Wechselwirkungen zwischen Mining-Kosten, Mining-Belohnungen und Blockchain-Sicherheit

1 Einleitung

Diese Arbeit untersucht die grundlegenden ökonomischen Wechselwirkungen innerhalb von Proof-of-Work (PoW)-Blockchain-Systemen. Sie postuliert, dass die Kosten für den Betrieb der Blockchain (Mining-Kosten) intrinsisch mit den Kosten für deren Absicherung gegen Angriffe verbunden sind. Die zentralen Forschungsfragen untersuchen die Beziehung zwischen den Marktergebnissen von Kryptowährungen (Preis), den Anreizen für Miner (Belohnungen) und dem daraus resultierenden Sicherheitsniveau des verteilten Hauptbuchs.

Die vertrauenslose Natur von PoW-Blockchains beruht darauf, dass Miner Rechenressourcen aufwenden, um Transaktionen zu validieren und neue Blöcke zu erzeugen. Ihre Anreize werden primär durch Blockbelohnungen getrieben, die in der nativen Kryptowährung denominiert sind. Daher wirken sich Schocks auf den Fiat-Preis der Kryptowährung direkt auf die Mining-Rentabilität und folglich auf die dem Netzwerk gewidmete Hash-Leistung (und damit Sicherheit) aus. Dies erzeugt eine potenzielle Feedbackschleife zwischen Marktbewertung und Netzwerksicherheit.

2 Theoretischer Rahmen & Gleichgewichtsmodell

Die Autoren entwickeln ein theoretisches Modell, um die Gleichgewichtsbeziehung zwischen den Schlüsselvariablen abzuleiten.

2.1 Kernökonomisches Modell

Das Modell konzeptualisiert Miner als rationale Akteure. Die Entscheidung, Hash-Leistung $H_t$ zu einem Zeitpunkt $t$ einer bestimmten Blockchain zuzuweisen, ist eine Funktion der erwarteten Belohnung $R_t$ (Blockbelohnung + Transaktionsgebühren, in Fiat-Wert) und der damit verbundenen Kosten $C_t$, die maßgeblich durch Stromausgaben getrieben werden. Im Gleichgewicht entsprechen sich Grenzkosten und Grenzerlös: $MC(H_t) = MR(H_t)$.

2.2 Sicherheitsbudget & Angriffskosten

Eine kritische Metrik ist das "Sicherheitsbudget", das durch den gesamten Fiat-Wert der Mining-Belohnungen pro Zeiteinheit approximiert werden kann. Die Kosten eines 51%-Angriffs stehen in direktem Zusammenhang mit diesem Budget. Das Modell legt nahe, dass die Unveränderlichkeit der Blockchain durch die wirtschaftliche Undurchführbarkeit gestützt wird, ausreichend Hash-Leistung zu erwerben, um das ehrliche Netzwerk zu überwältigen, was eine Funktion von $R_t$ und dem Hash-Rate-Markt ist.

3 Methodik & Daten

3.1 Autoregressive Distributed Lag (ARDL)-Ansatz

Um die theoretischen Beziehungen empirisch zu testen, verwendet die Arbeit den Ansatz der Autoregressive Distributed Lag (ARDL)-Kointegration. Diese Methode wurde gewählt, weil sie Variablen mit unterschiedlichen Integrationsordnungen (z.B. I(0) und I(1)) verarbeiten kann und es erlaubt, alle relevanten Blockchain- und Marktzeitreihen (Preis, Hash-Rate, Schwierigkeit, Transaktionsgebühren) als potenziell endogen zu behandeln, wodurch die komplexen Feedbackschleifen erfasst werden.

