Модель оценки NFT в активно торгуемых коллекциях

Апрель 2022 г. Автор: Фред А. Райт, Алек А. Райт

Веб-сайт: NiftyBlueTwitter: Niftyblue

Аннотация

Мы описываем подход к оценке текущей рыночной стоимости невзаимозаменяемых токенов (NFT) в активно торгуемых коллекциях. Наш подход использует характеристики NFT в сочетании с данными о продажах и, таким образом, реагирует на ценность, придаваемую NFT их связанными сообществами. Модель обеспечивает полезную декомпозицию на зависящие от времени и специфичные для NFT эффекты для достаточно точных оценок, даже если преобладающие цены колеблются в пределах нескольких порядков. Мы иллюстрируем применение модели к некоторым из наиболее ценных коллекций NFT.

Введение

Оценка текущей стоимости невзаимозаменяемого токена (NFT), записанного в блокчейне, является сложной проблемой, поскольку цена в первую очередь зависит от личных предпочтений и субъективного восприятия социальной ценности. Отчасти привлекательность NFT заключается в том, что она уникальна, и поэтому ее трудно оценить. Тем не менее, оценочная стоимость будет иметь значительную полезность. Канонический вариант использования заключается в повышении доверия и ликвидности путем информирования покупателей и продавцов о NFT. Другой вариант использования включает оценку NFT, размещенных в качестве залога по кредиту (Quiroz-Gutierrez, 2022).

Хотя рынок аукционов NFT сам по себе сигнализирует о текущей цене (хотя и не для будущих рисков), само количество NFT создает неэффективность. В отличие от рынков взаимозаменяемых активов, покупатели и продавцы NFT потенциально могут настаивать на нереалистичных ценах, основанных на ошибочных предположениях. Кроме того, для таких приложений, как оценка недвижимости или оценка залога, выставление предмета на продажу просто для определения его стоимости противоречит цели. Одним из источников разногласий является то, что цены NFT часто частично определяются редкостью их характеристик, но могут использоваться конкурирующие определения редкости (rarity.tools, 2021). Кроме того, сообщество может не согласиться с относительной ценностью, придаваемой рынком конкретным чертам схожей редкости. Даже в активно торгуемых коллекциях большая часть NFT, возможно, никогда не торговалась с момента создания, поэтому для этих NFT не существует данных о предыдущих продажах.

Были предложены подходы с использованием агентов для платных/поощрительных оценок (Emmons & Peluso, 2020) с использованием протоколов, поощряющих точность и правдивость (Kong, 2020). Однако эти подходы сопряжены с серьезными проблемами при масштабировании на большой активный рынок с миллионами NFT и где преобладающие цены сбора могут быстро меняться.

Статистическое обучение на основе данных о продажах

Для NFT в активно торгуемых коллекциях оценку можно рассматривать как задачу статистического обучения под наблюдением, где атрибуты и признаки NFT являются предикторами цены продажи. Для наиболее активно торгуемых коллекций от 1000 до 10 000+ NFT связаны с уникальными файлами изображений/анимаций, которые являются конечным источником относительной ценности, и в дальнейшем мы используем «NFT» в качестве сокращения для обозначения NFT и/или связанных файлов. Эти изображения могут включать структурированные атрибуты, что означает, что каждый атрибут имеет одно значение признака для атрибута или, возможно, не имеет признака. Другие коллекции имеют неструктурированные атрибуты, которые могут включать в себя большое количество признаков или вообще не включать их.

Наш основной подход заключается в использовании значений признаков, функций значений признаков (таких как редкость) или, возможно, других признаков, полученных из NFT (например, непосредственно извлекаемых атрибутов изображения) в качестве предикторов цены продажи. Поскольку некоторые признаки могут быть уникальными или почти уникальными, данных о продажах может быть недостаточно для использования отдельных признаков в качестве предикторов, и нам, возможно, придется полагаться на сводки, такие как редкость признака. Редкость может быть определена несколькими способами, включая редкость в конкретном атрибуте или редкость, имеющую значение для всех атрибутов. Для неструктурированных атрибутов определение редкости может быть менее полезным, но здесь количество признаков, которыми обладает NFT (высокое или низкое), иногда считается полезным при оценке ценности.

Важной дополнительной проблемой при оценке стоимости является то, что средняя или минимальная цена коллекции может резко меняться, иногда в течение короткого периода времени. Кроме того, диапазон типичных цен может меняться с течением времени, при этом редкие признаки требуют более высокой надбавки (даже в относительном смысле) в одни периоды времени, чем в другие. Одним из вкладов нашего подхода является новый и практичный подход к корректировке этих зависящих от времени изменений, так что цены продаж NFT, собранные за длительные периоды времени, могут использоваться в модели прогнозирования.

