(下文为对 Wenbin Wu 论文 “Tokens All the Way Down: A Money View of Decentralized Finance” 的详尽逐章解构与图表逐一解读;文中所述结论/推断均标注了原文页码以便溯源。)1
一、元数据与总体概览
题目与作者:论文题为 “Tokens All the Way Down: A Money View of Decentralized Finance”,作者为 Wenbin Wu(Cambridge Judge Business School)1 。
研究对象与范围:构建并分析一个包含约 10,200 个代币、跨 200 条链的 Token Graph,样本频度为池-月面板(2022-02 至 2025-12),约 2.0M 观察值并着重分析层级与收益率的关联 8 10 。
核心结论(作者意图传达的主要信息):
DeFi 存在类似传统银行“货币乘数”的层级化信用结构,论文引入“layering multiplier”衡量每一美元基底资产支撑的总索赔额,至 2025 年 Q4 为约 4.7 倍 1 12 。
原始(未校正)数据显示更深层代币收益率上升,但纠正后可分为两个对立通道:一是组合构成通道(更深层更多为借贷协议,机械性提高平均收益);二是结构性流动性折扣(每一道派生步骤降低二级市场深度,抑制流动性敏感池的收益)1 2 14 。
结构性折扣主要集中在 DEX 池(流动性敏感),在借贷池中消失;且层级效应主要通过基本协议收益(非奖励代币发放)运作,且集中在收益分布的上尾(中位数几乎为零效应)15 16 。
二、逐节深度解读
(按论文结构:摘要→引言→概念框架→数据与方法→结果→讨论→结论)
摘要与引言(报告主旨与动机)
论文把 DeFi 中的代币派生/重叠视为“信用层级”(Money View 的延伸),把层级看作真实的信用扩张机制,而非纯粹的 TVL “重复计数”噪声;作者主张把这类结构化嵌套视为金融体系的关键风险通道而非仅仅是测量问题1 3 。
文中给出的实证目标是:构建 Token Graph、定义 tier(层级)、测算 layering multiplier、并检验层级/图形距离如何预测池级 APY(以及在危机期间的动态)2 4 。
概念框架(Section 2)
把 DeFi 协议抽象为“接受代币并发行凭证”的金融中介,池(pool)是单次转换的记录(输入 token → 输出 token → TVL),并据此从池层级构建有向边,得到 token 图(Token Graph)4 。 图示(Fig.1)明确了以 Aave 为例的 deposit→receipt 转换关系(USDC → aUSDC;WETH → aWETH)4 。
图像:
5
层级定义:Tier 0 为“基底代币”(链原生代币及法币挂钩稳定币),Tier 1 为直接由 Tier 0 派生(wrapped、liquid staking、CDP-minted stablecoins),Tier 2/更高层由接受更高層輸入的協議發行的代幣构成;数学上以 derivation graph 中从任一 Tier 0 到该代币的最短路径长度定义 tier(Section A.3)5 23 。
三类经济含义不同的“层级转换”:格式转换(不创造额外购买力,如 ETH→WETH)、通过质押创造的流通凭证(如 ETH→stETH,使底层被锁定但凭证可流通)和通过借贷创造(如 WETH→aWETH,能实现同时存在的两份流通性/索赔),借贷转换最直接类似传统银行的存贷乘数机制6 。
layering multiplier 定义为映射的总 TVL 除以 Tier 0 的 TVL(LM=TVL_mapped / TVL_Tier0),用于量化系统层级化程度并可分解为不同协议类型的贡献(staking、lending、其他)7 24 。
数据与方法(Section 3)
数据源:以 DefiLlama 为主,覆盖 >7,000 协议、约 18,000 池,包含池级 TVL、APY、链/协议标识等;作者注意到 DefiLlama 的 TVL 报告存在渠道异质性(adapter 来源),且 Saggese et al. 指出 <50% 的 aggregate TVL 可链上独立验证;但作者将层级发现主要依赖于“拓扑结构”而非 TVL 数量,从而部分减少报告误差的影响4 8 。
