pythroadmapand

Zum Beispiel ETH gegen SOL tauschen. Du hast einen Blick auf den Preis geworfen, fandest ihn angemessen, hast auf Bestätigen geklickt – und im Handumdrehen war die Transaktion abgeschlossen, so reibungslos wie mit einer Kreditkarte.
Aber hast du dich jemals gefragt: Wer legt eigentlich diesen Preis fest? Wer entscheidet, wie viel 1 ETH in diesem Moment wert ist?
Eigentlich arbeitet hinter den Kulissen ein System namens „Orakel“. Sie sind wie „Informanten“, die in die reale Welt der Blockchain eingepflanzt sind und für die Preisberichterstattung verantwortlich sind. Aber die alte Generation von Orakeln ist oft langsam, teuer und verlässt sich häufig auf eine einzige Datenquelle, was sie unzuverlässig macht.
In diesem Moment trat das Pyth Network auf den Plan. Es möchte nicht nur eine gewöhnliche Münze sein, sondern die gesamte Finanzdateninfrastruktur neu aufbauen – die Regeln von Grund auf neu schreiben.

Beim Spielen mit DeFi ist das Frustrierendste nicht, eine Marktbewegung zu verpassen, sondern durch „ungenaue Daten“ Verluste zu machen – etwa wenn der Preis bei einer Liquidation plötzlich einen „Docht“ bildet. Man orientiert sich am Echtzeitpreis, doch on-chain werden Daten verwendet, die mehrere Minuten alt sind, und schon ist Geld verloren. Die Ursache des Problems liegt bei den „Boten“, die Daten an die Blockchain übermitteln: den Oracles. Das derzeit angesagte Pyt@undefined löst genau dieses Problem und erweitert den Nutzen von Daten sogar über die Kryptowelt hinaus auf traditionelle Finanzbereiche wie Aktien und Devisen.

Zunächst einmal: Das Besondere an Pyth ist, dass es ein „First-Party-Oracle“ ist. Anders als Oracles, die Daten über Crawler von Drittanbietern beziehen, erhält Pyth seine Daten direkt von führenden Handelsunternehmen – etwa von Teams, die Hochfrequenz- oder institutionellen Handel betreiben. Sie übermitteln ihre eigenen Echtzeit-Transaktionsdaten direkt an Pyth, ohne Zwischenstation. Was bedeutet das? Die Daten sind schnell und präzise, können auf dem Weg nicht manipuliert werden und treffen ohne Verzögerung ein. Für normale Nutzer heißt das: Bei einer Liquidation werden sie nicht durch „veraltete Daten“ benachteiligt. Für Institutionen ist die Datenzuverlässigkeit hoch genug, um große Summen in On-Chain-Anwendungen zu investieren.

Letzten Monat habe ich was extrem Verrücktes gemacht — an einer dezentralen Börse US-GDP leerverkauft, und in drei Tagen zwei Monatsgehälter verdient. Als ich meinem Kumpel aus dem Investmentbanking damit angeberisch um die Ohren gehauen habe, starrte er zehn Minuten lang auf die Handelsaufzeichnungen und brachte schließlich nur heraus: „Ihr Krypto-Verrückten zerstört unser festes Brot und macht daraus Spielzeug.“
1. Dieser Orakel macht aus Daten „lebendige Wesen“
Früher waren die Kursdaten auf der Blockchain wie Supermarktware kurz vor Ablauf — alles, was andere aussortiert hatten. Pyth Network bringt Börsen und Market Maker dazu, selbst einen Laden zu eröffnen und frisch vor Ort zu kochen:
Die knackigen Handelsdaten von Binance kamen dampfend auf die Kette

Im Bereich der Blockchain-Orakel ist die Entwicklung von Pyth Network eine Revolution, die das traditionelle Modell der Datenverteilung in Frage stellt. Vom Konzept im Jahr 2021 bis hin zu einem Branchenherausforderer, der auf einen Markt von 50 Milliarden Dollar zielt, hat jede Evolutionsstufe die Regeln des Datenverkehrs zwischen dezentraler und traditioneller Finanzen tiefgreifend beeinflusst.
Aufkeimphase: Grundsteinlegung der Infrastruktur (2021-2023)
Die Geschichte von Pyth Network begann im April 2021, als der Kryptomarkt mit den branchenspezifischen Problemen der Verzögerung von Orakeldaten, hohen Kosten und unzureichender Zuverlässigkeit konfrontiert war. Das Gründungsteam erkannte scharfsinnig, dass das traditionelle Push-Modell der Orakel, das Daten kontinuierlich überträgt, nicht nur Netzwerkressourcen verschwendet, sondern auch schwerlich die Anforderungen von Hochfrequenzhandelsszenarien erfüllen kann. Basierend auf dieser Erkenntnis etablierte das Team das Kernkonzept "Daten nach Bedarf abrufen" und legte somit den Grundstein für das spätere Pull-Modell.