Resumo Técnico: Modelagem e Estimação das Taxas de Transação do Bitcoin

1. O Problema e o Contexto

À medida que o subsídio de bloco do Bitcoin diminui devido aos halvings, as taxas de transação tornar-se-ão a principal fonte de receita para os mineradores. No entanto, estudar a formação dessas taxas é desafiador porque o ambiente de fila (queueing environment) — especificamente o estado do mempool (memória pool de transações não confirmadas) no momento em que a taxa é escolhida — não é observável em dados puramente de blockchain.

A literatura existente frequentemente utiliza dados reduzidos ou de baixa frequência, falhando em capturar a dinâmica de prioridade e congestionamento em tempo real. Este artigo visa preencher essa lacuna ao desenvolver e estimar um modelo estrutural de escolha de taxas, tratando o mempool como um mercado de espaço de bloco escasso.

2. Metodologia e Dados

2.1. Fonte de Dados Inovadora

Os autores construíram um painel de dados de alta frequência a partir de um nó Bitcoin Core autogerido (operado pela Digital Currency Initiative do MIT). O conjunto de dados cobre aproximadamente nove semanas (agosto a outubro de 2025) e inclui:

• Entradas e saídas de transações no mempool.
• Inclusão em blocos.
• Eventos de aumento de taxa (fee-bumping), como RBF (Replace-by-Fee) e CPFP (Child-Pays-for-Parent).
• Snapshots de congestionamento a cada 25 segundos.

Essa granularidade permite reconstruir o ambiente de fila que cada transação enfrentou no momento da escolha da taxa, um dado crucial ausente em estudos anteriores baseados apenas na blockchain.

2.2. Estrutura Teórica

O modelo adapta o framework de Huberman et al. (2021) para o protocolo Bitcoin, onde a capacidade do bloco é baseada em weight (peso) e não apenas no número de transações.

• Mecanismo VCG: O mercado de taxas é caracterizado como um mecanismo de Vickrey-Clarke-Groves (VCG). Os usuários pagam a externalidade de atraso que suas transações impõem às transações de menor prioridade.
• Equação de Estimação: A taxa de transação ($b$) é modelada como uma função da:
  1. Tecnologia de Atraso: A relação entre a prioridade (percentil da taxa) e o tempo de confirmação esperado.
  2. Preferências do Usuário: O custo de atraso (impaciência) do transator.
  3. Características da Transação: Tamanho, tipo e mecanismos de fee-bumping.

A equação log-linear derivada é:
$$\log(b_{it}) = \log(c_{it}) + \log(D(p_{it}, s_t)) + \log(\text{Weight}_{it}) + \text{const} + \epsilon_{it}$$
Onde $D$ representa a redução marginal no tempo de confirmação ao aumentar a prioridade.

2.3. Estratégia Empírica (Estimação em Duas Etapas)

Os autores utilizam uma abordagem de duas etapas para separar a tecnologia de atraso das preferências dos usuários:

1. Primeira Etapa (Tecnologia de Atraso):

   • Utiliza uma Floresta Aleatória (Random Forest) para estimar o tempo de confirmação esperado como uma função flexível da prioridade e do estado do mempool.
   • Restrição de Monotonicidade: Impõe-se que maior prioridade não pode aumentar o atraso esperado. Isso é feito via regressão isotônica sobre as previsões da floresta.
   • Calcula-se a inclinação local ($\hat{W}'$) da curva de atraso, que representa o valor marginal de um aumento na prioridade.

2. Segunda Etapa (Equação de Taxas):

   • Estima-se uma equação de taxas logarítmica usando Mínimos Quadrados Ordinários (MQO) com efeitos fixos de época (janelas de 30 minutos).
   • A variável chave é a inclinação local estimada na primeira etapa.
   • Inclui controles para características da transação (RBF, CPFP, tipo de transação) e estado do bloco.
   • Utiliza splines monótonos para modelar a relação com a impaciência (proxy baseada no tempo de re-gasto de UTXOs).

