NFT 价格预言机：一种可靠的中立 NFT 价格发现算法

本文提出使用一种简单且可解释的算法来提供实时 NFT 定价，并提出了一种允许利益相关者公平参与价格发现的预测机制。

与可替代代币不同，NFT 由于其不可替代性和流动性而缺乏实时定价。其价格通常参考地板价，缺乏商品级别的粒度。因此，人们难以对用于交易或借贷的不是基于地板价值的 NFT 进行定价。

具体来说，在这些应用中，它用于：

• 作为点对点交易的参考价格
• 计算个人或机构 NFT 投资组合估值
• NFT 借贷、碎片化和其他 NFTfi 应用

在商品层面缺乏可靠的中立且公平的价格。

许多应用程序试图通过机器学习模型提供定价服务，但其复杂性和透明度欠缺使其很难获得信任和共识。

本文尝试通过简单且可解释的算法提供实时 NFT 定价。本文还提出了一种让利益相关者可公平参与价格发现的预言机机制。该机制遵循可信中立原则5，使用最少的客观数据和简单、易理解且稳健的模型，以便于采用。

溢价模型

通过对大量蓝筹NFT交易数据的观察，我们发现特征相对于地板价大致恒定。当地板价涨跌时，各特征的绝对溢价会相应波动，但与底价的比例保持稳定。这意味着特征之间的相对溢价关系是稳定的。我们将 NFT 特征相对地板价的溢价称为特征溢价。因此我们假设：

• NFT 的价值可以分解为藏品本身的内在价值和所有特质溢价的总和。
• 特征溢价与地板价的比率在一段时间内基本保持不变。

因此，我们提出了溢价模式。支撑溢价模式的核心公式(1)表示为：

预估价格 = 地板价 x (1 + 截距 + Σ特征权重)

= 地板价 x (1 + 截距) + Σ 地板价 x 特征权重

= 基础值 + Σ 特征溢价

在此公式中：

• 预估价格是指的 NFT 的预测价值。
• 地板价是指当前市场上特定系列中 NFT 挂牌出售的最低价格。
• 截距：这可被视为对地板价的基本调整。由于排除特征的 NFT 的基值应介于地板价和最佳报价之间，因此截距通常是一个很小的负值。

• 基础价值代表了集合中 NFT 的基线价值，与特定特征无关，但它源自地板价并受截距影响。在数学公式上，它可以表示为：

  基础价值 = 地板价 x (1 + 截距)

• 特征权重：这些是分配给每个特征的系数，用于确定该特征对 NFT 价格的影响程度。每个特征根据相对于地板价的评估方式按比例对估计价格有利。

• 特征溢价：归因于 NFT 特定特征的附加价值。它们是地板价与其相应特征权重的乘积。

经过简单变换，(1) 得到

预估价格 ➗ 地板价 - 1 = 截距 + Σ 特征权重

将 【预估价格 ➗ 地板价 - 1】 重命名为 ŷ，并将【截距 + ΣTrait Weights】重写为线性回归模型：

ŷ = wTx + b

如果 wTx 计算为两个向量的点积，则为：

wTx = w1·x1 + w2·x2 +…+wN·xN

在实际用例中，假设您有 3 个特征（A、B、C）。具有特征 B 和 C 的 NFT 将由独热（one-hot）向量 x = [0, 1, 1] 表示。线性回归模型根据每个特征的学习权重和截距来预测 NFT 的价格，以便我们可以将 【Σ特征权重】重写为 wTx。

评估

我们用了：

• 两年内所有真实的链上交易数据作为训练数据
• 以交易数据是否循环作为判断洗牌交易的标准
• opensea、blur、looksrare 最低挂牌价为地板价
• Lasso Regression 作为回归模型

以为每个集合训练一个单独的模型。

每当交易发生时，我们都会记录链上出售价格以及模型当时的预测价格。我们整理了最新的100笔交易，并计算了平均准确度。我们在蓝筹股集合上测试了该模型，并采用平均绝对百分比误差 (MAPE) 作为评估指标。以下为测试结果。

