คำอธิบายโดยละเอียดของโมเดลการประเมินระดับพรีเมียมของตลาด NFT จะสามารถคำนวณราคา NFT ได้ดีขึ้นหรือไม่

ผู้เขียนต้นฉบับ: Yusen Zhan, Black, Ziang (Tony) Ling

การรวบรวมต้นฉบับ: Deep Chao TechFlow

หมายเหตุ: บทความนี้มาจาก Stanford Blockchain Review TechFlow เป็นพันธมิตรของ Stanford Blockchain Review และได้รับอนุญาตแต่เพียงผู้เดียวในการรวบรวมและพิมพ์ซ้ำ

แนะนำ

ในโลกที่กำลังพัฒนาของโทเค็นที่ไม่สามารถเข้ากันได้ (NFT) โมเดลการกำหนดราคาที่มีประสิทธิภาพจำเป็นต้องมีความสมดุลระหว่างความซับซ้อนและความสามารถในการอธิบาย ตัวอย่างเช่น ตัวบ่งชี้ ราคาพื้น มักใช้ในธุรกรรม NFT ในหลายกรณี แม้ว่าราคาพื้นจะสะท้อนถึงจุดเริ่มต้นคร่าวๆ และตัวบ่งชี้พื้นฐาน แต่มักจะไม่ได้สะท้อนมูลค่าที่แท้จริงหรือคุณลักษณะของ NFT อย่างถูกต้อง

ในอดีต โมเดลการกำหนดราคา NFT จำนวนมากอาศัยแผนผังการตัดสินใจแบบไล่ระดับ (GBDT) แม้ว่าจะให้คำทำนายที่เชื่อถือได้ แต่ก็มีความซับซ้อนและยากต่อการตีความ ในบทความนี้ เราขอแนะนำ แบบจำลองการประเมินมูลค่าระดับพรีเมียม ใหม่ที่มีจุดมุ่งหมายเพื่อสร้างแบบจำลองการประเมินมูลค่าใหม่ที่คำนึงถึงโครงสร้างพื้นฐานของตลาดและหลักการพื้นฐาน เราหวังว่าการรวบรวมคุณลักษณะเฉพาะของ NFT มากขึ้น ผู้สร้าง ผู้ค้า และผู้สะสมในพื้นที่ NFT จะสามารถเข้าใจความซับซ้อนของการกำหนดราคา NFT ได้ดีขึ้น

ข้อมูลพื้นฐาน: แบบจำลองต้นไม้ตัดสินใจแบบไล่ระดับ

ปัจจุบัน เทคนิคการสร้างแบบจำลองทั่วไปสำหรับการกำหนดราคา NFT คือแผนผังการตัดสินใจแบบไล่ระดับสีหรือ GBDT วิธีการเรียนรู้ทั้งมวลนี้มีต้นกำเนิดมาจากหลักการพื้นฐานของแผนผังการตัดสินใจ โดยที่ต้นไม้ต้นเดียวจะตัดสินใจตามเกณฑ์ที่กำหนด อย่างไรก็ตาม GBDT มีความพิเศษตรงที่สร้างต้นไม้หลายต้นติดต่อกัน แต่ละครั้งที่มีการสร้างแผนผังใหม่ จะพยายามแก้ไขข้อผิดพลาดของแผนผังก่อนหน้าและค่อยๆ ปรับปรุงความแม่นยำของการบูรณาการ วิธีการทำซ้ำอย่างเป็นระบบนี้ช่วยให้แบบจำลอง GBDT สามารถระบุและบูรณาการรูปแบบข้อมูลที่ซับซ้อนและความแตกต่างที่ละเอียดอ่อนได้

ข้อดีของรุ่น GBDT

• ความยืดหยุ่น: GBDT สามารถทนต่อค่าผิดปกติในชุดข้อมูล ทำให้เหมาะสำหรับสถานการณ์ข้อมูลที่หลากหลาย

