Giải thích chi tiết về mô hình đánh giá phí bảo hiểm thị trường NFT, liệu nó có thể tính toán giá NFT tốt hơn không?
Tác giả gốc: Yusen Zhan, Black, Ziang (Tony) Ling
Biên soạn gốc: Deep Chao TechFlow
Lưu ý: Bài viết này đến từ Stanford Blockchain Review.TechFlow là đối tác của Stanford Blockchain Review và được độc quyền biên soạn và in lại.
giới thiệu
Trong thế giới đang phát triển của các token không thể thay thế (NFT), các mô hình định giá hiệu quả đòi hỏi sự cân bằng giữa độ phức tạp và khả năng giải thích. Ví dụ: chỉ báo giá sàn thường được sử dụng trong các giao dịch NFT. Trong nhiều trường hợp, mặc dù giá sàn phản ánh điểm khởi đầu sơ bộ và các chỉ số cơ bản, nhưng nó thường không phản ánh chính xác giá trị nội tại hoặc đặc điểm của NFT.
Trong lịch sử, nhiều mô hình định giá NFT đã dựa vào cây quyết định tăng cường độ dốc (GBDT). Mặc dù chúng đưa ra những dự đoán đáng tin cậy nhưng chúng rất phức tạp và khó diễn giải. Trong bài viết này, chúng tôi giới thiệu một mô hình định giá cao cấp mới nhằm tạo ra một mô hình định giá mới có tính đến cơ sở hạ tầng thị trường và các nguyên tắc cơ bản. Chúng tôi hy vọng rằng bằng cách nắm bắt được nhiều đặc điểm sắc thái của NFT hơn, người sáng tạo, nhà giao dịch và nhà sưu tập trong không gian NFT có thể hiểu rõ hơn về mức độ phức tạp của việc định giá NFT.
Đường cơ sở: Mô hình cây quyết định dựa trên độ dốc
Hiện tại, một kỹ thuật lập mô hình phổ biến để định giá NFT là cây quyết định tăng cường độ dốc hoặc GBDT. Phương pháp học tập tổng hợp này bắt nguồn từ các nguyên tắc cơ bản của cây quyết định, trong đó một cây duy nhất đưa ra quyết định dựa trên các tiêu chí đã đặt ra. Tuy nhiên, GBDT độc đáo ở chỗ nó xây dựng nhiều cây liên tiếp. Mỗi khi một cây mới được xây dựng, nó sẽ cố gắng sửa các lỗi của cây trước đó và dần dần cải thiện độ chính xác của việc tích hợp. Cách tiếp cận lặp đi lặp lại có hệ thống này mang lại cho các mô hình GBDT khả năng xác định và tích hợp các mẫu dữ liệu phức tạp và những khác biệt nhỏ.
Ưu điểm của mô hình GBDT
Khả năng phục hồi: GBDT có thể chịu được các ngoại lệ trong tập dữ liệu, khiến nó phù hợp với nhiều tình huống dữ liệu khác nhau.
Xử lý dữ liệu hỗn hợp: GBDT có thể quản lý liền mạch các tập dữ liệu chứa cả tính năng phân loại và số.
Lựa chọn tính năng tự động: Bản chất của mô hình cho phép nó ưu tiên các tính năng có liên quan, thường làm giảm nhu cầu về kỹ thuật tính năng quan trọng.
Giảm quá mức: Do tính chất của việc điều chỉnh toàn bộ và lặp đi lặp lại, GBDT thường thể hiện ít quá mức hơn so với một cây quyết định đơn lẻ.
Những thách thức và hạn chế của mô hình GBDT
Độ phức tạp: Là một tập hợp gồm nhiều cây quyết định, việc hiểu hoạt động bên trong của GBDT hoặc truy tìm một đường dẫn quyết định cụ thể có thể phức tạp.
Thời gian huấn luyện: Do tính chất lặp đi lặp lại, GBDT thường yêu cầu thời gian huấn luyện lâu hơn các mô hình đơn giản.
Cần nhiều bộ nhớ: Việc lưu trữ nhiều cây quyết định đòi hỏi một lượng lớn bộ nhớ, điều này có thể là một hạn chế trong môi trường hạn chế về tài nguyên.
Sự phức tạp và thiếu minh bạch: vấn đề cốt lõi
Trong bối cảnh định giá NFT của chúng tôi, thách thức lớn nhất với GBDT là sự thiếu minh bạch. Mặc dù mô hình có thể cung cấp giá hoặc định giá, nhưng đây là thuật toán hộp đen và không thể giải thích một cách đơn giản lý do tại sao lại đưa ra một mức giá nhất định.