Модель BlueRank

Мы моделируем цены (в криптовалюте или фиате) в натуральном логарифмическом масштабе, выбор, который отражает как огромный разброс в уплачиваемых ценах, так и стандартные принципы анализа акций. Однако многие предположения о поведении цен на акции основаны на высокой ликвидности и взаимозаменяемости активов. Для акций заметное отклонение от случайного блуждания в логарифмическом масштабе в конечном итоге сделало бы один тип актива более желательным, чем другой, что рынки быстро бы исправили. Напротив, NFT по определению не взаимозаменяемы. Таким образом, моделирование должно быть не механическим, а основанным на тщательном наблюдении за поведением рынка.

Сначала мы представляем базовую модель, лежащую в основе нашей системы оценки BlueRankTM (ожидается получение патента), а затем проиллюстрируем ее с помощью двух широко обсуждаемых коллекций NFT. Для одной коллекции и NFT i с двумя свойствами Xi фундаментальная модель значения в момент времени t такова:

где a — гладкая функция времени для средней цены, zit — лежащее в основе истинное относительное значение NFT, g — модель относительного ценообразования, основанная на данных о характеристиках/редкости Xi, а s(t) — зависящий от времени множитель, отражающий чувствительность от цены до редкости. Мы отмечаем, что a(t), как правило, несколько выше, чем так называемая «минимальная» минимальная предлагаемая цена продажи в рамках коллекции, но это смоделированное значение, основанное на количестве предыдущих продаж. Термин it представляет собой случайные отклонения от «естественной» цены, поскольку ни одна модель g не может полностью представить рынок и индивидуальные предпочтения всех участников в определенные моменты времени. Мы не рассматриваем и не обсуждаем транзакционные издержки (например, сборы за газ), хотя эти сборы могут иметь в целом незначительное влияние на ценообразование и, по-видимому, добавляют некоторую ошибку в любую модель ценообразования.

Обратите внимание, что в концептуальной модели (1) можно интерпретировать вообще t, хотя NFT могла быть продана только один раз, а может и не быть продана вообще. Эта модель имеет несколько преимуществ по сравнению с общими попытками совместного моделирования цен во времени. Тенденция и чувствительность разлагаются на эффекты признаков, поэтому аналитик может оценить g, используя широкий диапазон исторических данных. Значения a, z и s несколько смешаны, а идентифицируемость следует из ограничений, наложенных на z. Мы ожидаем, что значения z будут сильно смещены вправо, т. е. ненормальны, поскольку этот термин отражает часто асимметричное влияние редкости признака. Однако мы утверждаем, что определение z таким образом («z-статистика») является полезной конструкцией.

Подгонка модели

Здесь мы приводим некоторые основные принципы подбора модели. Особенности могут различаться в разных коллекциях NFT, и эти правила не являются незыблемыми. Одна потенциальная проблема возникает из-за фиктивных продажных цен либо из-за фиктивной торговли для завышения восприятия стоимости (Collier, 2022), либо из-за сверхнизких продажных цен, возникающих в результате различных злоупотреблений (Howcroft, 2022). Наш процесс подбора модели построен так, чтобы быть относительно устойчивым к ложным данным, как мы опишем ниже.

Для торговли основное внимание обычно уделяется оценке g, поскольку эта функция определяет BlueRank и относительную ценность NFT в коллекции, но для окончательной оценки будут использоваться оценки a и s в текущий момент времени. Построение «хорошего» набора предикторов X — это искусство, выходящее за рамки данной статьи. Как минимум, X будет включать значения редкости признаков и, возможно, факторные переменные для различных атрибутов, но может потребоваться некоторая легкая разработка признаков, чтобы избежать чрезмерного количества предикторов с минимальной прогностической ценностью.

Для простоты обсуждения предположим, что каждый NFT i продается один раз, в момент времени ti. Одновременная подгонка модели по всем условиям в (1) была бы идеальной, как и в обобщенных аддитивных моделях (Rigby & Stasinopoulos, 2005). Однако, чтобы сохранить общность методов оценки g, мы используем итеративный подход, который последовательно оценивает a, s и g. ˆa и ˆs получаются с помощью непараметрического сглаживания по времени, а значения ˜zi = (yi − aˆ(ti))/sˆ(ti) могут использоваться в качестве входных данных для моделирования E(˜z) = g(X) с научиться получать ˆg. Применение стандартных подходов во избежание переобучения g также оказывает благотворное влияние, делая результаты менее чувствительными к фиктивным сделкам. Продажи по подозрительно низким ценам можно отфильтровать, удалив экземпляры продаж с низкими (сильно отрицательными) выбросами z. Для NFT i, который никогда не продавался с момента чеканки, очевидная относительная оценка стоимости будет ˆzi = ˆg(Xi), имея в виду, что ˆg оценивается с использованием фактически проданных NFT. Таким образом, крайне важно, чтобы конструкция предикторов X включала свойства, применимые ко всему набору. Если NFT включает признак, который никогда не продавался, то включение этого признака в качестве предиктора не даст основания для оценки (это одна из причин, по которой редкость, а не наличие/отсутствие признака, иногда может быть предпочтительным предиктором). .