3. Resultados Principais

3.1. Determinantes do Atraso e Valor da Prioridade

• Congestionamento é Dominante: O nível de congestionamento do mempool (utilização do espaço de bloco e tamanho da fila) é o principal determinante do atraso absoluto.
• Gradiente de Atraso: A relação entre prioridade e atraso torna-se mais íngreme quando o mempool está congestionado. Em períodos de baixa congestão, a prioridade tem pouco valor (a curva é plana).
• Resposta das Taxas: As taxas respondem diretamente à tecnologia de atraso. Quando um aumento marginal na prioridade resulta em uma grande redução no tempo de espera (gradiente íngreme), os usuários pagam mais. O coeficiente estimado para o log do gradiente de atraso é negativo e estatisticamente significativo, confirmando a previsão do modelo VCG: quanto mais eficiente a prioridade em reduzir o tempo, menor a taxa necessária para atingir um certo nível de confirmação (ou inversamente, a taxa reflete o valor dessa redução).

3.2. Impacto de Mecanismos Institucionais

• RBF (Replace-by-Fee): Transações marcadas com RBF pagam um prêmio de aproximadamente 93%, sinalizando alta urgência.
• CPFP (Child-Pays-for-Parent): Pacotes CPFP pagam cerca de 15% a menos do que transações independentes de mesma prioridade aparente, refletindo a subsidiação de taxas dentro do pacote.
• Tipos de Transação: Transações com OP_RETURN ou inscrições (NFTs) pagam taxas menores, indicando menor sensibilidade ao tempo.

3.3. Estabilidade Temporal e Poder Explicativo

• Variação Cruzada vs. Temporal: O modelo explica muito bem a variação das taxas dentro de uma mesma época (entre transações diferentes no mesmo momento), mas tem dificuldade em prever a variação do nível médio de taxas entre diferentes épocas.
• Efeitos Fixos: A maior parte da variação temporal é absorvida pelos efeitos fixos de época, sugerindo que choques agregados (comportamento de mineradores, macroeconomia) dominam as mudanças de longo prazo, enquanto o modelo estrutural captura a microestrutura de preços.
• Robustez: Os resultados são robustos a diferentes especificações de aprendizado de máquina (ex: Gradient Boosting) e à inclusão de proxies de impaciência.

4. Contribuições Chave

1. Novo Conjunto de Dados: Apresentação de um painel de mempool de alta frequência que captura a dinâmica de entrada/saída e o estado de congestionamento em tempo real, permitindo a observação do ambiente de fila.
2. Modelo Estrutural Aplicado: Adaptação bem-sucedida de um modelo de precificação de prioridade (VCG) para o contexto específico do Bitcoin (baseado em peso e com mecanismos complexos como RBF/CPFP).
3. Separação de Tecnologia e Preferências: Demonstração empírica de como separar a "tecnologia" de atraso (como a rede funciona) das preferências dos usuários (quanto eles estão dispostos a pagar), algo difícil de fazer sem dados de mempool.
4. Validação de Mecanismos: Evidência quantitativa de que os mecanismos de fee-bumping (RBF/CPFP) alteram significativamente a formação de preços e que o mercado de taxas reage racionalmente à inclinação da curva de atraso.

5. Significado e Implicações

O estudo fornece uma base sólida para entender a economia das taxas do Bitcoin à medida que o subsídio de bloco desaparece.

• Para Protocolos e Wallets: Os resultados sugerem que a estimativa de taxas deve ser dinâmica, baseada não apenas no tamanho da fila, mas na inclinação local da curva de atraso (o "valor" de subir na fila naquele momento específico).
• Para Reguladores e Pesquisadores: O modelo oferece objetos empíricos claros para análise contrafactual, permitindo simular como mudanças na capacidade de bloco ou no comportamento dos mineradores afetariam as taxas.
• Limitações: O estudo destaca que, embora o modelo capture bem a microestrutura, a previsão de longo prazo das taxas médias é difícil devido a choques agregados não observados. A extensão temporal dos dados é necessária para capturar regimes de mercado mais variados.

Em suma, o artigo demonstra que o mercado de taxas do Bitcoin opera de forma eficiente e estruturada, onde os preços refletem o custo marginal de atraso imposto aos outros participantes, mediado pela tecnologia de congestionamento da rede.