• จัดการข้อมูลแบบผสม: GBDT สามารถจัดการชุดข้อมูลที่มีคุณลักษณะทั้งแบบหมวดหมู่และตัวเลขได้อย่างราบรื่น

• การเลือกคุณสมบัติอัตโนมัติ: ลักษณะของโมเดลช่วยให้สามารถจัดลำดับความสำคัญของคุณสมบัติที่เกี่ยวข้องได้ ซึ่งมักจะลดความจำเป็นด้านวิศวกรรมคุณสมบัติที่สำคัญลง

• Overfitting ที่ลดลง: เนื่องจากลักษณะของทั้งมวลและการแก้ไขซ้ำ โดยทั่วไป GBDT จะแสดง Overfitting น้อยกว่าแผนผังการตัดสินใจเดียว

ความท้าทายและข้อจำกัดของแบบจำลอง GBDT

• ความซับซ้อน: เนื่องจากการรวมกันของแผนผังการตัดสินใจหลายแบบ การทำความเข้าใจการทำงานภายในของ GBDT หรือการสืบค้นเส้นทางการตัดสินใจที่เฉพาะเจาะจงอาจมีความซับซ้อน

• เวลาการฝึกอบรม: เนื่องจากลักษณะการทำซ้ำ โดยทั่วไป GBDT จึงต้องใช้เวลาในการฝึกอบรมนานกว่าโมเดลทั่วไป

• ใช้หน่วยความจำมาก: การจัดเก็บแผนผังการตัดสินใจหลายรายการต้องใช้หน่วยความจำจำนวนมาก ซึ่งอาจเป็นข้อจำกัดในสภาพแวดล้อมที่มีทรัพยากรจำกัด

ความซับซ้อนและขาดความโปร่งใส: ประเด็นหลัก

ในบริบทของการกำหนดราคา NFT ความท้าทายที่ใหญ่ที่สุดของ GBDT คือการขาดความโปร่งใส แม้ว่าโมเดลอาจให้ราคาหรือการประเมินมูลค่า แต่เป็นอัลกอริธึม กล่องดำ และไม่สามารถอธิบายได้ง่ายๆ ว่าทำไมถึงได้ราคาที่กำหนด

ข้อดีหลักประการหนึ่งของ GBDT คือการเก็บรูปแบบข้อมูลที่ละเอียดอ่อนในแผนผังการตัดสินใจหลายแบบ กลายเป็นดาบสองคมเมื่อเราต้องการพิสูจน์หรืออธิบายการตัดสินใจด้านราคาแก่ผู้มีส่วนได้ส่วนเสีย การขาดความสามารถในการตีความที่ชัดเจนทำให้ผู้มีส่วนได้ส่วนเสียต่างๆ ในพื้นที่ NFT เข้าใจได้ยาก ดังนั้นสิ่งนี้จึงเน้นถึงความสำคัญของการจัดหารูปแบบการกำหนดราคาที่มีทั้งความถูกต้องและตีความได้

ภาพรวมรุ่นพรีเมี่ยม

ตามที่กล่าวไว้ข้างต้น เรากำลังเปิดตัวโมเดลระดับพรีเมียมสำหรับการกำหนดราคา NFT ที่สร้างสมดุลระหว่างความถูกต้องและคำอธิบายได้ โดยการปรับราคาให้สอดคล้องกับหลักการและคุณลักษณะพื้นฐานของสินทรัพย์ดิจิทัลเหล่านี้

การกำหนดราคา NFT ประกอบด้วยมูลค่าตามคอลเลกชันและค่าพรีเมียมสำหรับคุณสมบัติ สูตรหลักของรุ่นพรีเมี่ยมมีดังนี้:

• การประเมินค่า: ค่าที่คาดการณ์ของ NFT

• ราคาพื้น: ราคาขายต่ำสุดในปัจจุบันที่แสดงสำหรับ NFT ในคอลเลกชันหรือหมวดหมู่เฉพาะในตลาด