Еще одна проблема возникает при оценке NFT, которая была продана хотя бы один раз. Может показаться разумным использовать «наблюдаемое» ˜zi, полученное в результате этой продажи, включенное в модель (1) с использованием текущего времени. Однако в большинстве случаев мы рекомендуем вместо этого использовать ˆzi = ˆg(Xi). Другими словами, мы используем подобранную модель, а не наблюдаемую относительную цену, уплачиваемую за конкретный NFT. Одной из очевидных причин для этого является уменьшение или устранение любых преимуществ фиктивной торговли. Для большой коллекции трудно осмысленно изменить цену BlueRank от поддельной продажи, поскольку в модели используются предикторы, общие для всех NFT. Другая причина заключается в том, что при условии, что модельер сделал свою работу и g достаточно богат, конкретная уплаченная цена часто отражает специфические вкусы покупателя, которые вряд ли повторятся при последующих продажах. На данный момент стоит отметить, что количество активных участников рынка на самом деле намного меньше, чем количество торгуемых NFT (Cuthbertson, 2022).

Оценка и верхние/нижние пределы

По мере обновления продаж модель обязательно будет меняться. Таким образом, BlueRank не является статическим представлением стоимости (еще одно отличие от редких сайтов), а представляет собой наилучшие оценки во время моделирования, реагирующие на ценность, придаваемую NFT сообществом.

Примеры

Здесь мы рассматриваем известные Cryptopunks и Bored Ape Yacht Club (BAYC) (оба принадлежат Yuga labs) и коллекции, торгуемые с использованием блокчейна Ethereum. Для иллюстрации мы используем данные с торговой площадки OpenSea (opensea.io), используя самые последние продажи для каждого NFT (данные до 29 апреля 2022 г.). Дополнительные сделки с коллекциями происходили через сайты частных продаж или аукционов, которые здесь не показаны, но дают интересные точки для сравнения. Описанные здесь подходы применимы к любой бирже/цепочке или торговой площадке. Цены смоделированы в ETH (Ξ) и могут быть конвертированы в доллары с использованием исторических обменных курсов. Мы использовали сглаживание лёсса и деревья регрессии для подбора модели, и наши методы постоянно совершенствуются.

Когда s(t) мало, диапазон цен продажи узок, и NFT с относительно высокой ценностью в коллекции не будут продаваться с большой премией по сравнению с NFT с более низкой стоимостью. Метрики эффективности прогнозирования (перекрестная проверка и прогнозирование R2) будут описаны в другом месте, а здесь мы иллюстрируем прогнозы модели, сосредоточив внимание на NFT с наивысшим значением, определенным моделью.

За показанные временные масштабы коллекции достигли поразительного роста в цене, но, несмотря на громкие и сногсшибательные продажи, общепринятое мнение состоит в том, что спрос на коллекции в настоящее время несколько падает (Craig, 2022). Тем не менее, в 2022 году две коллекции рассказывают другую историю. Cryptopunks действительно падает в цене (обратите внимание, что его временная шкала охватывает много лет). Напротив, ˆa(t) для BAYC неуклонно растет, в настоящее время достигнув исторического максимума. Однако sˆ(t) для BAYC заметно падает, в результате чего торговля происходит в гораздо более узком диапазоне, чем всего два месяца назад. Эти факты могут не понравиться владельцам NFT с наивысшей стоимостью. Применение модели BlueRank показывает, что криптопанк с самым высоким рейтингом (№ 5822) стоит примерно 500 ETH (максимальная историческая цена 8000 ETH). Несмотря на рост минимальных цен BAYC, согласно модели, скучающая обезьяна с самым высоким рейтингом (№ 3749) стоит примерно 244 ETH (максимальная историческая цена 740 ETH). Эти оценки заслуживают некоторого контекста. В обоих случаях физические или юридические лица в сообществах блокчейнов покупали эти NFT в моменты, привлекающие внимание заголовков, во времена значительного наплыва ценных коллекций NFT. Более того, как мы опишем ниже, модели прогнозирования BlueRank, как правило, идентифицируют NFT с наивысшей стоимостью, даже если текущая оценочная стоимость значительно отличается от предыдущей цены продажи.