Một trong những ưu điểm chính của GBDT, cụ thể là nắm bắt các mẫu dữ liệu tinh tế trên nhiều cây quyết định, trở thành con dao hai lưỡi khi chúng ta cần biện minh hoặc giải thích về quyết định định giá cho các bên liên quan. Việc thiếu khả năng diễn giải rõ ràng này khiến các số liệu định giá trở nên khó hiểu đối với các bên liên quan khác nhau trong không gian NFT. Do đó, điều này nhấn mạnh tầm quan trọng của việc cung cấp một mô hình định giá vừa chính xác vừa dễ hiểu.
Tổng quan về mẫu cao cấp
Như đã đề cập ở trên, chúng tôi đang tung ra một mô hình cao cấp để định giá NFT giúp cân bằng độ chính xác và khả năng giải thích bằng cách điều chỉnh giá với các nguyên tắc và đặc điểm cơ bản của các tài sản kỹ thuật số này.
Giá NFT bao gồm giá trị dựa trên bộ sưu tập và phí bảo hiểm cho các thuộc tính của nó. Công thức cốt lõi của mô hình cao cấp như sau:
Định giá: Giá trị dự đoán của NFT.
Giá sàn: Giá bán thấp nhất hiện được niêm yết cho NFT trong một bộ sưu tập hoặc danh mục cụ thể trên thị trường.
Chặn: Có thể được xem như một sự điều chỉnh cơ bản đối với giá sàn, có tính đến các yếu tố vốn có mà nhìn chung có thể điều chỉnh tăng hoặc giảm.
Trọng số tính năng: Hệ số được gán cho từng tính năng để xác định tính năng đó ảnh hưởng như thế nào đến giá của NFT. Mỗi đặc điểm ảnh hưởng đến giá ước tính tương ứng với giá trị tương đối của nó với giá sàn.
Tính năng cao cấp: Giá trị bổ sung được gán cho các tính năng hoặc đặc điểm cụ thể, hấp dẫn của NFT. Chúng là tích của giá sàn và trọng lượng tính năng tương ứng.
Giá trị dựa trên bộ sưu tập: Giá trị này thể hiện giá trị cơ bản của NFT trong bộ sưu tập, bắt nguồn từ giá sàn và có thể bị ảnh hưởng bởi mức chặn có tính đến các điều kiện thị trường chung hoặc các yếu tố khác không liên quan đến các đặc điểm cụ thể.
Dẫn xuất mô hình định giá cao cấp
Trong mô hình cao cấp, chúng tôi sử dụng hồi quy tuyến tính để phân tích mức độ ảnh hưởng của các đặc điểm cụ thể đến giá ước tính của NFT. Sử dụng trọng số tính năng và giá sàn làm biến số, mô hình hồi quy tuyến tính có thể dự đoán giá của NFT một cách hiệu quả dựa trên các đặc điểm vốn có của chúng và đường cơ sở thị trường hiện tại.
Theo mô hình cao cấp của chúng tôi, chúng tôi có:
Sau khi biến đổi đơn giản, ta có:
Đổi tên bên trái thành y và bên phải thành dạng hồi quy tuyến tính, chúng ta có:
TRONG:
y là đầu ra dự đoán.
x là vectơ mã hóa hợp lệ một bit biểu thị các đặc tính NFT. Mỗi vị trí trong vectơ đại diện cho một tính năng cụ thể và vectơ tại vị trí tương ứng với tính năng mà NFT có là"hot"(tức là đặt thành 1), nếu không thì bằng 0.
w là vectơ trọng số, trong đó mỗi phần tử biểu thị trọng số liên quan đến một tính năng cụ thể khi xác định giá NFT.
b là điểm chặn, điều chỉnh dự đoán độc lập với các đặc điểm.
Số hạng wT * x được tính là tích vô hướng của hai vectơ, tức là:
Trong sử dụng thực tế, giả sử bạn có 3 tính năng (A, B, C). Một NFT có thuộc tính B và C sẽ được biểu thị bằng vectơ hợp lệ một bit x = [0, 1, 1]. Mô hình hồi quy tuyến tính dự đoán giá của NFT dựa trên trọng số và điểm chặn đã học được cho từng tính năng, vì vậy chúng ta có thể viết lại tổng trọng số của tính năng dưới dạng wTx. Chúng tôi có thể sử dụng thư viện máy học nguồn mở để triển khai mô hình hồi quy tuyến tính và xây dựng mô hình cao cấp dựa trên phân tích trên.