Token Graph 构建:从池的输入/输出映射构建全图 G_full(约 10,200 节点、12,100 边),随后去除交易协议、交叉抵押等,得到 derivation graph 用以层级分配;图近乎无环,79 个 cycle 的 TVL 可忽略,算法以 TVL 加权 BFS 传播 tier(见 Algorithm 1 的步骤细节)8 24 。
Tier 判定与敏感性:Tier 0 由 in-degree=0 且满足最小连通性/TVL 门槛的代币自动识别,基准配置得到 169 个 base tokens;对 25 个参数配置的敏感性分析显示核心代币在所有配置中均为 Tier 0,说明核心判定稳健9 25 。
实证识别(面板回归):以池-月为单元、样本覆盖 2022-02 至 2025-12,共 2,036,562 观察(保留 tier 0–3、去除 TVL <$1k,并对 APY 在 1%/99% 位截尾)10 。基线回归形式为 APY_it = β·Tier_i + γ·log(TVL_it) + δ·Stablecoin_i + α_t + ε_it,并扩展到带协议类型与链固定效应的饱和模型;graph distance(最短路径跳数)作为对 tier 的补充连续变量以捕捉细颗粒结构10 。标准误按池聚类(clustered by pool)以处理面板内相关10 。
结果(Section 4)
Token Graph 与层级演化:作者报告 Token Graph 的组成(Fig.2)表明 Tier0 由 ETH 与主要稳定币主导;Tier1 以 liquid staking derivatives(stETH 等)为主;Tier2 主要为借贷 receipt tokens 与 restaking wrappers,显示“stake then lend”模式导致价值在更高层高度分散11 。
图像(Tier composition):
11
层级乘数与时间序列:Fig.3 展示自 2022 起的 Tier 比例与 layering multiplier 变化,乘数在危机期间(Terra、FTX、SVB)出现去杠杆,随后回升至 4.7×(Q4 2025);乘数的超额部分由借贷(近一半)和质押(约 40%)驱动12 。
图像(Tier shares 与 Layering Multiplier):
12
初始回归谜题(未校正 APY):基线(Table 4)显示 tier 对 APY 的系数为负(更深层 APY 似乎更低),但加入协议类型(protocol FE)或链 FE 后,系数发生较大变化,暗示存在组合构成与链层面异质性影响13 。
嵌入式收益校正(Embedded yield correction):论文指出数据源只报告外层协议 APY,忽略上游嵌入收益(例如 Tier2 的 aPool 可能没有把 weETH 的 staking 收益计入),于是构建校正项:对每条 derivation 边提取 creation yield 并递归加总得到 token 的嵌入收益(匹配率为 62% 的非 DEX 边,未匹配默认 0,对校正保守),并将被校正 APY 用作被解释变量14 。作者并指出该校正因与被解释变量来自同一数据生态系而存在测量误差与循环性,但这种误差倾向于对系数造成向零的衰减而非伪造正效应14 。
嵌入校正结果(Table 5):嵌入收益校正后,tier 的负系数几乎被衰减(约 93%),变得不再显著;而 graph distance(每 hop)仍然显著负向(抗衰减仅约 23%),说明组合/协议构成通道与结构性距离通道并存,且二者方向相反:校正后 Tier(离散层级)呈正的“组合溢价”(更高层集中借贷导致更高基础收益),而 graph distance 呈显著负向折扣(每多一跳收益下降)14 15 。表中在联合回归中同时包含 tier 与 graph distance 时,得到:Tier ≈ +2.0 pp/层,Graph dist ≈ −2.9 pp/跳(均在 1% 水平显著)14 15 。
