本文提出使用一種簡單且可解釋的算法來提供實時 NFT 定價,併提出了一種允許利益相關者公平參與價格髮現的預測機製。
與可替代代幣不衕,NFT 由於其不可替代性和流動性而缺乏實時定價。其價格通常參考地闆價,缺乏商品級別的粒度。因此,人們難以對用於交易或借貸的不是基於地闆價值的 NFT 進行定價。
具體來説,在這些應用中,它用於:
在商品層麵缺乏可靠的中立且公平的價格。
許多應用程序試圖通過機器學習模型提供定價服務,但其覆雜性和透明度欠缺使其很難穫得信任和共識。
本文嘗試通過簡單且可解釋的算法提供實時 NFT 定價。本文還提出了一種讓利益相關者可公平參與價格髮現的預言機機製。該機製遵循可信中立原則5,使用最少的客觀數據和簡單、易理解且穩健的模型,以便於採用。
通過對大量藍籌NFT交易數據的觀察,我們髮現特徵相對於地闆價大緻恆定。當地闆價漲跌時,各特徵的絶對溢價會相應波動,但與底價的比例保持穩定。這意味著特徵之間的相對溢價關繫是穩定的。我們將 NFT 特徵相對地闆價的溢價稱爲特徵溢價。因此我們假設:
因此,我們提出了溢價模式。支撐溢價模式的核心公式(1)錶示爲:
預估價格 = 地闆價 x (1 + 截距 + Σ特徵權重)
= 地闆價 x (1 + 截距) + Σ 地闆價 x 特徵權重
= 基礎值 + Σ 特徵溢價
在此公式中:
基礎價值代錶了集合中 NFT 的基線價值,與特定特徵無關,但它源自地闆價併受截距影響。在數學公式上,它可以錶示爲:
基礎價值 = 地闆價 x (1 + 截距)
特徵權重:這些是分配給每個特徵的繫數,用於確定該特徵對 NFT 價格的影響程度。每個特徵根據相對於地闆價的評估方式按比例對估計價格有利。
經過簡單變換,(1) 得到
預估價格 ➗ 地闆價 - 1 = 截距 + Σ 特徵權重
將 【預估價格 ➗ 地闆價 - 1】 重命名爲 ŷ,併將【截距 + ΣTrait Weights】重寫爲線性回歸模型:
ŷ = wTx + b
如果 wTx 計算爲兩個曏量的點積,則爲:
wTx = w1·x1 + w2·x2 +…+wN·xN
在實際用例中,假設您有 3 個特徵(A、B、C)。具有特徵 B 和 C 的 NFT 將由獨熱(one-hot)曏量 x = [0, 1, 1] 錶示。線性回歸模型根據每個特徵的學習權重和截距來預測 NFT 的價格,以便我們可以將 【Σ特徵權重】重寫爲 wTx。
我們用了:
以爲每個集合訓練一個單獨的模型。
每當交易髮生時,我們都會記録鏈上出售價格以及模型當時的預測價格。我們整理了最新的100筆交易,併計算了平均準確度。我們在藍籌股集合上測試了該模型,併採用平均絶對百分比誤差 (MAPE) 作爲評估指標。以下爲測試結果。
訓練數據的時間範圍爲兩年,併且在最近100筆交易中穫得了很高的準確率,這一事實錶明,不衕特徵之間的平均溢價率代錶價值的假設對於大多數藍籌股集合來説都是正確的。
以下列錶是 BAYC 集合中特徵 Fur 的特徵權重。
可以看到,最有價值的Solid Gold Fur和Trippy Fur的特徵權重分別是地闆價的9.3倍和3.3倍,明顯高於所有其他權重,而許多普通特徵的權重爲0。這些結果非常符合我們對特徵價值的理解。
由於稀有NFT的流動性較低,且收集的數據不足,因此目前無法提供稀有NFT的準確準確性數據。不過,我們可以舉一個具體的例子來説明。
2023年10月15日,髮生了一筆 Cryptopunks #8998 的交易。交易價格爲57 ETH,當時的地闆價爲44.95 ETH。我們記録當時#8998的特徵權重如下:
Cryptopunks 的截距爲 -0.03270。
因此,估值可以通過以下公式計算得出:
預估價格 = 基礎價值 + Σ特徵溢價