Trình diễn đánh giá
Chúng tôi có thể định giá Câu lạc bộ du thuyền Bored Ape #7403 quý hiếm bằng cách sử dụng mô hình định giá nâng cao của chúng tôi. Dưới đây là thông tin cơ bản tương ứng với token này:
NFT này có nhiều tính năng khác nhau bao gồm Lông Trippy, Mũ Faux Hawk, Đôi mắt giận dữ, Nền Aquamarine, Bông tai Hoop Bạc và Miệng Âm vị. Trong số này, Trippy Fur được coi là thuộc tính hiếm nhất. Theo API GoPricing của chúng tôi, kết quả đánh giá của #7403 như sau:
"pricing"là giá ước tính của token 7403, là 104,42672366856866 ETH,"floor"Đó là giá sàn tại thời điểm yêu cầu. Giá ước tính của chúng tôi có thể được chia thành:
Từ ví dụ trên, chúng ta chỉ cần tính phí bảo hiểm thay vì trọng lượng và hiển thị ước tính cuối cùng cho người dùng, như trong bản demo sau:
Ưu điểm của mô hình định giá cao cấp
Dựa trên cơ sở lý thuyết và trình diễn thực tế của mô hình định giá trên, chúng ta có thể thấy nó cung cấp một khuôn khổ thực tế và phù hợp với thị trường cho các chiến lược định giá như thế nào. Điều này lần lượt cho phép một cách tiếp cận thực tế, thích ứng và minh bạch để định giá. Chúng ta có thể tóm tắt một số đặc điểm và ưu điểm chính của các mô hình đánh giá nâng cao như sau:
Tuyến tính: Mô hình cao cấp duy trì mối quan hệ tuyến tính với giá sàn, duy trì tỷ lệ giá nhất quán giữa NFT và các tính năng dựa trên tập hợp trọng số đã xác định.
Tính minh bạch: Đặc điểm nổi bật là tính minh bạch vốn có của mô hình, khi các thông số không chỉ được xác minh dễ dàng mà còn cung cấp khả năng hiển thị rõ ràng trong quá trình định giá.
Khả năng phản hồi theo thời gian thực: Mô hình này hoạt động theo thời gian thực, trong đó giá của NFT phản ánh những thay đổi của giá sàn, đảm bảo rằng việc định giá luôn đồng bộ với động lực thị trường hiện tại.
Tính trung lập đáng tin cậy: Tránh những thành kiến của bên thứ ba như độ hiếm hoặc giá trị cảm tính, các thông số được lấy thông qua mức trung bình tuyến tính và hoàn toàn dựa trên lịch sử giao dịch, chỉ sử dụng giá bán và giá sàn làm đầu vào trong quá trình đào tạo.
Khả năng giải thích:
Xóa tham số: Dù là trọng lượng hay phần chặn, mỗi tham số đều có ý nghĩa thực tiễn, làm rõ tầm quan trọng và giá trị cơ bản của các đặc tính trong trường NFT.
Trọng số tính năng được chia sẻ: Tương tự như cách các tính năng được áp dụng trên các NFT khác nhau, trọng số tính năng được chia sẻ trên các mức giá NFT khác nhau, đảm bảo phương pháp định giá thống nhất và nhất quán.
Do đó, mô hình cao cấp cân bằng giữa tính đơn giản và độ phức tạp trong khi vẫn đảm bảo tính minh bạch. Bằng cách tập trung vào sự rõ ràng, khả năng thích ứng và tính công bằng, nó cung cấp nền tảng vững chắc để định giá NFT một cách chính xác và hiệu quả.
Tóm lại là
Các mô hình định giá rất quan trọng trong thị trường NFT đang phát triển nhanh chóng, nơi tính minh bạch được đánh giá cao. Mặc dù các mô hình dựa trên cây như GBDT đã phổ biến nhưng độ phức tạp của chúng có thể đặt ra nhiều thách thức. Để giải quyết vấn đề này, mọi người đã chuyển sang các mô hình tuyến tính cao cấp minh bạch hơn.
Trong tương lai, chúng tôi hy vọng sẽ tích hợp các mô hình cao cấp với dự báo định giá NFT, giao thức cho vay và nhà tạo lập thị trường tự động (AMM). Ví dụ: trong các dự đoán về giá NFT như Chainlink, các mô hình cao cấp có thể tinh chỉnh đầu vào về giá và đảm bảo phản hồi về giá ổn định hơn. Trong các giao thức cho vay NFT như BendDAO, các mô hình định giá nâng cao có thể tạo điều kiện cho việc cho vay thế chấp NFT an toàn, mở ra những con đường mới cho NFT trong DeFi.
Ngoài ra, trong các AMM NFT như Uniswap v4, các mô hình định giá nâng cao có thể nâng cao thuật toán chuyển đổi để điều chỉnh phần thưởng phù hợp với giá trị và độ hiếm của NFT. Ngoài ra, mô hình cao cấp có thể hướng dẫn quyền sở hữu phi tập trung của NFT, định hình các chỉ số NFT và thúc đẩy sự phát triển của NFT tổng hợp, đồng thời duy trì cơ chế định giá mạnh mẽ, minh bạch và thân thiện với người dùng trong nền tảng NFT và ứng dụng tài chính.
