Blockin.ai:基於稀有度等級映射的 NFT 估值體系介紹

Blockin.ai
2023-10-24 11:55:37
收藏
市場上眾多 NFT 中,是什么讓一些 NFT 售價數百萬,而另一些則售價相對較低?在收藏市場上,又是否售價和稀有性之間存在內在相關性?

作者:Blockin.ai


數字資產市場發展至今,其代表的身份象徵和社交價值,成為了一種新的商業價值,而 NFT(Non-fungible Token)正是這種商業價值的一種標誌,NFT 作為一種數字加密資產,是由智能合約創建、維護、執行的非同質化數字資產通證,具有獨特性、稀缺性以及不可複製性。NFT 的價值評估來自於稀缺性、社區認同、持有人等多個方面,即使是同一系列,每一個 NFT 的特徵和形態都各有差別、不同屬性的受關注度、所有權歷史等形成獨一無二的供給,因此對其進行估值具有重要意義,我們希望形成較好的估值體系,為市場快速成交提供可靠的參考價格。

那麼,市場上眾多NFT中,是什麼讓一些NFT售價數百萬,而另一些則售價相對較低?在收藏市場上,又是否售價和稀有性之間存在內在相關性?

借助NFT的鏈上交易歷史記錄與NFT元數據,首先,我們計算了不同collection中item稀有度評分;其次,我們評估了NFT稀有性與其價格的相關性;最後,通過其內在的相關性,我們研究了基於稀有度等級映射的估值價格體系,並在多個項目中進行了回溯驗證。

Part 1. NFT稀有度計算

顧名思義,NFT稀有度衡量的是NFT相對於其他收藏品的稀有度程度。通過查看屬性,可能能夠確定一個NFT具有一些罕見的特徵,但這個NFT相對於其他NFT有多罕見呢?

以BAYC為例,如其在 nftin.ai 上所示,BAYC具有七個不同的特徵:背景、衣服、耳環、眼睛、皮毛、帽子和嘴巴。

基於稀有度等級映射的NFT估值體系介紹

在每個特徵下又有不同的子特徵,我們計算其子特徵的佔比頻率。值得注意的是,我們將其特徵的個數 Trait count 同樣作為一個衍生特徵計算其佔比。因為每個 NFT 都有多個特徵及其子特徵,因此必須有一種方法將所有特徵的稀有性合併計算為單一值,以便對其稀有程度排名。

先前也有多種稀有度計算方法:性狀稀有度排名(僅對最稀有的性狀進行排名)、平均性狀稀有度(將所有性狀的稀有度平均在一起)、統計稀有度(將所有性狀稀有度相乘),但性狀稀有度排名過於強調稀有性狀,平均和統計稀有度的計算又會稀釋稀有性狀。因此,對特徵稀有度分數累加作為稀有度評分可以較好的解決以上問題。

其主要思想方法為對單個NFT的每個特徵進行稀有度打分,再把該NFT所有特徵稀有度分數相加,最終得出該NFT的總稀有度分數。即,一個NFT的總稀有度分數是它所有特徵值的稀有度分數之和,具體計算公式詳見附錄部分。

舉例如下:

首先,計算子特徵佔比

基於稀有度等級映射的NFT估值體系介紹

然後,根據佔比的倒數計算子特徵得分及總分:

基於稀有度等級映射的NFT估值體系介紹

如上,可以得到每個特徵值的稀有性得分和每個NFT ID的總稀有性得分,所以稀有度得分認為NFT ID 2 更有價值,因為它有更高的總分數。

值得關注的是,考慮不同特徵下子特徵的種類數不同,導致特徵頻率佔比天然具有差異。我們改進了上述V 1 版本,V2版本主要思想和V 1 一致,在此不贅述,不同在於考慮了子特徵個數的歸一化,以及加了特徵兩兩組合作為新的衍生特徵,豐富了特徵組合,能更全面的反應NFT的稀有度情況,V2描述及計算公式詳見附錄。

此外,我們也針對一些項目計算了V3版本,V3版本與V2不同在於增加了三個特徵組合情況,但由於一些項目子特徵數目成百上千個,三個特徵組合的情況較多,導致計算特徵的佔比數值不具有較大的區分性,所以我們僅計算了部分項目的V3稀有度分數。

基於稀有度等級映射的NFT估值體系介紹

除以上三個版本稀有度的計算,考慮一些NFT歷史上沒有被交易過,我們想衡量所有被交易過的NFT稀有度分數,因此,定義了動態稀有度。它與靜態稀有度計算思想方式一致,不同在於計算動態稀有度的數據只是歷史上一段時間上被交易過的NFT,因此數據只是全量NFT的一部分。此外,隨時間的改變,該計算數據集隨時變化,因此,我們對動態稀有度每天進行實時更新。總之,動態稀有度不僅考慮了客觀屬性佔比,也考慮了歷史交易情況,動態反映了交易時間段內的NFT稀有度情況。