• การสกัดกั้น: ถือเป็นการปรับฐานของราคาพื้น โดยคำนึงถึงปัจจัยโดยธรรมชาติที่โดยทั่วไปอาจปรับขึ้นหรือลง

• น้ำหนักคุณลักษณะ: ค่าสัมประสิทธิ์ที่กำหนดให้กับแต่ละคุณลักษณะเพื่อพิจารณาว่าคุณลักษณะนั้นส่งผลต่อราคาของ NFT อย่างไร คุณลักษณะแต่ละรายการจะส่งผลต่อราคาโดยประมาณตามสัดส่วนของมูลค่าที่สัมพันธ์กับราคาพื้น

• คุณลักษณะพรีเมียม: ค่าเพิ่มเติมที่กำหนดให้กับคุณลักษณะหรือคุณลักษณะเฉพาะที่น่าสนใจของ NFT ซึ่งเป็นผลคูณของราคาพื้นและน้ำหนักฟีเจอร์ที่เกี่ยวข้อง

• มูลค่าตามคอลเลกชัน: นี่แสดงถึงมูลค่าพื้นฐานของ NFT ในการรวบรวม ซึ่งได้มาจากราคาพื้นและอาจได้รับผลกระทบจากการสกัดกั้นที่คำนึงถึงสภาวะตลาดทั่วไปหรือปัจจัยอื่น ๆ ที่ไม่เกี่ยวข้องกับลักษณะเฉพาะ

ที่มาของแบบจำลองการประเมินมูลค่าพรีเมี่ยม

ในโมเดลพรีเมียม เราใช้การถดถอยเชิงเส้นเพื่อวิเคราะห์ว่าคุณลักษณะเฉพาะส่งผลต่อราคาโดยประมาณของ NFT อย่างไร การใช้น้ำหนักคุณลักษณะและราคาพื้นเป็นตัวแปร โมเดลการถดถอยเชิงเส้นสามารถคาดการณ์ราคาของ NFT ได้อย่างมีประสิทธิภาพโดยพิจารณาจากคุณลักษณะโดยธรรมชาติและเส้นฐานตลาดในปัจจุบัน

ภายใต้รุ่นพรีเมียมของเรา เรามี:

หลังจากการแปลงอย่างง่าย เราจะได้:

เปลี่ยนชื่อด้านซ้ายเป็น y และด้านขวาเป็นรูปแบบการถดถอยเชิงเส้น เราจะได้:

ใน:

• y คือผลลัพธ์ที่คาดการณ์ไว้

• x เป็นเวกเตอร์การเข้ารหัสที่ถูกต้องหนึ่งบิตซึ่งแสดงถึงคุณลักษณะ NFT แต่ละตำแหน่งในเวกเตอร์แสดงถึงคุณลักษณะเฉพาะ และเวกเตอร์ที่ตำแหน่งที่สอดคล้องกับคุณลักษณะ NFT ก็คือ"hot"(เช่น ตั้งค่าเป็น 1) มิฉะนั้นจะเป็นศูนย์

• w คือเวกเตอร์น้ำหนัก โดยที่แต่ละองค์ประกอบแสดงถึงน้ำหนักที่เกี่ยวข้องกับคุณลักษณะเฉพาะเมื่อกำหนดราคา NFT

• b คือจุดตัด ซึ่งปรับการทำนายโดยไม่ขึ้นอยู่กับคุณลักษณะ

เทอม wT * x คำนวณเป็นผลคูณดอทของเวกเตอร์สองตัว นั่นคือ:

ในการใช้งานจริง สมมติว่าคุณมีคุณลักษณะ 3 ประการ (A, B, C) NFT ที่มีคุณสมบัติ B และ C จะถูกแทนด้วยเวกเตอร์ที่ถูกต้องหนึ่งบิต x = [0, 1, 1] แบบจำลองการถดถอยเชิงเส้นคาดการณ์ราคาของ NFT ตามน้ำหนักและจุดตัดที่เรียนรู้สำหรับแต่ละคุณลักษณะ เพื่อให้เราสามารถเขียนผลรวมของน้ำหนักคุณลักษณะใหม่เป็น wTx เราสามารถใช้ไลบรารีการเรียนรู้ของเครื่องแบบโอเพ่นซอร์สเพื่อใช้แบบจำลองการถดถอยเชิงเส้นและสร้างแบบจำลองระดับพรีเมียมตามการวิเคราะห์ข้างต้น

