Algorand on ns. layer-1 lohkoketju. Se siis toimii lohkoketjun pohjakerroksena, jonka päälle on mahdollista rakentaa skaalausratkaisuja ja sovelluksia. Algorand luetaan usein ns. Ethereumin haastajat -kategoriaan, jonka muita jäseniä ovat mm. Solana ja Cardano. Se pyrkii siis tarjoamaan vaihtoehdon suurimmalle layer-1 lohkoketju Ethereumille.
Algorand-projekti sai alkunsa jo vuonna 2017, ja sen perustaja on Turing Award-palkinnolla palkittu, arvostetun MIT-yliopiston professori Silvia Michali. Algorand-lohkoketju käynnistyi vuonna 2019. Algorand-protokollan kehittämisestä vastaa sitä varten perustettu Algorand Foundation.
Algorandin erityispiirre on, että perinteisen Proof-Of-Stake-konsensusmekanismin sijaan se käyttää erityistä, juuri Algorandia varten kehitettyä Pure-Proof-Of-Stake-mekanismia (PPoS). Pure-Proof-Of-Stake-mekanismissa kaikkien ALGO-tokenia (kts. alla) steikanneiden joukosta valitaan satunnaisesti “komitea”, joka äänestämällä tekee päätökset lohkoketjuun lisättävistä uusista lohkoista. PPoS-mekanismiin sisäänrakennetun satunnaisuuden esitetään lisäävään uusien lohkojen validoinnin nopeutta ja vaikeuttavan lohkoketjun vihamielistä haltuunottoa.
Algorandin suurimpina etuina pidetään sen nopeutta. Algorand-lohkoketju pystyy teoriassa käsittelemään 10 000 transaktiota sekunnissa, ja sen ilmoitettu transaktioiden lopullisuus (settlement finality) on 3,3 sekuntia. Tämä tekee Algorandista teoreettisesti yli 100 kertaa Ethereumia nopeamman, millä Algorand pyrkii erottumaan layer-1 lohkoketjujen kilpailussa.
Algorand-lohkoketjun natiivi token on nimeltään ALGO. ALGO markkina-arvo on kirjoitushetkellä (tammikuu 2024) noin 1,3 miljardia dollaria, mikä tekee siitä markkina-arvoltaan maailman 54. suurimman kryptotokenin.
Proof-Of-Stake-konsensusmekanismista poiketen ALGO-tokenin omistajat eivät voi ansaita tokeneille tuottoa steikkamalla (staking rewards). Sen sijaan tokenin omistajat voivat ansaita hallintopalkkioita (governance rewards) osallistumalla Algorand-protokollaa koskeviin äänestyssessioihin (voting sessions).
Algorand keräsi paljon kiinnostusta ensimmäisten vuosiensa aikana. Vuonna 2021 ALGO-token nousi markkina-arvoltaan maailman 20 suurimman kryptotokenin joukkoon. Viimeisinä vuosina sillä on kuitenkin ollut haasteita pärjätä uusimmille layer-1-kategorian haastajille, kuten Solanalle. Kuten oheinen graafi osoittaa, ALGO-token on viime vuosina selkeästi heikentynyt suhteessa suurimman layer-1 protokolla Ethereumin ether-tokenia vastaan.
Kohtaamistaan haasteista huolimatta Algorandia ei voi vielä kokonaan sulkea pois layer-1 kategorian lohkoketjujen kilpailuissa. Suurimmille layer-1 protokollille on ominaista, että lähes kaikki niistä ovat kohdanneet jossain ensimmäisten vuosiensa aikana merkittäviä haasteita. Algorandin tulevaisuus riippuu pitkälti siitä, kuinka sen kehitystiimi pystyy ratkomaan uudempien ja erityisesti nopeampien layer-1 lohkoketjujen sille heittämää haastetta.
Kirjoitushetkellä ALGO-tokenin kurssi on noin 0,16 dollaria. Edellisessä nousumarkkinassa ALGO-tokenin kurssi kävi korkeimmillaan yli 2,8 dollarissa. Mikäli uskoo, että ALGO pystyisi vielä saavuttamaan aiemman huippunsa, tarkoittaisi tämä kurssin yli 15-kertaistumista. Tämä saattaa tehdä ALGO:sta kiinnostavan kohteen siihen uskovalle ja korkeaa riskiä sietävälle kryptosijoittajalle, kunhan tiedostaa että viimeisinä vuosina Algorandilla on ollut hieman haasteita layer-1 lohkoketjujen kovassa kilpailusssa pärjäämisessä.
Kvarn Learning-materiaalin sisältämä aineisto on tuotettu ainoastaan markkinointiviestinnän tarkoitukseen. Mitään Kvarn Learning-materiaalin kautta välitettävää informaatiota ei tule käsittää tarjouksena tai kehotuksena tehdä mitään osto- tai myyntipäätöksiä eikä muuksi kehotukseksi sijoitustoimenpiteisiin mistään sijoituskohteesta. Learning-materiaalin kopiointi tai sen sisällön lainaaminen ilman Kvarnin antamaa nimenomaista hyväksyntää on kielletty. Learning-materiaalissa esitetyt tiedot koskevat materiaalin kirjoittamisaikaan vallinnutta tilannetta, ja tiedot voivat tai ovat voineet muuttua. Kvarn Capital Oy ei takaa Learning-materiaaliin sisältyvän tai Learning-materiaalissa viitatun tiedon oikeellisuutta tai täydellisyyttä.