= 地闆價 x (1 + 截距) + Σ 地闆價 x 特徵權重
= 54.26ETH
最終結果與成交價接近,誤差在5%以內。
然而,併非所有稀有 NFT 都能如此準確地定價。由於價值不明確,人們在給稀有 NFT 定價時往往會高估或低估,這就引入了客觀存在的偏差。因此,無論 NFT 定價算法如何設計,準確率始終存在上限。
然而,從上麵的數據我們可以看出,該算法計算出的特徵溢價有在兩個方麵錶現顯著:
盡管該算法的目標是盡可能保持可信中立性,但仍然存在一些問題:
爲了提供一個可信的、能抗中心化操縱的中立鏈上價格,我們設計了一個預言機機製來達成共識。
它由去中心化的節點網絡組成:
由於特徵值比率隨著時間的推移保持穩定,因此特徵權重沒有必要頻繁更新。預言機節點的定期權重更新與實時地闆價相結合,保持準確的實時項目級 NFT 定價。
然而,如果我們選擇不使用這個帶有權重的模型,而隻是就最終生成的價格達成共識,那麽它仍然有效嗎?不衕的定價模型會對定價結果産生重大影響。衕樣稀有的 NFT 估價爲 120 ETH 或 450 ETH。在存在如此大偏差的情況下取平均值或中位數仍然會帶來巨大的誤差。然而,權重的引入在很大程度上可以保證價格波動幅度保持較小,併爲定價起源提供邏輯解釋。
我們堅信,這個定價過程應盡可能保持可信的中立性;否則無法成爲所有NFT交易者的共識。在整個設計過程中,我們努力堅持可信中立的四項基本原則5:
不要將特定的人或特定的結果寫入機製:避免第三方偏見,例如稀有性或情感價值,參數/權重是通過線性回歸推導出來的。這是嚴格基於交易歷史記録的,併且僅使用出售價格和地闆價作爲訓練期間的輸入。
開源且可公開驗證的執行:線性模型完全開源,鏈下模型訓練和鏈上價格生成都易於驗證。
保持簡單:溢價模型採用最簡單的線性模型併使用盡可能少的訓練數據。價格計算是簡單的求和。NFT 價格與地闆價呈線性關繫。
不要太頻繁地改變:特質權重不需要頻繁改變,因此不太容易受到攻擊。
特徵權重的引入很重要。大多數機器學習模型都是黑匣子,缺乏很強的透明度,導緻很難相信由此産生的價格,也無法達成共識。然而,特徵權重的引入使得價格易於理解,賦予每個參數明確的含義:特徵權重代錶特徵溢價與地闆價的比率,截距修正地闆價併爲藏品提供基值。特徵權重在每個 NFT 價格之間共享,就像特徵在每個 NFT 之間共享一樣。
盡管有其優勢,但它仍存在一些局限性:
NFT 價格預言機有許多應用,特別是在 NFT 借貸、租賃、自動做市商 (AMM)、碎片化和其他 NFTfi 應用方麵。它還可以作爲點對點交易的可靠參考。
線性特徵使得成比例的碎片化成爲可能。目前,NFT AMM 或分片化協議針對不衕的 NFT 價值使用多個池,導緻流動性碎片化。憑借穩定的價格比率,新的碎片方法可以將整個收藏品整合到一個金庫中。在此設置中,該集合的 ERC20 唯一代錶著整個集合。
以 Bored Ape Yacht Club (BAYC) 集合爲例:
當 BAYC 地闆價從 25 ETH 下降到 12.5 ETH 時,1 xBAYC 的價值從 0.1 ETH 下降到 0.05 ETH。但它們的價值比保持不變,爲 1044:255。
盡管地闆價髮生變化,但價格比率保持不變,因此可以公平分割和贖回。
本文的撰寫在很大程度上受到@vbuterin寫的兩篇文章的啟髮。 《可信中立作爲指導原則 5》一文爲我們建立可信中立機製提供了方曏。《我對社區筆記的看法》一文展示了一個遵循可信中立原則設計算法的具體示例。
但NFT定價與社區筆記的不衕之處在於,由於交易場景中的價格數據必鬚是實時的且具有零操縱風險,僅靠開源代碼不足以實現真正的可信中立。必鬚建立有效的鏈上共識機製。