การสาธิตการประเมิน

เราสามารถตั้งราคา Bored Ape Yacht Club #7403 ที่หายากได้โดยใช้โมเดลการกำหนดราคาขั้นสูงของเรา ด้านล่างนี้เป็นข้อมูลพื้นฐานที่เกี่ยวข้องกับโทเค็นนี้:

NFT นี้มีคุณสมบัติที่หลากหลาย รวมถึง Trippy Fur, หมวกเหยี่ยวเทียม, Angry Eyes, พื้นหลังสี Aquamarine, ต่างหูห่วงเงิน และ Phoneme Mouth ในจำนวนนี้ Trippy Fur ถือเป็นคุณลักษณะที่หายากที่สุด ตาม GoPricing API ของเรา ผลการประเมินของ #7403 มีดังนี้:

"pricing"คือราคาโดยประมาณของโทเค็น 7403 ซึ่งก็คือ 104.42672366856866 ETH"floor"เป็นราคาพื้น ณ เวลาที่ขอ ราคาโดยประมาณของเราสามารถแบ่งออกเป็น:

จากตัวอย่างข้างต้น เราเพียงแค่ต้องคำนวณเบี้ยประกันภัยแทนน้ำหนัก และแสดงการประมาณการขั้นสุดท้ายแก่ผู้ใช้ ดังที่แสดงในตัวอย่างต่อไปนี้:

ข้อดีของแบบจำลองการประเมินมูลค่าระดับพรีเมียม

เมื่อพิจารณาถึงที่มาทางทฤษฎีและการสาธิตเชิงปฏิบัติของแบบจำลองการประเมินค่าข้างต้น เราจะเห็นว่าแบบจำลองดังกล่าวให้กรอบการทำงานที่ปฏิบัติได้จริงและสอดคล้องกับตลาดสำหรับกลยุทธ์การกำหนดราคาอย่างไร ซึ่งจะช่วยให้มีแนวทางการประเมินมูลค่าที่นำไปใช้ได้จริง ปรับเปลี่ยนได้ และโปร่งใส เราสามารถสรุปคุณสมบัติหลักและข้อดีบางประการของแบบจำลองการประเมินขั้นสูงได้ดังนี้:

• เชิงเส้น: โมเดลพรีเมียมจะรักษาความสัมพันธ์เชิงเส้นตรงกับราคาพื้น โดยรักษาอัตราส่วนราคาที่สม่ำเสมอระหว่าง NFT และฟีเจอร์ต่างๆ ตามชุดน้ำหนักที่กำหนด

• ความโปร่งใส: คุณลักษณะที่โดดเด่นคือความโปร่งใสโดยธรรมชาติของแบบจำลอง เนื่องจากพารามิเตอร์ไม่เพียงแต่ได้รับการตรวจสอบอย่างง่ายดาย แต่ยังให้การมองเห็นที่ชัดเจนในระหว่างกระบวนการประเมินมูลค่าอีกด้วย

• การตอบสนองแบบเรียลไทม์: โมเดลนี้เป็นแบบเรียลไทม์ โดยที่ราคาของ NFT สะท้อนถึงการเปลี่ยนแปลงของราคาพื้น ทำให้มั่นใจได้ว่าการประเมินมูลค่าจะสอดคล้องกับการเปลี่ยนแปลงของตลาดในปัจจุบันอยู่เสมอ