收益分解(基本收益 vs 奖励收益):DefiLlama 将 APY 拆为 base yield(利用率/手续费)与 reward yield(激励代币发放),论文发现层级效应集中在 base yield(reward yield 无显著层级梯度),暗示结构效应来自基础流动性/利用率机制而非激励分发差异15 。
分位回归(分布证据,Fig.4):Quantile 回归显示层级/图距效应在高收益尾部(Q75–Q90)尤为显著,在中位数附近接近零;graph distance 在 Q90 的系数极大(如 −4.98 pp),这说明层级结构的经济含义主要体现在高收益池(可能更薄弱流动性或更高风险的池)而非整体分布的中心16 。
图像(Quantile 回归):
16
时间变化与危机(Fig.5):滚动回归显示层级系数随时间波动,只有在 SVB 危机期间观测到显著的层级差异化加剧(compositional premium 大幅上升,约为正常期的三倍),而 Terra/FTX 事件的层级差异化并不显著;作者谨慎称支持 Countercyclical Hypothesis 为提示性而非确定性,需要更长时间序列来确认16 17 。
图像(Time-varying tier coefficients):
16
机制探索與類別分樣(Table 6)
协议类型子样本回归显示:在借贷池(lending pools)中,graph distance 的系数为正且不显著(+1.00,p=0.19),说明借贷协议以利用率驱动利率设定,较少受代币层级影响;在 DEX 池中,graph distance 的负效应放大(−4.41 pp/跳,p<0.001),表明结构性折扣集中于流动性敏感型池(DEX LP),即二级市场深度随派生距离恶化导致收益下降17 18 。表 6 明确将机制归因于“流动性碎片化”而非通用的 upstream credit risk17 。
限制与稳健性(Section 5.2、Appendices)
解释力有限:完整规格 R^2 仅 ~5.9%(base-yield 分解稍高为 6.8%),作者明确指出层级仅解释收益变异的一小部分,其信号集中于高尾与基本收益部分19 。
内生性与数据覆盖问题:作者承认 tier 是均衡产物(protocol 设计与用户行为的结果),无法完全消除混淆;嵌入校正匹配率为 62%,未匹配的 38% 大多在小 TVL 协议;在极端假设下校正可能会减弱 graph distance 的显著性,但在保守与中间插补下该效应仍然存在14 19 。
乘数的预测能力有限:Granger 因果检验表明 layering multiplier 无法预测未来 TVL 回撤或收益利差扩大(p>0.25),而变化更多反映资本流入(被动的状态量),因此乘数更适合用作“当期结构性晴雨表”而非领先指标20 。
其他稳健性:对 tier 判定与参数(out-degree、TVL 阈值)进行 25 个配置的敏感性分析及逐季度独立重建显示核心 token 层级稳定(自 2023Q1 起与基线一致度 >95%),并做了随机置换检验与 Oster 风险选择分析以检验系数稳定性25 26 28 。
三、图表与表格的逐一深度解读(关键表/图)
Fig.1(page 4): 说明单个借贷协议如何把 Tier0 资产转换为 Tier1 收据代币(示例 Aave:USDC→aUSDC,WETH→aWETH),视觉上支持“每个池代表一个派生/凭证转换”的核心建模思路,并解释了有向边的来源(池级输入→输出)4 5 。
Table 1(page 5): 列举各 tier 的代表代币及其 Q4 2025 TVL(如 ETH 40.5 B 、 U S D C 40.5B、USDC 40.5 B 、 U S D C 15.9B;Tier1 的 WETH 44.8 B 、 s t E T H 44.8B、stETH 44.8 B 、 s tET H 29.0B;Tier2 的 weETH $15.4B 等),该表明确显示价值在 Tier0/1 聚集,而更高层代币 TVL 逐渐缩小,支持“价值耗损 + 高层碎片化”的描述6 。
