本文將介紹一種新的 NFT 溢價評估模型，旨在創建一個考慮市場基礎結構和基本原則的新的估值模型。本文源自 Stanford Blockchain Review 的文章《Premium Appraisal Models for NFT Markets》，由深潮編譯、整理、撰稿。
（前情提要：NFTGo研究》2023年的NFT期權報告、鏈上數據指標）
（背景補充：NFT九月交易量史上最慘！但BAYC、Azuki..觸底反彈，抄底機會來了？）
在不斷發展的非同質化代幣（NFTs）領域，有效的定價模型需要在複雜性和可解釋性之間找到平衡。例如，在 NFT 交易中經常使用的 「地板價」 指標。在很多情況下，雖然地板價反應了一個大致的起始點和基線指標，但通常並不能準確反應 NFT 的內在價值或特性。
歷史上，許多 NFT 定價模型都依賴於梯度提升決策樹（GBDT）。盡管它們提供了可靠的預測，但非常複雜且難以解釋。在本文中，我們介紹了一種新的 「溢價評估模型」，旨在建立一個考慮市場基礎結構和基本原則的新的估值模型。我們希望通過捕捉 NFTs 的更多細微特性，使 NFT 領域的創作者、交易者和收藏家更好地理解 NFT 的定價複雜性。
基線：基於梯度的決策樹模型
目前，NFT 定價的一個常見模型技術是梯度提升決策樹或 GBDT。這種整合學習方法起源於決策樹的基本原理，其中單個樹根據設定的標準做出決策。但是，GBDT 的獨特之處在於它連續構建多個樹。每建一個新樹，它都試圖糾正前一個樹的錯誤，逐步提高整合的準確性。這種系統化、疊代的方法使 GBDT 模型具有識別和整合複雜資料模式和微妙差異的能力。
GBDT 模型的優勢
- 堅韌性：GBDT 能夠抵禦資料集中的異常值，使其適用於各種資料場景。
- 處理混合資料：GBDT 可以無縫管理包含類別和數位特徵的資料集。
- 自動特徵選擇：模型的性質使其能夠優先選擇相關特徵，通常減少了大量的特徵工程需求。
- 減少過擬合：由於整合的性質和疊代校正，GBDT 通常與單個決策樹相比，表現出較少的過擬合。
GBDT 模型的挑戰和侷限性
- 複雜性：作為多決策樹的整合，理解 GBDT 的內部工作或追蹤特定的決策路徑可能會很複雜。
- 訓練時間：由於其疊代的性質，GBDT 通常比簡單模型需要更長的訓練時間。
- 記憶體密集型：儲存多個決策樹需要大量的記憶體，這在資源有限的環境中可能是一個限制。
複雜性和缺乏透明性：核心問題
在我們的 NFT 定價背景下，GBDT 的最大挑戰是缺乏透明性。雖然該模型可能提供一個價格或估值，但它是一個 「黑盒」 演算法，不能簡單地解釋為什麼會得出給定的價格。
GBDT 的一個主要優點，即在多決策樹之間捕捉細微的資料模式，當我們需要為利益相關者證明或解釋一個定價決策時，就變成了一個雙刃劍。這種缺乏明確的可解釋性導緻定價指標難以為 NFT 領域的各種利益相關者所理解。因此，這強調了提供一個既準確又可解釋的定價模型的重要性。
溢價模型概述
如上所述，我們正在推出一個 NFT 定價的溢價模型，該模型通過使價格與這些數位資産的基礎原則和特性保持一致，平衡了準確性和可解釋性。
NFT 定價包括基於集合的價值和其特性溢價。溢價模型的核心公式如下：
- 估價：NFT 的預測價值。
- 地板價：NFT 在市場上特定集合或類別中當前列出的最低銷售價格。
- 截距：可以被視為對地板價的基礎調整，考慮到可能普遍調整上升或下降的內在因素。
- 特徵權重：分配給每個特性的系數，用於確定該特性如何影響 NFT 的價格。每個特性根據其與地板價的相對價值成比例地影響預估價格。
- 特性溢價：分配給 NFT 的特定、有吸引力的特性或特徵的額外價值。它們是地板價和相應的特性權重的乘積。
基於集合的價值：這表示 NFT 在集合中的基線價值，來源於地板價，並可能受到考慮了一般市場狀況或與特定特性無關的其他因素的截距的影響。
溢價評估模型的推導
在溢價模型中，我們使用線性回歸來分析特定特性如何影響 NFT 的估計價格。利用特性權重和地板價作為變數，線性回歸模型可以根據其固有特性和當前市場基線有效地預測 NFT 的價格。
根據我們的溢價模型，我們有：
經過簡單的轉化，得到：
