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：

• 作爲點對點交易的參考價格
• 計算個人或機構 NFT 投資組合估值
• NFT 借貸、碎片化和其他 NFTfi 應用

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。

溢價模型

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：

• NFT 的價值可以分解爲藏品本身的內在價值和所有特質溢價的總和。
• 特徵溢價與地闆價的比率在一段時間內基本保持不變。

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：

• 預估價格是指的 NFT 的預測價值。
• 地闆價是指當前市場上特定繫列中 NFT 掛牌出售的最低價格。
• 截距：這可被視爲對地闆價的基本調整。由於排除特徵的 NFT 的基值應介於地闆價和最佳報價之間，因此截距通常是一個很小的負值。

• 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。

• 特徵溢價：歸因於 NFT 特定特徵的附加價值。它們是地闆價與其相應特徵權重的乘積。

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。

評估

我們用了：

• 兩年內所有真實的鏈上交易數據作爲訓練數據
• 以交易數據是否循環作爲判斷洗牌交易的標準
• opensea、blur、looksrare 最低掛牌價爲地闆價
• Lasso Regression 作爲回歸模型

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。

1370×1082 115 KB

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：

• 紫色頭髮：0.15931
• 小醜鼻子：0.02458
• 蹙眉：0
• 男性性別：0.05595

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：

• 稀有特徵的價值與普通特徵有著明顯的區別。
• 區分這些溢價的過程是透明的、基於證據的，且具有可信中立性。

NFT 價格預言機

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：

• 鏈下價格不能用於鏈上交易。
• 單一中心化節點存在操縱風險。
• 訓練數據識別洗牌的算法很難達成共識，需要共識確認機製。

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。

1628×652 119 KB

它由去中心化的節點網絡組成：

• 參與節點：每個節點從鏈上交易中穫取訓練數據，利用開源算法計算特徵權重，提交給預言機節點，形成去中心化預言機網絡。每個節點可以選擇不衕的：
  • 線性模型——例如樸素線性回歸、Lasso回歸、嶺回歸等。推薦使用Lasso回歸，因爲它可以將不重要的特徵權重減少到零。
  • 識別洗盤交易的算法。
  • 適當時間範圍內的交易歷史記録。集合的特徵權重變化越大，交易歷史的時間範圍應該越小。但較小的時間範圍對準確性的影響更大，因此這是一種權衡。對於一般情況，建議使用所有歷史交易。
• 價格預言機合約：分兩步操作：
  • 驗證所有返回的特徵權重，以在刪除異常值後取中值或平均值。由於特徵值相對穩定，權重不應相差太大，從而在驗證後保持較低的偏差。
  • 在用戶調用價格預言機合約時，首先通過地闆價預言機穫取實時地闆價，然後根據公式（1）計算實時定價。
• 用戶合約：傳遞合約地址和代幣ID，從價格預言機合約中檢索特定代幣定價

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。

優勢

可信的中立性

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。

透明度

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。

局限性

盡管有其優勢，但它仍存在一些局限性：

• 它不適用於快速變化的特徵值。由於先驗假設特徵的溢價相對於地闆價大緻是一個恆定參數，當特徵的價值快速變化時，根據不衕時間長度的交易歷史計算出的特徵值波動範圍非常大，這使得特徵值的波動範圍非常大，從而降低了模型精度。即使可以通過預言機中立地達成共識，但這仍是一個折衷的解決方案。
• 它很容易受到洗盤交易攻擊。溢價模型依賴於真實的交易數據。洗盤交易扭曲了定價輸入，導緻扭曲的定價輸出。雖然去中心化的預言機網絡能過濾洗盤交易，但這增加了不確定性。
• 它併不是完全非許可的。語言機節點目前需要審查以防止女巫攻擊。

應用

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：

• 稀有的 NFT #7403，價值 104.4 ETH，可以抵押爲 1044 xBAYC。
• 普通 NFT #1001，價值 25.5 ETH，可以抵押爲 255 xBAYC。

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。

緻謝

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。

聲明：

1. 本文轉載自[Ethereum Research]，著作權歸屬原作者[black71113; yusenzhan]，如對轉載有異議，請聯繫Gate Learn團隊，團隊會根據相關流程盡速處理。
2. 免責聲明：本文所錶達的觀點和意見僅代錶作者個人觀點，不構成任何投資建議。
3. 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得覆製、傳播或抄襲經翻譯文章。