3.2 Datensatz (2014-2021)

Die Analyse verwendet tägliche Daten von 2014 bis 2021, die große PoW-Kryptowährungen wie Bitcoin abdecken. Zu den Schlüsselvariablen gehören:

Kryptowährungspreis (USD)
Netzwerk-Hash-Rate
Mining-Schwierigkeit
Blockbelohnung (Coinbase + Gebühren)
Transaktionsanzahl/-gebühren

4 Empirische Ergebnisse & Analyse

4.1 Preis-Sicherheits-Elastizität

Die Ergebnisse liefern starke empirische Belege dafür, dass der Kryptowährungspreis und die Mining-Belohnungen intrinsisch mit den Blockchain-Sicherheitsergebnissen verbunden sind. Ein positiver Schock auf den Preis führt mit einer Verzögerung zu einem statistisch signifikanten Anstieg der Netzwerk-Hash-Rate (Sicherheit), was den Anreizmechanismus bestätigt.

4.2 Mining-Belohnung vs. Kosten-Elastizität

Eine zentrale Erkenntnis ist, dass die Elastizität der Mining-Belohnungen in Bezug auf die Netzwerksicherheit höher ist als die Elastizität der Mining-Kosten. Dies impliziert, dass Miner bei der Entscheidung über die Zuweisung von Hash-Leistung innerhalb der beobachteten Bereiche stärker auf Veränderungen der potenziellen Einnahmen (preisgetriebene Belohnungen) reagieren als auf Veränderungen der Betriebskosten (z.B. Strompreisschwankungen).

4.3 Zentrale statistische Erkenntnisse

Die ARDL-Modelle zeigen stabile langfristige Beziehungen zwischen den Variablen. Die Fehlerkorrekturterme sind signifikant, was darauf hindeutet, dass Abweichungen vom Gleichgewicht (z.B. eine für ein bestimmtes Preisniveau zu niedrige Hash-Rate) im Laufe der Zeit korrigiert werden. Dies stützt den im theoretischen Modell beschriebenen dynamischen Anpassungsprozess.

5 Diskussion & Implikationen

5.1 Netzwerksicherheits-Feedbackschleife

Die Ergebnisse validieren die Existenz einer Feedbackschleife: Höhere Krypto-Preise → Höhere Fiat-Mining-Belohnungen → Erhöhte Mining-/Hash-Rate → Verbesserte wahrgenommene Sicherheit → Erhöhte Nutzerakzeptanz/Nachfrage → Aufwärtsdruck auf den Preis. Diese Schleife ist ein grundlegender Treiber der PoW-Blockchain-Ökonomie, aber auch eine Quelle potenzieller Fragilität, wenn der Preis stark fällt.

5.2 Implikationen für die Volatilität

Die Arbeit legt nahe, dass diese Wechselwirkungen zur extremen Volatilität der Kryptowährungsrenditen beitragen. Sicherheit ist keine exogene, feste Eigenschaft, sondern wird dynamisch und endogen durch Marktstimmung und Miner-Ökonomie bestimmt, was eine neue Risikodimension für Investoren und Nutzer schafft.

6 Fazit & zukünftige Forschung

Die Studie kommt zu dem Schluss, dass die Sicherheit einer PoW-Blockchain nicht nur ein technisches Merkmal, sondern ein tiefgreifend ökonomisches ist. Die Kosten zur Verhinderung von Angriffen sind intrinsisch mit den marktgetriebenen Belohnungen für das Mining verbunden. Zukünftige Forschung könnte diesen Rahmen erweitern, um die Sicherheitsökonomie alternativer Konsensmechanismen wie Proof-of-Stake (PoS) zu analysieren und wie deren Sicherheitsbudgets mit verschiedenen Marktvariablen korrelieren.

7 Originalanalyse: Eine kritische Branchenperspektive

Kernerkenntnis: Diese Arbeit liefert eine entscheidende, aber oft übersehene Wahrheit: Proof-of-Work-Sicherheit ist ein Derivat der Marktstimmung. Sie wird nicht allein durch Mathematik gesichert, sondern durch den wirtschaftlichen Anreiz für Miner, ehrlich zu sein, der direkt an einen extrem volatilen Vermögenspreis gekoppelt ist. Die Autoren legen empirisch fest, was viele in der Branche intuitiv spüren – die Hash-Rate folgt dem Preis, nicht umgekehrt. Dies stellt die gängige Erzählung von "Bitcoin ist sicher wegen seiner Hash-Leistung" auf den Kopf; es ist treffender zu sagen: "Bitcoins Hash-Leistung ist hoch, weil sein Preis es profitabel macht, sicher zu sein." Dies deckt sich mit Bedenken, die von Forschern wie Pagnotta (2018) hinsichtlich der endogenen Natur der Blockchain-Sicherheit geäußert wurden.