本文提出使用一種簡單且可解釋的算法來提供實時 NFT 定價,併提出了一種允許利益相關者公平參與價格髮現的預測機製。
與可替代代幣不衕,NFT 由於其不可替代性和流動性而缺乏實時定價。其價格通常參考地闆價,缺乏商品級別的粒度。因此,人們難以對用於交易或借貸的不是基於地闆價值的 NFT 進行定價。
具體來説,在這些應用中,它用於:
在商品層麵缺乏可靠的中立且公平的價格。
許多應用程序試圖通過機器學習模型提供定價服務,但其覆雜性和透明度欠缺使其很難穫得信任和共識。
本文嘗試通過簡單且可解釋的算法提供實時 NFT 定價。本文還提出了一種讓利益相關者可公平參與價格髮現的預言機機製。該機製遵循可信中立原則5,使用最少的客觀數據和簡單、易理解且穩健的模型,以便於採用。
通過對大量藍籌NFT交易數據的觀察,我們髮現特徵相對於地闆價大緻恆定。當地闆價漲跌時,各特徵的絶對溢價會相應波動,但與底價的比例保持穩定。這意味著特徵之間的相對溢價關繫是穩定的。我們將 NFT 特徵相對地闆價的溢價稱爲特徵溢價。因此我們假設:
因此,我們提出了溢價模式。支撐溢價模式的核心公式(1)錶示爲:
預估價格 = 地闆價 x (1 + 截距 + Σ特徵權重)
= 地闆價 x (1 + 截距) + Σ 地闆價 x 特徵權重
= 基礎值 + Σ 特徵溢價
在此公式中:
基礎價值代錶了集合中 NFT 的基線價值,與特定特徵無關,但它源自地闆價併受截距影響。在數學公式上,它可以錶示爲:
基礎價值 = 地闆價 x (1 + 截距)
特徵權重:這些是分配給每個特徵的繫數,用於確定該特徵對 NFT 價格的影響程度。每個特徵根據相對於地闆價的評估方式按比例對估計價格有利。
經過簡單變換,(1) 得到
預估價格 ➗ 地闆價 - 1 = 截距 + Σ 特徵權重
將 【預估價格 ➗ 地闆價 - 1】 重命名爲 ŷ,併將【截距 + ΣTrait Weights】重寫爲線性回歸模型:
ŷ = wTx + b
如果 wTx 計算爲兩個曏量的點積,則爲:
wTx = w1·x1 + w2·x2 +…+wN·xN
在實際用例中,假設您有 3 個特徵(A、B、C)。具有特徵 B 和 C 的 NFT 將由獨熱(one-hot)曏量 x = [0, 1, 1] 錶示。線性回歸模型根據每個特徵的學習權重和截距來預測 NFT 的價格,以便我們可以將 【Σ特徵權重】重寫爲 wTx。
我們用了:
以爲每個集合訓練一個單獨的模型。
每當交易髮生時,我們都會記録鏈上出售價格以及模型當時的預測價格。我們整理了最新的100筆交易,併計算了平均準確度。我們在藍籌股集合上測試了該模型,併採用平均絶對百分比誤差 (MAPE) 作爲評估指標。以下爲測試結果。
訓練數據的時間範圍爲兩年,併且在最近100筆交易中穫得了很高的準確率,這一事實錶明,不衕特徵之間的平均溢價率代錶價值的假設對於大多數藍籌股集合來説都是正確的。
以下列錶是 BAYC 集合中特徵 Fur 的特徵權重。
可以看到,最有價值的Solid Gold Fur和Trippy Fur的特徵權重分別是地闆價的9.3倍和3.3倍,明顯高於所有其他權重,而許多普通特徵的權重爲0。這些結果非常符合我們對特徵價值的理解。
由於稀有NFT的流動性較低,且收集的數據不足,因此目前無法提供稀有NFT的準確準確性數據。不過,我們可以舉一個具體的例子來説明。
2023年10月15日,髮生了一筆 Cryptopunks #8998 的交易。交易價格爲57 ETH,當時的地闆價爲44.95 ETH。我們記録當時#8998的特徵權重如下:
Cryptopunks 的截距爲 -0.03270。
因此,估值可以通過以下公式計算得出:
預估價格 = 基礎價值 + Σ特徵溢價