• ความเป็นกลางที่เชื่อถือได้: หลีกเลี่ยงอคติของบุคคลที่สาม เช่น การรับรู้ว่าหายากหรือคุณค่าทางอารมณ์ พารามิเตอร์จะได้รับมาจากค่าเฉลี่ยเชิงเส้นและอิงตามประวัติการทำธุรกรรมอย่างเคร่งครัด โดยใช้เฉพาะราคาขายและราคาพื้นเป็นข้อมูลป้อนเข้าระหว่างการฝึกอบรม

• การตีความ:

• พารามิเตอร์ที่ชัดเจน: ไม่ว่าจะเป็นน้ำหนักหรือจุดตัด แต่ละพารามิเตอร์มีความสำคัญในทางปฏิบัติ โดยให้ความกระจ่างถึงความสำคัญและค่าพื้นฐานของคุณลักษณะในฟิลด์ NFT

• น้ำหนักฟีเจอร์ที่ใช้ร่วมกัน: คล้ายกับวิธีการแทรกซึมฟีเจอร์ต่างๆ ใน ​​NFT ต่างๆ น้ำหนักฟีเจอร์จะถูกแชร์ในราคา NFT ต่างๆ เพื่อให้มั่นใจว่าแนวทางการประเมินค่าที่เป็นหนึ่งเดียวและสอดคล้องกัน

โมเดลพรีเมียมจึงสร้างความสมดุลระหว่างความเรียบง่ายและความซับซ้อน ในขณะเดียวกันก็รับประกันความโปร่งใส ด้วยการมุ่งเน้นไปที่ความชัดเจน ความสามารถในการปรับตัว และความเป็นธรรม จะเป็นรากฐานที่มั่นคงสำหรับการประเมินค่า NFT อย่างถูกต้องและมีประสิทธิภาพ

สรุปแล้ว

โมเดลการกำหนดราคามีความสำคัญอย่างยิ่งในตลาด NFT ที่มีการพัฒนาอย่างรวดเร็ว ซึ่งความโปร่งใสเป็นสิ่งที่มีมูลค่าสูง แม้ว่าแบบจำลองแบบต้นไม้เช่น GBDT จะได้รับความนิยม แต่ความซับซ้อนของแบบจำลองเหล่านี้อาจทำให้เกิดความท้าทายได้ เพื่อแก้ไขปัญหานี้ ผู้คนหันมาใช้โมเดลพรีเมียมเชิงเส้นที่โปร่งใสมากขึ้น

นับจากนี้ไป เราคาดว่าจะรวมโมเดลระดับพรีเมียมเข้ากับ Oracle การกำหนดราคา NFT โปรโตคอลการให้ยืม และผู้สร้างสภาพคล่องอัตโนมัติ (AMM) ตัวอย่างเช่น ใน Oracle การกำหนดราคา NFT เช่น Chainlink โมเดลพรีเมียมจะสามารถปรับแต่งอินพุตการกำหนดราคาและให้ข้อเสนอแนะด้านราคาที่มีเสถียรภาพมากขึ้น ในโปรโตคอลการให้กู้ยืม NFT เช่น BendDAO โมเดลการกำหนดราคาขั้นสูงสามารถอำนวยความสะดวกในการให้กู้ยืมจำนอง NFT ที่ปลอดภัย ซึ่งเปิดช่องทางใหม่สำหรับ NFT ใน DeFi

นอกจากนี้ ใน NFT AMM เช่น Uniswap v4 โมเดลการกำหนดราคาขั้นสูงสามารถปรับปรุงอัลกอริธึมการแปลงเพื่อปรับรางวัลให้สอดคล้องกับมูลค่า NFT และความหายาก นอกจากนี้ โมเดลระดับพรีเมียมยังสามารถเป็นแนวทางในการเป็นเจ้าของ NFT แบบกระจายอำนาจ จัดรูปแบบดัชนี NFT และขับเคลื่อนวิวัฒนาการของ NFT สังเคราะห์ ในขณะที่ยังคงรักษากลไกการกำหนดราคาที่แข็งแกร่ง โปร่งใส และเป็นมิตรกับผู้ใช้ในแพลตฟอร์ม NFT และแอปพลิเคชันทางการเงิน