斯坦福区块链研究：NFT 市场溢价评估模型，能够更好的计算 NFT 价格吗？

本文将介绍一种新的“溢价评估模型”，旨在创建一个考虑市场基础结构和基本原则的新的估值模型。

撰写：Yusen Zhan 、Black、Zi’ang （Tony） Ling

编译：深潮 TechFlow

注：此文来自于斯坦福区块链评论，深潮 TechFlow 为斯坦福区块链评论合作伙伴，独家获授权编译转载。

介绍

在不断发展的非同质化代币（NFTs）领域，有效的定价模型需要在复杂性和可解释性之间找到平衡。例如，在 NFT 交易中经常使用的“地板价”指标。在很多情况下，虽然地板价反映了一个大致的起始点和基线指标，但通常并不能准确反映 NFT 的内在价值或特性。

历史上，许多 NFT 定价模型都依赖于梯度提升决策树（GBDT）。尽管它们提供了可靠的预测，但非常复杂且难以解释**。在本文中，我们介绍了一种新的“溢价评估模型”，旨在创建一个考虑市场基础结构和基本原则的新的估值模型。我们希望通过捕捉 NFTs 的更多细微特性，使 NFT 领域的创作者、交易者和收藏家更好地理解 NFT 的定价复杂性。**

基线：基于梯度的决策树模型

目前，NFT 定价的一个常见模型技术是梯度提升决策树或 GBDT。这种集成学习方法起源于决策树的基本原理，其中单个树根据设定的标准做出决策。但是，GBDT 的独特之处在于它连续构建多个树。每建一个新树，它都试图纠正前一个树的错误，逐步提高集成的准确性。这种系统化、迭代的方法使 GBDT 模型具有识别和整合复杂数据模式和微妙差异的能力。

GBDT 模型的优势

1. 坚韧性：GBDT 能够抵御数据集中的异常值，使其适用于各种数据场景。

2. 处理混合数据：GBDT 可以无缝管理包含类别和数字特征的数据集。

3. 自动特征选择：模型的性质使其能够优先选择相关特征，通常减少了大量的特征工程需求。

4. 减少过拟合：由于集成的性质和迭代校正，GBDT 通常与单个决策树相比，表现出较少的过拟合。

GBDT 模型的挑战和局限性

1. 复杂性：作为多决策树的集成，理解 GBDT 的内部工作或追踪特定的决策路径可能会很复杂。

2. 训练时间：由于其迭代的性质，GBDT 通常比简单模型需要更长的训练时间。

3. 内存密集型：存储多个决策树需要大量的内存，这在资源有限的环境中可能是一个限制。

复杂性和缺乏透明性：核心问题

在我们的 NFT 定价背景下，GBDT 的最大挑战是缺乏透明性。虽然该模型可能提供一个价格或估值，但它是一个“黑盒”算法，不能简单地解释为什么会得出给定的价格。

GBDT 的一个主要优点，即在多决策树之间捕捉细微的数据模式，当我们需要为利益相关者证明或解释一个定价决策时，就变成了一个双刃剑。这种缺乏明确的可解释性导致定价指标难以为 NFT 领域的各种利益相关者所理解。因此，这强调了提供一个既准确又可解释的定价模型的重要性。

溢价模型概述

如上所述，我们正在推出一个 NFT 定价的溢价模型，该模型通过使价格与这些数字资产的基础原则和特性保持一致，平衡了准确性和可解释性。

NFT 定价包括基于集合的价值和其特性溢价。溢价模型的核心公式如下：

• 估价：NFT 的预测价值。

• 地板价：NFT 在市场上特定集合或类别中当前列出的最低销售价格。

• 截距：可以被视为对地板价的基础调整，考虑到可能普遍调整上升或下降的内在因素。

• 特征权重：分配给每个特性的系数，用于确定该特性如何影响 NFT 的价格。每个特性根据其与地板价的相对价值成比例地影响预估价格。

• 特性溢价：分配给 NFT 的特定、有吸引力的特性或特征的额外价值。它们是地板价和相应的特性权重的乘积。

• 基于集合的价值：这表示 NFT 在集合中的基线价值，来源于地板价，并可能受到考虑了一般市场状况或与特定特性无关的其他因素的截距的影响。

溢价评估模型的推导

在溢价模型中，我们使用线性回归来分析特定特性如何影响 NFT 的估计价格。利用特性权重和地板价作为变量，线性回归模型可以根据其固有特性和当前市场基线有效地预测 NFT 的价格。