Table 2(page 8): 面板描述统计按 tier 划分:Tier0 (N=560,514 pool-months, pools=1,324) 的 APY mean 7.97%,median 1.92%,log TVL 均值 12.62,稳定币池占比 33.9%;Tier1/Tier2/Tier3 的样本量与 APY 分布显示中位数通常低于均值,且高层雜訊(S.D.)和稳定币比率随层级波动,提示收益分布具有重尾且不同层级的池结构差异显著9 。
Fig.2(page 10): 按 tier 的 TVL 头部代币条形图(a: Tier0、b: Tier1、c: Tier2)直观显示 Tier0 由 ETH 主導、Tier1 由 stETH/wrapped 代幣主導、Tier2 出现 Aave/借贷 receipt tokens 与 restaking wrappers,说明“stake then lend”模式在图谱上可被清晰识别11 。
Table 3(page 10): 各层转换(T0→T1、T1→T2、T2→T3、T3→T4)的 TVL 与协议類型占比:例如 T0→T1 总额 $72.3B,40% 由 staking、33% lending;到 T2→T3 中 lending 占比 99%,staking 几乎为 0,明确定量了“stake then lend”向上聚合为借贷中介的事实11 。
Fig.3(page 11): (a)显示各 tier 在映射 TVL 中的比例随时间演进;(b)展示 layering multiplier 的时间序列(危机中下降,后回升至 4.7× Q4 2025),并在图中标注主要事件(Terra、FTX、SVB、BTC ETF)便于观察危机冲击与乘数变化的同步性12 。
Table 4(page 12): 基线回归显示在不同固定效应设定下 tier 的系数波动(基线为负、加入 protocol FE/chain FE 后系数被吸收或改变),提示单一变量模型可能将组合效应与结构效应混淆13 。
Table 5(page 14): Embedded yield correction 的核心证据表:原始模型显示 Tier 负系数;校正后 tier 系数衰减 93%(变得不显著),而 graph distance 仅部分衰减且保持显著,这一表直接支持论文的双通道解释(compositional premium vs structural distance discount)14 15 。
Fig.4(page 15): 分位回归系数图表(Tier 与 Graph distance)表明效应集中于收益分布上尾(Q75–Q90),中位数处接近零,强调层级结构在“高收益/高风险”池中的重要性而非普遍性16 。
Fig.5(page 15): 时间序列的 rolling regressions & 危机子样本显示 SVB 事件期间 tier 溢价显著放大,提示当底层(如 USDC)发生信用/流动性冲击时,基于该底层的衍生物会在层级上以更大的价格/收益差异被重估16 17 。
Table 6(page 17): 协议类型分样回归清晰地显示机制差异:在 lending 子样本 graph distance 不显著(或正向不显著),在 DEX 子样本 effect 很强且为负(−4.412 pp/跳),强支持“流动性碎片化”机制18 。
四、估值相关内容
论文并非企业估值性质的研究,不包含 DCF、P/E 等传统估值方法;因此“估值分析”项在本研究中不适用,作者的“估值”对应为系统性乘数(layering multiplier)的计量与分解,而非单一资产估价7 12 。
五、风险因素评估(论文识别出的风险与潜在影响)
主要风险:流动性碎片化(liquidity fragmentation)会在多跳派生中放大,导致 DEX 池深度下降和基础收益降低,从而在危机时放大折价与赎回压力17 18 。
数据/测量风险:DefiLlama 报告异质性与部分 TVL 无法链上独立验证可能影响绝对数值,但作者通过聚焦拓扑与敏感性分析部分缓解该问题;嵌入收益校正因 38% 边未匹配而保守(默认为零),但仍可能漏计真实嵌入收益8 14 19 。
内生性风险:tier 的形成依赖协议设计与用户行为,存在逆向因果或共同决定因素,作者将结果定位为条件相关而非严格因果,并建议以外生冲击或工具变量做进一步因果检验19 。