训练数据的时间范围为两年，并且在最近100笔交易中获得了很高的准确率，这一事实表明，不同特征之间的平均溢价率代表价值的假设对于大多数蓝筹股集合来说都是正确的。

以下列表是 BAYC 集合中特征 Fur 的特征权重。

可以看到，最有价值的Solid Gold Fur和Trippy Fur的特征权重分别是地板价的9.3倍和3.3倍，明显高于所有其他权重，而许多普通特征的权重为0。这些结果非常符合我们对特征价值的理解。

由于稀有NFT的流动性较低，且收集的数据不足，因此目前无法提供稀有NFT的准确准确性数据。不过，我们可以举一个具体的例子来说明。

1370×1082 115 KB

2023年10月15日，发生了一笔 Cryptopunks #8998 的交易。交易价格为57 ETH，当时的地板价为44.95 ETH。我们记录当时#8998的特征权重如下：

• 紫色头发：0.15931
• 小丑鼻子：0.02458
• 蹙眉：0
• 男性性别：0.05595

Cryptopunks 的截距为 -0.03270。

因此，估值可以通过以下公式计算得出：

预估价格 = 基础价值 + Σ特征溢价

= 地板价 x (1 + 截距) + Σ 地板价 x 特征权重

= 54.26ETH

最终结果与成交价接近，误差在5%以内。

然而，并非所有稀有 NFT 都能如此准确地定价。由于价值不明确，人们在给稀有 NFT 定价时往往会高估或低估，这就引入了客观存在的偏差。因此，无论 NFT 定价算法如何设计，准确率始终存在上限。

然而，从上面的数据我们可以看出，该算法计算出的特征溢价有在两个方面表现显著：

• 稀有特征的价值与普通特征有着明显的区别。
• 区分这些溢价的过程是透明的、基于证据的，且具有可信中立性。

NFT 价格预言机

尽管该算法的目标是尽可能保持可信中立性，但仍然存在一些问题：

• 链下价格不能用于链上交易。
• 单一中心化节点存在操纵风险。
• 训练数据识别洗牌的算法很难达成共识，需要共识确认机制。

为了提供一个可信的、能抗中心化操纵的中立链上价格，我们设计了一个预言机机制来达成共识。

1628×652 119 KB

它由去中心化的节点网络组成：

• 参与节点：每个节点从链上交易中获取训练数据，利用开源算法计算特征权重，提交给预言机节点，形成去中心化预言机网络。每个节点可以选择不同的：
  • 线性模型——例如朴素线性回归、Lasso回归、岭回归等。推荐使用Lasso回归，因为它可以将不重要的特征权重减少到零。
  • 识别洗盘交易的算法。
  • 适当时间范围内的交易历史记录。集合的特征权重变化越大，交易历史的时间范围应该越小。但较小的时间范围对准确性的影响更大，因此这是一种权衡。对于一般情况，建议使用所有历史交易。
• 价格预言机合约：分两步操作：
  • 验证所有返回的特征权重，以在删除异常值后取中值或平均值。由于特征值相对稳定，权重不应相差太大，从而在验证后保持较低的偏差。
  • 在用户调用价格预言机合约时，首先通过地板价预言机获取实时地板价，然后根据公式（1）计算实时定价。
• 用户合约：传递合约地址和代币ID，从价格预言机合约中检索特定代币定价

由于特征值比率随着时间的推移保持稳定，因此特征权重没有必要频繁更新。预言机节点的定期权重更新与实时地板价相结合，保持准确的实时项目级 NFT 定价。

然而，如果我们选择不使用这个带有权重的模型，而只是就最终生成的价格达成共识，那么它仍然有效吗？不同的定价模型会对定价结果产生重大影响。同样稀有的 NFT 估价为 120 ETH 或 450 ETH。在存在如此大偏差的情况下取平均值或中位数仍然会带来巨大的误差。然而，权重的引入在很大程度上可以保证价格波动幅度保持较小，并为定价起源提供逻辑解释。