Logischer Ablauf: Die Stärke der Arbeit ist ihre klare, kausale Logik: Preis → Belohnung (in Fiat) → Miner-Anreiz → Hash-Rate-Zuweisung → Sicherheitsgleichgewicht. Die Verwendung des ARDL-Modells ist angemessen, da es für den endogenen, feedbackgetriebenen Charakter dieser Zeitreihen konzipiert ist. Es vermeidet klugerweise, eine Einweg-Kausalität zu behaupten, und kartiert stattdessen die Gleichgewichtsbeziehung, was der korrekte Ansatz für ein komplexes adaptives System wie ein Kryptowährungsnetzwerk ist.

Stärken & Schwächen: Die größte Stärke ist die Bereitstellung einer rigorosen, langfristigen empirischen Validierung (2014-2021) für ein theoretisches Modell. Die Erkenntnis, dass die Belohnungs-Elastizität die Kosten-Elastizität übersteigt, ist tiefgreifend; sie deutet darauf hin, dass Miner in erster Linie Gewinnmaximierer und erst in zweiter Linie Effizienzexperten sind. Ein Mangel ist jedoch die begrenzte Diskussion des "Abwärtsspirale"-Risikos. Wenn der Preis stark und anhaltend fällt, impliziert das Modell, dass Hash-Rate und Sicherheit sinken, was möglicherweise das Vertrauen senkt und den Preis weiter drückt – ein Teufelskreis. Die Arbeit streift die Volatilität, setzt sich aber nicht vollständig mit dieser systemischen Fragilität auseinander, ein Thema, das von der Bank für Internationalen Zahlungsausgleich eingehend untersucht wurde. Darüber hinaus ist die Analyse inhärent retrospektiv; sie modelliert nicht die Auswirkungen zukünftiger Schocks wie des Bitcoin-Halvings oder einer globalen Energiekrise.

Umsetzbare Erkenntnisse: Für Investoren ist diese Forschung ein Auftrag, Sicherheitsbudgets (Gesamt-Fiat-Wert der Blockbelohnungen) als Schlüsselkennzahl zu analysieren, nicht nur die isolierte Hash-Rate. Eine Chain mit hoher Hash-Rate, aber einem niedrigen, sinkenden Sicherheitsbudget ist potenziell einem größeren Risiko ausgesetzt. Für Entwickler und Protokolldesigner unterstreicht sie die nicht verhandelbare Verbindung zwischen Tokenomics und Sicherheit. Jede Änderung der Emission (Halving) oder der Gebührenmarktdynamik muss auf ihre Sicherheitsauswirkungen zweiter Ordnung hin modelliert werden. Für Regulierungsbehörden zeigt sie auf, dass Angriffe auf die Ökonomie (z.B. über Energievorschriften) die Sicherheit dieser Netzwerke direkt beeinflussen können – ein zweischneidiges Schwert, das sorgfältige Abwägung erfordert.

8 Technische Details & Mathematischer Rahmen

Das Kern-Gleichgewicht kann durch eine vereinfachte Miner-Gewinnfunktion dargestellt werden:

$\Pi_t = \frac{H_t}{H_{total,t}} \cdot R_t - C(H_t)$

Wobei:

$\Pi_t$: Gewinn zum Zeitpunkt $t$.
$H_t$: Von einem einzelnen Miner beigesteuerte Hash-Rate.
$H_{total,t}$: Gesamt-Netzwerk-Hash-Rate.
$R_t$: Gesamte Fiat-Blockbelohnung = $P_t \cdot (B + F_t)$, mit $P_t$ als Krypto-Preis, $B$ als fester Block-Subsidy und $F_t$ als Gebühren.
$C(H_t)$: Kostenfunktion, typischerweise $C(H_t) = \gamma \cdot E \cdot H_t$, wobei $\gamma$ die Energiekosten pro Einheit und $E$ die Energieeffizienz (Joule/Hash) ist.