重新命名左側為 y，右側為線性回歸形式，我們得到：
其中：
- y 是預測的輸出。
- x 是表示 NFT 特性的一位有效編碼向量。向量中的每個位置代表一個特定的特性，而 NFT 具有的特性對應的位置上的向量是 “hot”（即，設定為 1），否則為零。
- w 是一個權重向量，其中每個元素代表確定 NFT 價格時與特定特性相關的權重。
- b 是截距，獨立於特性調整預測。
wT * x 項計算為兩個向量的點積，即：
在實際使用中，假設你有 3 個特性（A， B， C）。一個具有 B 和 C 特性的 NFT 將由一位有效向量 x = [0， 1， 1] 表示。線性回歸模型根據為每個特性學到的權重和截距預測 NFT 的價格，所以我們可以將特性權重之和重寫為 wTx。我們可以使用開源機器學習庫實現線性回歸模型，根據上述分析構建我們的溢價模型。
評估示範
我們可以使用我們的高階定價模型為稀有的 Bored Ape Yacht Club #7403 定價。以下是與此代幣相對應的基本資訊：
此 NFT 具有多種特性，包括 Trippy Fur、Faux Hawk Hat、Angry Eyes、Aquamarine Background、Silver Hoop Earring 和 Phoneme Mouth。其中，Trippy Fur 被認為是最稀有的屬性。根據我們的 GoPricing API，#7403 的評估結果如下：
“pricing” 是 token 7403 的估計價格，即 104.42672366856866 ETH，”floor” 是請求時的地板價。我們的估計價格可以分解為：
從上面的例子中，我們隻需要計算溢價而不是權重，並向用戶顯示最終的估計結果，如下面的演示所示：
溢價評估模型的優勢
鑒於上述評估模型的理論推導和實際演示，我們可以看到它如何提供了一個實用和與市場相一致的定價策略框架。這反過來允許一個務實、適應和透明的估值方法。我們可以總結高階評估模型的一些主要特點和優勢如下：
-
- 線性：溢價模型與地板價保持線性關系，根據確定的權重集保持 NFTs 和特性之間的一致價格比率。
- 透明度：一個突出的特點是模型的固有透明度，因為引數不僅容易驗證，而且在估值過程中提供了清晰的可見性。
- 即時響應性：該模型具有即時性，其中 NFT 的價格反應了地板價的變化，確保估值始終與當前的市場動態保持同步。
- 可靠的中立性：避免第三方偏見，如稀有性感知或情感價值，引數通過線性平均數得出，嚴格基於交易歷史，在訓練過程中僅使用銷售價格和地板價作為輸入。
- 可解釋性：
- 引數清晰：無論是權重還是截距，每個引數都具有實際意義，闡明瞭 NFT 領域內特性的重要性和集合基礎價值。
- 共享特徵權重：類似於如何在不同的 NFTs 中滲透特性，特性權重在各種 NFT 價格中共同共享，確保了統一和一致的估值方法。
因此，溢價模型在確保透明度的同時，平衡了簡單性和複雜性。通過關注清晰度、適應性和公平性，它為準確有效地估值 NFT 提供了堅實的基礎。
結論
在快速發展的 NFT 市場中，定價模型至關重要，其中透明度被高度重視。雖然基於樹的模型如 GBDT 一直很受歡迎，但它們的複雜性可能帶來挑戰。為了解決這個問題，人們轉向了更透明的線性溢價模型。
展望未來，我們期望將溢價模型與 NFT 定價預言機、借貸協議和自動化市場做市商（AMMs）整合。例如，在像 Chainlink 這樣的 NFT 定價預言機中，溢價模型可以細化定價輸入，確保更穩定的定價回饋。在像 BendDAO 這樣的 NFT 放款協議中，先進的定價模型可以便利安全的 NFT 抵押貸款，為 NFT 在 DeFi 中開闢新途徑。
此外，在像 Uniswap v4 這樣的 NFT AMMs 中，先進的定價模型可以增強換算演算法，使獎勵與 NFT 價值和稀有性保持一致。除此之外，溢價模型可以指導 NFT 的分散所有權，塑造 NFT 指數，並推動合成 NFT 的演變，同時在 NFT 平臺和金融應用中保持強大、透明和使用者友好的定價機制。
📍相關報導📍
NFT 回暖！Azuki 衝破 5 ETH，大戶放話：已在 Beanz 建立 900 個出價（BID）