動態稀有度同樣計算了兩個版本(V 1 ,V2),如下:

基於稀有度等級映射的NFT估值體系介紹

另外,我們也探索了其他稀有度計算方式,如 jaccard 距離,jaccard 距離是衡量兩個集合不相似的一種指標,可以計算兩個 NFT 特徵間的相似程度,NFT 與其他 NFT 平均相似度越大則越不稀有,具體計算方式可參考附錄部分。

Part 2 稀有度與價格相關性研究

許多情況下,人們願意為稀有物品支付溢價,但稀有度具體是如何影響價格的?我們借助鏈上歷史交易數據,以幾個藍籌項目為例,評估了NFT價格和稀有度之間的內在相關性。

考慮我們已經計算了每個item的稀有度分數,因此我們直接探究了稀有度分數與價格相關性,計算了兩者之間的斯皮爾曼相關性係數。

具體計算方法如下:

基於稀有度等級映射的NFT估值體系介紹

其中n是樣本的數量,d代表數據x和y之間的等級差。

絕對值越接近1 ,表示兩個變量之間關係越密切;越接近0 ,表示兩個變量之間關係越不密切。相關係數對應的相關強度如下:

0.8-1.0 極強相關

0.6-0.8 強相關

0.4-0.6 中等程度相關

0.2-0.4 弱相關

0.0-0.2 極弱相關或無相關

我們以BAYC、MAYC、cryptopunks、moonbirds、doodles五個藍籌項目為例具體計算近兩個月的交易價格與其稀有度分數(V2)之間的相關性,圖表如下:

基於稀有度等級映射的NFT估值體系介紹

以上圖表可知,單個 item 稀有度分數與價格之間在大多項目之間呈現弱相關性。

因此我們考慮根據NFT不同稀有度等級(先前已按照動態和靜態稀有度分數分了20 個等級)排名將NFT分為四個大等級,並計算不同等級的交易均價的平均值(交易數據為2022-01-01 至2022-11-15 ),從而觀察NFT稀有度等級間的均價關係,x代表等級:

x > 10: Legendary

6 \< x \<= 10: Rare

2 \< x \<= 6: Classic

x \<= 2: Normal


基於稀有度等級映射的NFT估值體系介紹

基於稀有度等級映射的NFT估值體系介紹

從上圖可以看出,不論是動態稀有度還是靜態稀有度,等級越高的NFT其歷史交易均價越大,因此,我們得出,儘管單個NFT與價格間可能不存在明顯的相關性,但總體來看,高等級的NFT售價在整體水平還是較高,即人們願意為更稀有的NFT付出更高的價格。

Part 3 稀有度等級映射的估值體系

由以上研究看到,稀有度等級越高,則該等級上普遍交易價格越高,因此我們考慮設計了一套基於稀有度等級映射的估值體系,該體系依賴歷史交易數據及NFT稀有度等級估計最新的NFT市場價格。

由於市場NFT價格不穩定,因此歷史交易的水平線不能代表當前的交易水平線,每天每月交易的NFT價格也多在其水平線上下範圍內波動,以BAYC歷史交易價格為例,下圖展示了其交易波動情況:

基於稀有度等級映射的NFT估值體系介紹


基於稀有度等級映射的NFT估值體系介紹

因此,對不同項目NFT的交易,我們考慮尋找可以衡量每天交易情況的水平線數值作為交易分佈的錨點,由於平均值,最小最大值易受極值的影響,我們使用中位數值作為每天交易價格的錨定點並依據中位數衍生計算不同的指標,如下圖有上限下限等,從而大致還原不同时期的交易分佈,根據歷史交易分佈規律,估計不同NFT最新交易的價格。

基於稀有度等級映射的NFT估值體系介紹

註:上四分位數:Q3 中位數:Q2 下四分位數:Q1 四分位距(IQR):Q3 - Q1 上限:Q3 + 1.5*IQR

下限:Q1 - 1.5*IQR 最大值:max 最小值:min 平均數:mean

方法總結如下:

  1. 歷史比值的計算 :計算近半年每3 天的ratiohigh及ratiolow,並求所有ratiohigh和ratiolow的平均值,ratiohighavg,ratiolowavg。

基於稀有度等級映射的NFT估值體系介紹

  1. 根據歷史比值計算最新虛擬上下限值:由上面所求 ratiohighavg/ratiolowavg 及使用最新中位數計算得到虛擬上下限 Virtualupper 及 Virtuallower


基於稀有度等級映射的NFT估值體系介紹

  1. 最新估值隊列形成 :根據虛擬上下限及最新周期內所有交易分佈生成最新估值隊列,將在上下限區間內的原始交易數據填充進區間[下限,上限],在其之外的數據排除,作為最終擬合的估值隊列的分佈。