Рисунок 2 (верхняя панель) показывает 12 лучших криптопанков с точки зрения нашей относительной цены продажи (˜z, как определено выше) и 12 лучших по модели BlueRank (нижняя панель). Две NFT с самым высоким рейтингом также имели самую высокую относительную цену продажи, за ними следуют несколько NFT без данных о продажах OpenSea. Криптопанки № 1050, № 2204 и № 641 имеют высокий рейтинг из-за их сходства с № 6487, а также потому, что модель автоматически узнала, что криптопанки с небольшим количеством черт высоко ценятся. NFT, занявший шестое место, Cryptopunk #7523 (так называемый «пришелец Covid») является интересным примером и иллюстрирует, что модель не просто повторяет прошлые результаты. NFT не фигурирует в данных о продажах OpenSea, но торговался за 3790 ETH в июне 2021 года (Locke, 2021) (11,7 млн долларов на тот момент). Он занимает очень высокое место, потому что у него мало атрибутов, а черта пришельца и (в гораздо меньшей степени) черта маски ценятся. Как правило, порядок BlueRank близко соответствует порядку, основанному на относительной цене продажи, с учетом того, что соответствие не должно быть один к одному. Все NFT имеют BlueRanks, в то время как только NFT с прошлыми продажами в OpenSea отображаются на верхней панели Рисунка 2. Еще одним примечательным открытием является то, что Cryptopunk #8348, оцененный несколькими редкими сайтами как «самый редкий» NFT в коллекции, поскольку он содержит наибольшее количество черт, имеет респектабельный, но не самый высокий BlueRank (203/10 000).

На рис. 3 показаны аналогичные результаты для яхт-клуба Bored Ape. Здесь мы снова можем проиллюстрировать, что модель BlueRank учится на предпочтениях сообщества. Беглое сравнение показывает более близкое соответствие NFT, ранжированных по наблюдаемым относительным ценам продаж, и нашим BlueRank, чем при наблюдении со стандартными сайтами редкости (например, BlueRank подчеркивает яркие узоры меха и золотые детали). которые продемонстрировали свою ценность, при этом преуменьшая значение других редких черт, которые этого не сделали). Тем не менее, BlueRank не просто суммирует результаты предыдущих продаж. Седьмая по величине относительная цена продажи (500 ETH в январе 2022 г.) была уплачена Джастином Бибером за BAYC № 3001 (вторая строка, первый столбец на рис. 2), широко признанный в то время как NFT с низкой стоимостью в коллекции (Bitsky , 2022). Действительно, BlueRank — это самый обычный 6670/10 000, даже несмотря на то, что продажа NFT была включена в моделирование. Хотя эта продажа была законной, она иллюстрирует крайнюю сложность значимого воздействия на BlueRank путем фиктивной торговли отдельными NFT.

Прогностическая эффективность модели BlueRank может быть оценена путем изучения значений z по сравнению с z с использованием перекрестной проверки, при которой NFT последовательно исключаются из построения модели, а затем прогнозируются с использованием модели. Рисунок 4 (левая панель) показывает результат для криптопанков из нашего подхода к прогнозированию. Хотя используемая модель дерева регрессии проста и не настроена, прогноз уже достаточно высок (перекрестная проверка r = 0,79). Мы подчеркиваем, что предсказание z важно для ранжирования, но ретроспективная оценка предыдущих продажных цен будет включать дополнительную информацию о преобладающей цене и чувствительности. Включение этих условий обеспечивает поразительно точную оценку цен предыдущих продаж (правая панель, r = 0,97). Результаты для BAYC выглядят аналогичными (не показаны), и мы продолжим совершенствовать конкретные методы машинного обучения, используемые для вычисления BlueRanks.

Обсуждение

Мы представили модель BlueRank и проиллюстрировали ее двумя наиболее ценными коллекциями NFT. Методы постоянно совершенствуются, но уже выделяют существенные особенности, которые трудно оценить без количественного анализа. Модель обеспечивает точное ранжирование NFT внутри коллекций и может быть основой для аргументированного торга между покупателями и продавцами. Было отмечено недавнее падение стоимости криптопанков, но полагаться исключительно на минимальные цены для таких выводов сложно, и наша модель обеспечивает информированную основу. Недавнее повышение цен на BAYC несколько замаскировало падение стоимости самых дорогих предметов коллекции, которое можно количественно оценить с помощью нашей модели.

Изображения NFT показаны в этом документе в качестве комментариев.