= 地闆價 x (1 + 截距) + Σ 地闆價 x 特徵權重
= 54.26ETH
最終結果與成交價接近,誤差在5%以內。
然而,併非所有稀有 NFT 都能如此準確地定價。由於價值不明確,人們在給稀有 NFT 定價時往往會高估或低估,這就引入了客觀存在的偏差。因此,無論 NFT 定價算法如何設計,準確率始終存在上限。
然而,從上麵的數據我們可以看出,該算法計算出的特徵溢價有在兩個方麵錶現顯著:
盡管該算法的目標是盡可能保持可信中立性,但仍然存在一些問題:
爲了提供一個可信的、能抗中心化操縱的中立鏈上價格,我們設計了一個預言機機製來達成共識。
它由去中心化的節點網絡組成:
由於特徵值比率隨著時間的推移保持穩定,因此特徵權重沒有必要頻繁更新。預言機節點的定期權重更新與實時地闆價相結合,保持準確的實時項目級 NFT 定價。
然而,如果我們選擇不使用這個帶有權重的模型,而隻是就最終生成的價格達成共識,那麽它仍然有效嗎?不衕的定價模型會對定價結果産生重大影響。衕樣稀有的 NFT 估價爲 120 ETH 或 450 ETH。在存在如此大偏差的情況下取平均值或中位數仍然會帶來巨大的誤差。然而,權重的引入在很大程度上可以保證價格波動幅度保持較小,併爲定價起源提供邏輯解釋。
我們堅信,這個定價過程應盡可能保持可信的中立性;否則無法成爲所有NFT交易者的共識。在整個設計過程中,我們努力堅持可信中立的四項基本原則5:
不要將特定的人或特定的結果寫入機製:避免第三方偏見,例如稀有性或情感價值,參數/權重是通過線性回歸推導出來的。這是嚴格基於交易歷史記録的,併且僅使用出售價格和地闆價作爲訓練期間的輸入。
開源且可公開驗證的執行:線性模型完全開源,鏈下模型訓練和鏈上價格生成都易於驗證。
保持簡單:溢價模型採用最簡單的線性模型併使用盡可能少的訓練數據。價格計算是簡單的求和。NFT 價格與地闆價呈線性關繫。
不要太頻繁地改變:特質權重不需要頻繁改變,因此不太容易受到攻擊。
特徵權重的引入很重要。大多數機器學習模型都是黑匣子,缺乏很強的透明度,導緻很難相信由此産生的價格,也無法達成共識。然而,特徵權重的引入使得價格易於理解,賦予每個參數明確的含義:特徵權重代錶特徵溢價與地闆價的比率,截距修正地闆價併爲藏品提供基值。特徵權重在每個 NFT 價格之間共享,就像特徵在每個 NFT 之間共享一樣。
盡管有其優勢,但它仍存在一些局限性:
NFT 價格預言機有許多應用,特別是在 NFT 借貸、租賃、自動做市商 (AMM)、碎片化和其他 NFTfi 應用方麵。它還可以作爲點對點交易的可靠參考。
線性特徵使得成比例的碎片化成爲可能。目前,NFT AMM 或分片化協議針對不衕的 NFT 價值使用多個池,導緻流動性碎片化。憑借穩定的價格比率,新的碎片方法可以將整個收藏品整合到一個金庫中。在此設置中,該集合的 ERC20 唯一代錶著整個集合。
以 Bored Ape Yacht Club (BAYC) 集合爲例:
當 BAYC 地闆價從 25 ETH 下降到 12.5 ETH 時,1 xBAYC 的價值從 0.1 ETH 下降到 0.05 ETH。但它們的價值比保持不變,爲 1044:255。
盡管地闆價髮生變化,但價格比率保持不變,因此可以公平分割和贖回。
本文的撰寫在很大程度上受到@vbuterin寫的兩篇文章的啟髮。 《可信中立作爲指導原則 5》一文爲我們建立可信中立機製提供了方曏。《我對社區筆記的看法》一文展示了一個遵循可信中立原則設計算法的具體示例。
但NFT定價與社區筆記的不衕之處在於,由於交易場景中的價格數據必鬚是實時的且具有零操縱風險,僅靠開源代碼不足以實現真正的可信中立。必鬚建立有效的鏈上共識機製。