  2. 估值隊列等級映射

a. 對不同等級內的原始交易價格求均值。(若有些等級值在最新交易周期內不存在,則使用前後兩個等級的均值依次填充)

b. 根據item稀有度等級(已根據歸一化稀有度分數(V2)分為20 個等級),將不同等級內交易均值對應映射到不同等級中的所有item上得到估值。

基於稀有度等級映射的NFT估值體系介紹

值得一提的是,為保證估值的客觀準確性,我們在估值前對交易數據首先進行了清洗,如下:

a. 對於明顯刷單行為及對應的刷單平台交易去除。

b. 考慮項目出現之初,交易行情不穩定,因此針對不同項目,排除前幾個月不等的交易數據。

c. 存在個別與當天交易中位數比值過小的交易,不能客觀反映市場水平,進行排除。

另外,以上計算版本中,我們在對歷史交易結果的回溯中發現一些估值結果不能滿足我們的估值預期,比如一些高稀有度等級ID的估值與當天掛單價格及實際真實交易價格相差過大,因此我們在上面版本的基礎上對部分高稀有度等級的ID估值進行了修正:對歷史上有過高價交易的ID,單獨計算其歷史交易比值的平均值ratioavg,使用最新周期交易中位數median*ratioavg,以替換等級映射的估值。

由於存在多個版本的稀有度評分,我們在不同項目下試驗了不同稀有度評分映射估值的方式並進行回溯驗證,綜合結果及效率來看,取V2版本的稀有度等級映射較好,因此目前線上展示採用靜態稀有度等級V2映射的估值。

估值準確性驗證

為衡量估值體系的準確性,我們根據預測某天價格與當天真實交易價格計算平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)。

基於稀有度等級映射的NFT估值體系介紹

其中,yi表示真實值,y\^i表示預測值,n為NFT的個數。

以下列出幾個藍籌項目的驗證結果,驗證日期為2022 年之後數據(2022-01-01 至2022-11-15 ):

基於稀有度等級映射的NFT估值體系介紹

下面展示在幾個項目中回溯近兩個月(2022-10-01 至2022-11-15 )的預測價格與實際交易價格的散點圖

基於稀有度等級映射的NFT估值體系介紹

基於稀有度等級映射的NFT估值體系介紹

結論與總結

從以上分析結果可以看出,基於稀有度等級映射的估值體系具有一定的準確性,但同時也存在一定的有限性:a. 該體系基於一段時間的中位數交易估計最新的估值,目前無法應對短時間劇烈波動的市場交易情況,此外,對於交易較少甚至一段時間沒有交易的項目,我們可參考的歷史交易規律過少,可能影響最新估值。

稀有度只是影響NFT售價的原因之一,未來,我們也將跳出稀有度等級映射的方式,使用原始屬性值及交易數據,加入NFT holders、NFT指數、幣價等多個影響因子進行線性回歸及非線性回歸估值模型嘗試,從而研究一個可擴展的基線模型,提高模型的準確度及覆蓋範圍。

附錄

V 1:


基於稀有度等級映射的NFT估值體系介紹

V2:

a. 特徵分數計算歸一化

特徵歸一化考慮不同特徵下子特徵數量不同導致的特徵稀有度分數差異。例如,在 BAYC 項目中,Earring 有 7 種不同子特徵,Mouth 有 33 種不同子特徵,則通常情況下,Mouth 比 Earring 的稀有度分數則更有區分性,因此考慮特徵歸一化。


基於稀有度等級映射的NFT估值體系介紹

b. 特徵兩兩組合

多個特徵基於排列組合豐富了不同特徵組合的佔比情況統計,能從更高階的方式刻畫稀有度。例如,BAYC 共有 7 個不同部位特徵,則兩兩不同組合個數為: Combine( 7, 2) = 21,將兩兩組合作為新的特徵計算稀有度得分。組合特徵稀有度得分計算方式與上面一致,在此不贅述。

綜上計算,

基於稀有度等級映射的NFT估值體系介紹

Jaccard 距離:

傑卡德距離(Jaccard Distance)是衡量兩個集合不相似的一種指標,其範圍是[ 0, 1 ],數學表達式如下:

基於稀有度等級映射的NFT估值體系介紹

計算過程包括四個步驟:

a. 1-相似特徵的數量除以唯一屬性的總數(對所有 NFT 對重複此過程)

基於稀有度等級映射的NFT估值體系介紹

b. 對所有結果取平均值

基於稀有度等級映射的NFT估值體系介紹

c. 歸一化

基於稀有度等級映射的NFT估值體系介紹

d. z 得分* 100

基於稀有度等級映射的NFT估值體系介紹

鏈捕手ChainCatcher提醒,請廣大讀者理性看待區塊鏈,切實提高風險意識,警惕各類虛擬代幣發行與炒作,站內所有內容僅係市場信息或相關方觀點,不構成任何形式投資建議。如發現站內內容含敏感信息,可點擊“舉報”,我們會及時處理。
ChainCatcher 與創新者共建Web3世界