系统性监管/传染路径:借贷驱动的多跳层级在危机中能放大下游依赖(如 USDC depeg 对上游衍生物的传导),提示跨链与跨协议的传染路径应成为宏观审慎监测重点17 18 。
六、批判性视角与细微差别(基于原文内容的审慎评价)
强项:
方法上首次将 token-level 派生拓扑系统化并量化“layering multiplier”,提供了宏观层面上对 DeFi 衍生化程度的直观度量与分解4 12 。
通过嵌入收益校正识别并分离组合效应与结构效应,方法创新且解释力强(能清楚解释为何未校正数据出现“相反”结论)14 。
局限(作者已坦承并做稳健性检验):
解释力小(R^2 ~5.9%):层级只能解释收益少部分变异,说明池级收益受 reward 计划、市场因子与个池特征强烈驱动,层级只是其中一个有限的结构性信号19 。
嵌入校正的循环性与测量误差:嵌入收益来自于同一数据生态,匹配率非 100%,因此校正的测量误差会导致对系数产生向零的偏倚(作者已指出这一点),这使得“校正后发现 tier 正向系数为由组合导致”结论更加保守但也依赖于校正的可靠性14 。
因果推断受限:尽管作者使用丰富固定效应和随机化推断(permutation test),但 tier 本身可能与不可观测的协议特征相关;论文把结果定位为条件相关而非因果说明是恰当的19 。
乘数的预测限度:layering multiplier 为当期结构性指标但并非未来危机的领先信号(Granger 检验显示非前导),因此其宏观监管价值更多是横截面/实时监测而非预警20 。
七、结论性综合(整篇报告的最关键发现与来自图表的深刻见解)
核心综合结论:DeFi 的代币派生不是单纯的“TVL 重复计数”噪声,而是形成了与传统金融类似的层级信用结构;作者以 Token Graph 和 layering multiplier 将这一结构显性化并量化(LM ≈ 4.7× Q4 2025),并通过嵌入收益校正区分出两条相反经济通道:组合构成带来的层级溢价(更深层集中借贷,从而提升平均基础收益)与结构性图距折扣(每多一跳在流动性敏感池降低收益)12 14 17 。
图表驱动的深刻见解:
Fig.2 + Table1/3:展示“stake then lend”模式的量化证据(T2→T3 几乎全部由 lending 驱动),说明借贷是层级放大的主要发动机11 。
Fig.3:乘数随危机先降后升,说明市场在危机中去杠杆但随后重建衍生层,乘数反映的是资本流入驱动的状态量而非危机前兆12 。
Table5 与 Fig.4:嵌入校正揭示原始负梯度的测量性成分,且实证显示结构性折扣集中于收益上尾(高收益、可能流动性差的池),提示风险管理应聚焦“尾部与流动性敏感性”而非整体平均效应14 16 。
Table6:差异化机制——借贷池对图距敏感性低(由算法/利用率主导),DEX 池则对图距高度敏感(流动性碎片化造成收益折价);这一区别有助于把 Money View 从抽象的“上游依赖风险”具体化为“流动性传导机制”17 18 。
作者的立场重申:论文结论倾向于把 DeFi 的“重复计数”重新框定为结构性风险问题,提出 layering multiplier 作为系统层面实时监控工具,并将流动性碎片化识别为驱动层级收益差异的主要机制21 。
八、对监管者与投资者的实务含义(摘要)
监管/宏观审慎:layering multiplier 可用于衡量系统派生化程度并辅助实时监测(但非有效危机预警指标),监管关注点应包括借贷与质押驱动的层级构建与二级市场流动性的厚度20 。
对投资者:未校正的外层 APY 可能低估某些深层代币的实际总回报(嵌入收益被遗漏),但结构性图距折扣意味着远离基底资产的池在边际收益上真实更低(尤其在 DEX/流动性敏感池),因此投资者在评估收益时应同时考虑“报告收益 + 嵌入收益”以及池的流动性特征14 20 。
總結:本文通过建设性的拓扑方法与谨慎的校正策略,首次把 DeFi 的代币派生网络化并将其与收益结构联结,提出“layering multiplier”并识别出“组合溢价”与“结构性图距折扣”两条对立通道,实证显示流动性碎片化是导致收益差异的主要机制。论文在数据限制与因果识别方面有自我约束,但其方法论与发现为 DeFi 宏观监测、风险识别与后续实证(如利用外生冲击做工具变量)提供了清晰可操作的路线图12 14 17 19 。