基於稀有度等級映射的NFT估值體系介紹

blockin.ai

特邀专栏作者

2022-12-09 10:02

本文約4678字，閱讀全文需要約7分鐘

是什麼讓一些NFT售價數百萬，而另一些則售價相對較低？在收藏市場上，又是否售價和稀有性之間存在內在相關性？

本文來自：Blockin.ai & nftin.ai，本文來自：

本文來自：

借助NFT的鏈上交易歷史記錄與NFT元數據，首先，我們計算了不同collection中item稀有度評分；其次，我們評估了NFT稀有性與其價格的相關性；最後，通過其內在的相關性，我們研究了基於稀有度等級映射的估值價格體系，並在多個項目中進行了回溯驗證。

二級標題

二級標題nftin.aiPart 1. NFT稀有度計算

顧名思義，NFT稀有度衡量的是NFT相對於其他收藏品的稀有度程度。通過查看屬性，可能能夠確定一個NFT具有一些罕見的特徵，但這個NFT相對於其他NFT有多罕見呢？

以BAYC為例，如其在

上所示，BAYC具有七個不同的特徵：背景、衣服、耳環、眼睛、皮毛、帽子和嘴巴。

在每個特徵下又有不同的子特徵，我們計算其子特徵的佔比頻率。值得注意的是，我們將其特徵的個數Trait count 同樣作為一個衍生特徵計算其占比。因為每個NFT 都有多個特徵及其子特徵，因此必須有一種方法將所有特徵的稀有性合併計算為單一值，以便對其稀有程度排名。

先前也有多種稀有度計算方法：性狀稀有度排名（僅對最稀有的性狀進行排名）、平均性狀稀有度（將所有性狀的稀有度平均在一起）、統計稀有度（將所有性狀稀有度相乘），但性狀稀有度排名過於強調稀有性狀，平均和統計稀有度的計算又會稀釋稀有性狀。因此，對特徵稀有度分數累加作為稀有度評分可以較好的解決以上問題。

其主要思想方法為對單個NFT的每個特徵進行稀有度打分，再把該NFT所有特徵稀有度分數相加，最終得出該NFT的總稀有度分數。即，一個NFT的總稀有度分數是它所有特徵值的稀有度分數之和，具體計算公式詳見附錄部分。

舉例如下：

首先，計算子特征占比

然後，根據佔比的倒數計算子特徵得分及總分：

如上，可以得到每個特徵值的稀有性得分和每個NFT ID的總稀有性得分，所以稀有度得分認為NFT ID 2 更有價值，因為它有更高的總分數。

值得關注的是，考慮不同特徵下子特徵的種類數不同，導致特徵頻率佔比天然具有差異。我們改進了上述V 1 版本，V2版本主要思想和V 1 一致，在此不贅述，不同在於考慮了子特徵個數的歸一化，以及加了特徵兩兩組合作為新的衍生特徵，豐富了特徵組合，能更全面的反應NFT的稀有度情況，V2描述及計算公式詳見附錄。

另外，我們也探索了其他稀有度計算方式，如jaccard 距離，jaccard 距離是衡量兩個集合不相似的一種指標，可以計算兩個NFT 特徵間的相似程度，NFT 與其他NFT 平均相似度越大則越不稀有，具體計算方式可參考附錄部分。

二級標題

Part 2 稀有度與價格相關性研究

許多情況下，人們願意為稀有物品支付溢價，但稀有度具體是如何影響價格的？我們藉助鏈上歷史交易數據，以幾個藍籌項目為例，評估了NFT價格和稀有度之間的內在相關性。

考慮我們已經計算了每個item的稀有度分數，因此我們直接探究了稀有度分數與價格相關性，計算了兩者之間的斯皮爾曼相關性係數。

具體計算方法如下：

其中n是樣本的數量，d代表數據x和y之間的等級差。

絕對值越接近1 ，表示兩個變量之間關係越密切；越接近0 ，表示兩個變量之間關係越不密切。相關係數對應的相關強度如下：

0.8-1.0 極強相關

0.6-0.8 強相關

0.4-0.6 中等程度相關

0.2-0.4 弱相關

0.0-0.2 極弱相關或無相關

x > 10: Legendary

6 < x <= 10: Rare

2 < x <= 6: Classic

x <= 2: Normal

從上圖可以看出，不論是動態稀有度還是靜態稀有度，等級越高的NFT其歷史交易均價越大，因此，我們得出，儘管單個NFT與價格間可能不存在明顯的相關性，但總體來看，高等級的NFT售價在整體水平還是較高，即人們願意為更稀有的NFT付出更高的價格。

二級標題

Part 3 稀有度等級映射的估值體系

由以上研究看到，稀有度等級越高，則該等級上普遍交易價格越高，因此我們考慮設計了一套基於稀有度等級映射的估值體系，該體係依賴歷史交易數據及NFT稀有度等級估計最新的NFT市場價格。

由於市場NFT價格不穩定，因此歷史交易的水平線不能代表當前的交易水平線，每天每月交易的NFT價格也多在其水平線上下範圍內波動，以BAYC歷史交易價格為例，下圖展示了其交易波動情況：

因此，對不同項目NFT的交易，我們考慮尋找可以衡量每天交易情況的水平線數值作為交易分佈的錨點，由於平均值，最小最大值易受極值的影響，我們使用中位數值作為每天交易價格的錨定點並依據中位數衍生計算不同的指標，如下圖有上限下限等，從而大致還原不同時期的交易分佈，根據歷史交易分佈規律，估計不同NFT最新交易的價格。

1. 注：上四分位數：Q3 中位數：Q2 下四分位數：Q1 四分位距（IQR）:Q3 - Q1 上限：Q3 + 1.5*IQR下限：Q1 - 1.5*IQR 最大值：max 最小值：min 平均數：mean

2. 方法總結如下：歷史比值的計算

3. ：計算近半年每3 天的ratio_high及ratio_low，並求所有ratio_high和ratio_low的平均值，ratio_high_avg，ratio_low_avg。根據歷史比值計算最新虛擬上下限值

4. ：由上面所求ratio_high_avg/ratio_low_avg 及使用最新中位數計算得到虛擬上下限Virtual_upper 及Virtual_lower：

最新估值隊列形成

：根據虛擬上下限及最新周期內所有交易分佈生成最新估值隊列，將在上下限區間內的原始交易數據填充進區間[下限，上限]，在其之外的數據排除，作為最終擬合的估值隊列的分佈。

估值隊列等級映射

a. 對不同等級內的原始交易價格求均值。（若有些等級值在最新交易週期內不存在，則使用前後兩個等級的均值依次填充）

b. 根據item稀有度等級（已根據歸一化稀有度分數（V2）分為20 個等級），將不同等級內交易均值對應映射到不同等級中的所有item上得到估值。

值得一提的是，為保證估值的客觀準確性，我們在估值前對交易數據首先進行了清洗，如下：

a. 對於明顯刷單行為及對應的刷單平台交易去除。

b. 考慮項目出現之初，交易行情不穩定，因此針對不同項目，排除前幾個月不等的交易數據。

c. 存在個別與當天交易中位數比值過小的交易，不能客觀反映市場水平，進行排除。

另外，以上計算版本中，我們在對歷史交易結果的回溯中發現一些估值結果不能滿足我們的估值預期，比如一些高稀有度等級ID的估值與當天掛單價格及實際真實交易價格相差過大，因此我們在上面版本的基礎上對部分高稀有度等級的ID估值進行了修正：對歷史上有過高價交易的ID，單獨計算其歷史交易比值的平均值ratio_avg，使用最新周期交易中位數median*ratio_avg，以替換等級映射的估值。