。

为了不断优化 ERC-100 协议的调控效果，用户交互层还提供了用户反馈机制。用户可以将使用体验、投资反馈等信息提交给系统，系统会基于这些反馈对情绪模型和调控策略进行微调，以提高整体的用户满意度和市场适应性。

5. 系统的预期效果

ERC-100 协议的设计旨在为代币市场的稳步增长和长期稳定性提供强有力的技术支持。通过数据驱动的智能调控机制，协议能有效应对市场情绪的波动和极端状况，从而为用户和市场提供可靠的投资环境。以下是系统预期达到的三大效果：

5.1 精准的市场情绪预测

精准预测市场情绪是 ERC-100 协议的核心能力之一，通过时间序列分析和深度学习等技术手段，捕捉市场的细微变化，使系统能够做出准确的反应。

市场情绪具有很强的时间相关性。通过对链上和链下数据进行时间序列分析，可以发现情绪变化的模式和趋势。这些分析手段有助于识别历史情绪变化中的规律，从而为未来的市场走向提供更精确的预测。

深度学习模型（如 LSTM）被应用于情绪指数的计算中，以捕捉市场情绪的长期趋势和短期波动特征。LSTM 模型擅长处理时间序列数据，能够有效捕捉市场情绪的长期依赖性。这种方式可以显著提高预测的准确性和可靠性，确保市场情绪指数的实时更新与市场状况保持一致。

ERC-100 协议结合了多种链上和链下特征来预测市场情绪，包括 MACD、RSI、市场情绪分析等。这些特征的融合使得情绪指数更加全面，能更好地反映市场的整体情况。通过机器学习和数据降维技术（如 PCA），系统对多维度特征进行处理，保留最重要的特征，从而构建出精准的情绪指数模型。

5.2 智能化的跌停价格调控

ERC-100 协议通过智能化的方式动态调控代币的跌停价格，以有效应对市场情绪的波动，减少因恐慌情绪导致的市场抛售。

系统通过动态调整参数，使得跌停价格的调控具有更强的灵活性。参数反映了市场对情绪指数的反应程度。在市场极度悲观时，增大，使跌停价格更加严格，抑制恐慌性抛售；而在市场乐观时，减小，促进市场自由交易。的动态调整确保了系统在不同市场阶段都能适应变化，保持市场稳定。

跌停价格调控策略还通过博弈论方法进行优化，将市场参与者建模为多方博弈。通过分析各方参与者的行为策略，系统能够找到最优的跌停价格调控方案，使得市场达到纳什均衡。这种博弈优化的方法确保了跌停价格的调控既能防止市场崩盘，又不会过度干预正常的市场交易行为，保持市场健康发展。

系统结合异常检测（如 Isolation Forest），在市场出现异常波动时，能够及时检测并做出反应。例如，当系统检测到市场中存在异常情绪变化（如社交媒体的情绪迅速变得悲观）时，会自动调高值，使得跌停价格更加敏感，以应对市场的突发风险。通过这种智能化的跌停调控，ERC-100 协议能够有效避免市场情绪剧烈波动对代币价格的负面影响。

5.3 增强的市场信任

ERC-100 协议通过透明的数据驱动调控机制和智能化的市场情绪建模，增强了用户对代币价格和市场机制的信任。

ERC-100 协议的所有调控措施均基于公开透明的市场数据，用户可以清晰地看到系统如何利用这些数据来做出调控决策。例如，情绪指数和跌停价格的计算都依赖于预言机提供的链上和链下数据，并通过智能合约自动执行。这种透明的数据驱动调控机制确保了调控过程的公正性，用户可以相信系统不会受到人为操控，从而提高对市场的信任。

用户能够通过交互界面查看情绪指数的变化趋势和当前的跌停价格设定，了解市场情绪对价格的影响。情绪指数的变化和调控策略的调整都通过链上数据进行记录，用户可以追溯到每一个调控决策背后的数据来源和计算逻辑。这种可追溯性提高了系统的透明度，使用户更愿意相信并参与市场活动。

在市场极端情绪（如恐慌情绪）出现时，用户最关心的是市场的稳定性。ERC-100 协议通过跌停价格调控有效抑制了代币价格的暴跌，避免因恐慌情绪蔓延引发的抛售浪潮。这种稳定的调控措施不仅保护了投资者的利益，也增强了市场整体的信心，减少了代币价格的剧烈波动对整个生态系统的负面影响。

用户在使用 ERC-100 协议的过程中，可以通过系统提供的反馈机制提交他们的使用体验与建议。系统会根据这些反馈信息不断优化情绪模型与调控策略，从而在下一轮调控中做出更符合市场实际的反应。这种以用户为中心的持续优化机制，进一步增强了市场参与者对协议的信任，并吸引更多用户加入，从而提升整个市场的参与度和流动性。