Die Sicherheit gegen einen 51%-Angriff wird oft durch die Kosten modelliert, Mehrheits-Hash-Leistung zu erwerben. Eine einfache Annäherung ist, dass die Angriffskosten $AC_t$ proportional zum Sicherheitsbudget über ein Zeitfenster $\tau$ sind: $AC_t \propto \sum_{i=t-\tau}^{t} R_i$. Das ARDL-Modell der Arbeit testet auf Kointegration zwischen $P_t$, $H_{total,t}$ und $R_t$.

9 Experimentelle Ergebnisse & Diagrammbeschreibungen

Abbildung 2 (Konzeptionell): Feedbackschleifen-Diagramm. Ein Flussdiagramm, das die dynamische Wechselabhängigkeit veranschaulicht: "Kryptowährungspreis-Schock" führt zu "Veränderung der Mining-Belohnung (Fiat)", was "Miner-Anreize & Hash-Rate-Zuweisung" beeinflusst und zu einer "Veränderung der wahrgenommenen Blockchain-Sicherheit" führt. Dies beeinflusst wiederum "Nutzer-Nachfrage & Portfolioanpassung", was Aufwärts- oder Abwärtsdruck auf den "Kryptowährungspreis" ausübt und die Schleife schließt.

Abbildung 3 (Empirisch): Zeitreihen- & Kointegrationsdiagramme. Enthält wahrscheinlich mehrere Panels: (a) Gemeinsame Bewegung von Bitcoin-Preis (logarithmische Skala) und Netzwerk-Hash-Rate (logarithmische Skala) von 2014-2021, die eine klare visuelle Korrelation zeigt. (b) Ergebnisse des Bounds-Tests für Kointegration, die zeigen, dass die F-Statistik den oberen kritischen Wert übersteigt und somit eine langfristige Beziehung bestätigt. (c) Diagramm des Fehlerkorrekturterms (ECT) aus dem ARDL-Modell, der die Mittelwertumkehr auf Null demonstriert, was den Gleichgewichtskorrekturmechanismus validiert.

Ergebnistabelle: ARDL-Langfristkoeffizienten. Eine Tabelle, die geschätzte Elastizitäten präsentiert. Sie würde beispielsweise zeigen, dass ein 1%-iger Anstieg des Kryptowährungspreises langfristig mit einem X%-igen Anstieg der Netzwerk-Hash-Rate verbunden ist (statistisch signifikant auf dem 1%-Niveau). Eine weitere Zeile würde zeigen, dass die Elastizität der Hash-Rate in Bezug auf die Mining-Kosten Y% beträgt, wobei Y < X, was die zentrale Erkenntnis über differenzielle Elastizitäten stützt.

10 Analyseframework: Ein vereinfachtes Fallbeispiel

Szenario: Analyse der Sicherheitsentwicklung einer hypothetischen PoW-Kryptowährung, "ChainX", nach einem Preissturz von 50%.

Framework-Anwendung:

Ausgangszustand: ChainX-Preis = 100 $. Blockbelohnung = 10 X-Coins. Sicherheitsbudget = 1000 $/Block. Hash-Rate = 10 EH/s. Angriffskosten (geschätzt) = 500.000 $.
Schock: Marktcrash. Preis fällt auf 50 $.
Unmittelbare Auswirkung: Sicherheitsbudget halbiert sich auf 500 $/Block. Miner-Einnahmen in Fiat sinken um 50%.
Reaktion der Miner (kurzfristig): Gemäß der Elastizitätserkenntnis der Arbeit reagieren Miner stark auf Belohnungsänderungen. Weniger effiziente Miner ($C(H_t) > Einnahmen$) schalten Maschinen ab. Die Netzwerk-Hash-Rate beginnt zu sinken.
Dynamische Anpassung: Die Schwierigkeitsanpassung verzögert sich (z.B. alle 2 Wochen). Während dieser Zeit haben verbleibende Miner eine höhere Chance, Blöcke zu gewinnen, was den Einnahmerückgang teilweise ausgleicht. Der Fehlerkorrekturmechanismus des ARDL-Modells würde diese Anpassung hin zu einer neuen Gleichgewichts-Hash-Rate erfassen.
Neues Gleichgewicht (langfristig): Die Hash-Rate pendelt sich auf einem niedrigeren Niveau ein, z.B. 6 EH/s. Die Angriffskosten werden auf Basis des neuen, niedrigeren Sicherheitsbudgets und potenziell niedrigerer Hash-Rate-Erwerbskosten neu berechnet, nun auf 200.000 $ geschätzt. Die Sicherheit von ChainX hat sich aufgrund eines Marktereignisses grundlegend verringert.
Feedback: Die niedrigere Hash-Rate und verstärkte Sicherheitsbedenken könnten berichtet werden, was das Vertrauen von Nutzern/Entwicklern verringert und möglicherweise weiteren Abwärtsdruck auf den Preis ausübt, was die volatile Feedbackschleife veranschaulicht.

11 Zukünftige Anwendungen & Forschungsrichtungen

Proof-of-Stake (PoS)-Sicherheitsökonomie: Anwendung eines ähnlichen Frameworks auf PoS-Netzwerke. Hier ist das "Sicherheitsbudget" der Fiat-Wert der gestaketen Vermögenswerte (und Staking-Belohnungen). Die Wechselwirkungen betreffen wahrscheinlich Validator-Renditen, Token-Preis und Slashing-Risiken. Forschung könnte die Elastizität und Stabilität von PoS- vs. PoW-Sicherheitsmodellen vergleichen.
Multi-Chain-Analyse & Sicherheitswettbewerb: Erweiterung des Modells auf eine Welt, in der Miner Hash-Leistung dynamisch zwischen mehreren PoW-Chains (z.B. Bitcoin, Litecoin, Bitcoin Cash) umschichten können. Dies schafft einen Cross-Chain-Sicherheitsmarkt. Wie wirken sich Preisbewegungen in einer Chain auf die Sicherheit einer anderen aus?
Modellierung regulatorischer Auswirkungen: Nutzung des Frameworks, um die Auswirkungen potenzieller Regulierungen (z.B. CO2-Steuern auf Mining, Transaktionssteuern) auf die Gleichgewichtssicherheitsniveaus großer Blockchains zu simulieren.
Prognose von Sicherheitsbudgets: Entwicklung prädiktiver Modelle für Sicherheitsbudgets basierend auf makroökonomischen Indikatoren, Energiepreisen und On-Chain-Metriken, um die Risikobewertung für institutionelle Adoption zu unterstützen.
Hybride Konsensmodelle: Untersuchung der Sicherheitsökonomie neuartiger hybrider Modelle, die PoW und PoS kombinieren, mit dem Ziel, stabilere Sicherheitsbudgets zu schaffen, die weniger von reiner Vermögenspreisvolatilität abhängen.

12 Literaturverzeichnis

Ciaian, P., Kancs, d'A., & Rajcaniova, M. (2021). Interdependencies between Mining Costs, Mining Rewards and Blockchain Security. (Arbeitspapier).
Pagnotta, E. (2021). Decentralizing Money: Bitcoin Prices and Blockchain Security. The Review of Financial Studies.
Lee, J. (2019). Blockchain Security: A Survey of Techniques and Research Directions. IEEE Transactions on Services Computing.
Bank für Internationalen Zahlungsausgleich. (2019). Jahreswirtschaftsbericht. Kapitel III: Big Tech im Finanzwesen: Chancen und Risiken.
Nakamoto, S. (2008). Bitcoin: Ein Peer-to-Peer-Elektronisches-Bargeldsystem.
Budish, E. (2018). The Economic Limits of Bitcoin and the Blockchain. National Bureau of Economic Research (NBER) Working Paper No. 24717.