详解NFT市场溢价评估模型，能否更好地计算NFT价格？

原文作者：Yusen Zhan、Black、Zi’ang （Tony） Ling

原文编译：深潮 TechFlow

注：此文来自于斯坦福区块链评论，深潮 TechFlow 为斯坦福区块链评论合作伙伴，独家获授权编译转载。

介绍

在不断发展的非同质化代币（NFTs）领域，有效的定价模型需要在复杂性和可解释性之间找到平衡。例如，在 NFT 交易中经常使用的“地板价”指标。在很多情况下，虽然地板价反映了一个大致的起始点和基线指标，但通常并不能准确反映 NFT 的内在价值或特性。

历史上，许多 NFT 定价模型都依赖于梯度提升决策树（GBDT）。尽管它们提供了可靠的预测，但非常复杂且难以解释。在本文中，我们介绍了一种新的“溢价评估模型”，旨在创建一个考虑市场基础结构和基本原则的新的估值模型。我们希望通过捕捉 NFTs 的更多细微特性，使 NFT 领域的创作者、交易者和收藏家更好地理解 NFT 的定价复杂性。

基线：基于梯度的决策树模型

目前，NFT 定价的一个常见模型技术是梯度提升决策树或 GBDT。这种集成学习方法起源于决策树的基本原理，其中单个树根据设定的标准做出决策。但是，GBDT 的独特之处在于它连续构建多个树。每建一个新树，它都试图纠正前一个树的错误，逐步提高集成的准确性。这种系统化、迭代的方法使 GBDT 模型具有识别和整合复杂数据模式和微妙差异的能力。

GBDT 模型的优势

坚韧性：GBDT 能够抵御数据集中的异常值，使其适用于各种数据场景。

处理混合数据：GBDT 可以无缝管理包含类别和数字特征的数据集。

自动特征选择：模型的性质使其能够优先选择相关特征，通常减少了大量的特征工程需求。

减少过拟合：由于集成的性质和迭代校正，GBDT 通常与单个决策树相比，表现出较少的过拟合。

GBDT 模型的挑战和局限性

复杂性：作为多决策树的集成，理解 GBDT 的内部工作或追踪特定的决策路径可能会很复杂。

训练时间：由于其迭代的性质，GBDT 通常比简单模型需要更长的训练时间。

内存密集型：存储多个决策树需要大量的内存，这在资源有限的环境中可能是一个限制。

复杂性和缺乏透明性：核心问题

在我们的 NFT 定价背景下，GBDT 的最大挑战是缺乏透明性。虽然该模型可能提供一个价格或估值，但它是一个“黑盒”算法，不能简单地解释为什么会得出给定的价格。

GBDT 的一个主要优点，即在多决策树之间捕捉细微的数据模式，当我们需要为利益相关者证明或解释一个定价决策时，就变成了一个双刃剑。这种缺乏明确的可解释性导致定价指标难以为 NFT 领域的各种利益相关者所理解。因此，这强调了提供一个既准确又可解释的定价模型的重要性。

溢价模型概述

如上所述，我们正在推出一个 NFT 定价的溢价模型，该模型通过使价格与这些数字资产的基础原则和特性保持一致，平衡了准确性和可解释性。

NFT 定价包括基于集合的价值和其特性溢价。溢价模型的核心公式如下：

估价：NFT 的预测价值。

地板价：NFT 在市场上特定集合或类别中当前列出的最低销售价格。

截距：可以被视为对地板价的基础调整，考虑到可能普遍调整上升或下降的内在因素。

特征权重：分配给每个特性的系数，用于确定该特性如何影响 NFT 的价格。每个特性根据其与地板价的相对价值成比例地影响预估价格。

特性溢价：分配给 NFT 的特定、有吸引力的特性或特征的额外价值。它们是地板价和相应的特性权重的乘积。

基于集合的价值：这表示 NFT 在集合中的基线价值，来源于地板价，并可能受到考虑了一般市场状况或与特定特性无关的其他因素的截距的影响。

溢价评估模型的推导