根据我们的溢价模型，我们有：

经过简单的转化，得到：

重新命名左侧为 y，右侧为线性回归形式，我们得到：

其中：

• y 是预测的输出。

• x 是表示 NFT 特性的一位有效编码向量。向量中的每个位置代表一个特定的特性，而 NFT 具有的特性对应的位置上的向量是"hot"（即，设置为 1），否则为零。

• w 是一个权重向量，其中每个元素代表确定 NFT 价格时与特定特性相关的权重。

• b 是截距，独立于特性调整预测。

wT * x 项计算为两个向量的点积，即：

在实际使用中，假设你有 3 个特性（A， B， C）。一个具有 B 和 C 特性的 NFT 将由一位有效向量 x = [0， 1， 1]表示。线性回归模型根据为每个特性学到的权重和截距预测 NFT 的价格，所以我们可以将特性权重之和重写为 wTx。我们可以使用开源机器学习库实现线性回归模型，根据上述分析构建我们的溢价模型。

评估示范

我们可以使用我们的高级定价模型为稀有的 Bored Ape Yacht Club #7403 定价。以下是与此代币相对应的基本信息：

此 NFT 具有多种特性，包括 Trippy Fur、Faux Hawk Hat、Angry Eyes、Aquamarine Background、Silver Hoop Earring 和 Phoneme Mouth。其中，Trippy Fur 被认为是最稀有的属性。根据我们的 GoPricing API，#7403 的评估结果如下：

"pricing"是 token 7403 的估计价格，即 104.42672366856866 ETH，"floor"是请求时的地板价。我们的估计价格可以分解为：

从上面的例子中，我们只需要计算溢价而不是权重，并向用户显示最终的估计结果，如下面的演示所示：

溢价评估模型的优势

鉴于上述评估模型的理论推导和实际演示，我们可以看到它如何提供了一个实用和与市场相一致的定价策略框架。这反过来允许一个务实、适应和透明的估值方法。我们可以总结高级评估模型的一些主要特点和优势如下：

1. 线性：溢价模型与地板价保持线性关系，根据确定的权重集保持 NFTs 和特性之间的一致价格比率。

2. 透明度：一个突出的特点是模型的固有透明度，因为参数不仅容易验证，而且在估值过程中提供了清晰的可见性。

3. 实时响应性：该模型具有实时性，其中 NFT 的价格反映了地板价的变化，确保估值始终与当前的市场动态保持同步。

4. 可靠的中立性：避免第三方偏见，如稀有性感知或情感价值，参数通过线性平均数得出，严格基于交易历史，在训练过程中仅使用销售价格和地板价作为输入。

5. 可解释性：

• 参数清晰：无论是权重还是截距，每个参数都具有实际意义，阐明了 NFT 领域内特性的重要性和集合基础价值。

• 共享特征权重：类似于如何在不同的 NFTs 中渗透特性，特性权重在各种 NFT 价格中共同共享，确保了统一和一致的估值方法。

因此，溢价模型在确保透明度的同时，平衡了简单性和复杂性。通过关注清晰度、适应性和公平性，它为准确有效地估值 NFT 提供了坚实的基础。

结论

在快速发展的 NFT 市场中，定价模型至关重要，其中透明度被高度重视。虽然基于树的模型如 GBDT 一直很受欢迎，但它们的复杂性可能带来挑战。为了解决这个问题，人们转向了更透明的线性溢价模型。

展望未来，我们期望将溢价模型与 NFT 定价预言机、借贷协议和自动化市场做市商（AMMs）整合。例如，在像 Chainlink 这样的 NFT 定价预言机中，溢价模型可以细化定价输入，确保更稳定的定价反馈。在像 BendDAO 这样的 NFT 放款协议中，先进的定价模型可以便利安全的 NFT 抵押贷款，为 NFT 在 DeFi 中开辟新途径。

此外，在像 Uniswap v4 这样的 NFT AMMs 中，先进的定价模型可以增强换算算法，使奖励与 NFT 价值和稀有性保持一致。除此之外，溢价模型可以指导 NFT 的分散所有权，塑造 NFT 指数，并推动合成 NFT 的演变，同时在 NFT 平台和金融应用中保持强大、透明和用户友好的定价机制。

深潮 TechFlow 是由社区驱动的深度内容平台，致力于提供有价值的信息，有态度的思考。

社区：

订阅频道： https://t.me/TechFlowDaily

电报： https://t.me/TechFlowPost

推特：@TechFlowPost

进微信群添加助手微信：blocktheworld