优势

可信的中立性

我们坚信，这个定价过程应尽可能保持可信的中立性；否则无法成为所有NFT交易者的共识。在整个设计过程中，我们努力坚持可信中立的四项基本原则5：

• 不要将特定的人或特定的结果写入机制：避免第三方偏见，例如稀有性或情感价值，参数/权重是通过线性回归推导出来的。这是严格基于交易历史记录的，并且仅使用出售价格和地板价作为训练期间的输入。

• 开源且可公开验证的执行：线性模型完全开源，链下模型训练和链上价格生成都易于验证。

• 保持简单：溢价模型采用最简单的线性模型并使用尽可能少的训练数据。价格计算是简单的求和。NFT 价格与地板价呈线性关系。

• 不要太频繁地改变：特质权重不需要频繁改变，因此不太容易受到攻击。

透明度

特征权重的引入很重要。大多数机器学习模型都是黑匣子，缺乏很强的透明度，导致很难相信由此产生的价格，也无法达成共识。然而，特征权重的引入使得价格易于理解，赋予每个参数明确的含义：特征权重代表特征溢价与地板价的比率，截距修正地板价并为藏品提供基值。特征权重在每个 NFT 价格之间共享，就像特征在每个 NFT 之间共享一样。

局限性

尽管有其优势，但它仍存在一些局限性：

• 它不适用于快速变化的特征值。由于先验假设特征的溢价相对于地板价大致是一个恒定参数，当特征的价值快速变化时，根据不同时间长度的交易历史计算出的特征值波动范围非常大，这使得特征值的波动范围非常大，从而降低了模型精度。即使可以通过预言机中立地达成共识，但这仍是一个折衷的解决方案。
• 它很容易受到洗盘交易攻击。溢价模型依赖于真实的交易数据。洗盘交易扭曲了定价输入，导致扭曲的定价输出。虽然去中心化的预言机网络能过滤洗盘交易，但这增加了不确定性。
• 它并不是完全非许可的。语言机节点目前需要审查以防止女巫攻击。

应用

NFT 价格预言机有许多应用，特别是在 NFT 借贷、租赁、自动做市商 (AMM)、碎片化和其他 NFTfi 应用方面。它还可以作为点对点交易的可靠参考。

线性特征使得成比例的碎片化成为可能。目前，NFT AMM 或分片化协议针对不同的 NFT 价值使用多个池，导致流动性碎片化。凭借稳定的价格比率，新的碎片方法可以将整个收藏品整合到一个金库中。在此设置中，该集合的 ERC20 唯一代表着整个集合。

以 Bored Ape Yacht Club (BAYC) 集合为例：

• 稀有的 NFT #7403，价值 104.4 ETH，可以抵押为 1044 xBAYC。
• 普通 NFT #1001，价值 25.5 ETH，可以抵押为 255 xBAYC。

当 BAYC 地板价从 25 ETH 下降到 12.5 ETH 时，1 xBAYC 的价值从 0.1 ETH 下降到 0.05 ETH。但它们的价值比保持不变，为 1044:255。

尽管地板价发生变化，但价格比率保持不变，因此可以公平分割和赎回。

致谢

本文的撰写在很大程度上受到@vbuterin写的两篇文章的启发。 《可信中立作为指导原则 5》一文为我们建立可信中立机制提供了方向。《我对社区笔记的看法》一文展示了一个遵循可信中立原则设计算法的具体示例。

但NFT定价与社区笔记的不同之处在于，由于交易场景中的价格数据必须是实时的且具有零操纵风险，仅靠开源代码不足以实现真正的可信中立。必须建立有效的链上共识机制。

声明：

1. 本文转载自[Ethereum Research]，著作权归属原作者[black71113; yusenzhan]，如对转载有异议，请联系Gate Learn团队，团队会根据相关流程尽速处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. 文章其他语言版本由Gate Learn团队翻译， 在未提及Gate.io的情况下不得复制、传播或抄袭经翻译文章。