Recherche blockchain de Stanford : un modèle d'évaluation des primes sur le marché des NFT permettrait-il de mieux calculer les prix des NFT ?
TechFlow SélectionTechFlow Sélection
Recherche blockchain de Stanford : un modèle d'évaluation des primes sur le marché des NFT permettrait-il de mieux calculer les prix des NFT ?
Cet article présente un nouveau « modèle d'évaluation de prime », conçu pour créer un modèle de valorisation intégrant la structure du marché et les principes fondamentaux.
Dédié à des analyses Web3 approfondiesRédaction : Yusen Zhan, Black, Zi'ang (Tony) Ling
Traduction : TechFlow
Note : Cet article provient de la Stanford Blockchain Review. TechFlow est partenaire officiel de la Stanford Blockchain Review et a obtenu l'autorisation exclusive de traduire et republier cet article.
Introduction
Dans le domaine en constante évolution des jetons non fongibles (NFT), des modèles de tarification efficaces doivent trouver un équilibre entre complexité et interprétabilité. Prenons par exemple l’indicateur du « prix plancher » fréquemment utilisé dans les transactions NFT. Bien qu’il reflète souvent un point de départ approximatif et une référence de base, il ne représente généralement pas fidèlement la valeur intrinsèque ou les caractéristiques spécifiques d’un NFT.
Historiquement, de nombreux modèles de tarification NFT reposaient sur les arbres de décision par boosting (GBDT). Bien qu’ils offrent des prédictions fiables, ces modèles sont très complexes et difficiles à interpréter. Dans cet article, nous présentons un nouveau « modèle d’évaluation des primes », conçu pour créer un nouveau modèle d’évaluation intégrant la structure du marché et ses principes fondamentaux. Notre objectif est d’aider créateurs, traders et collectionneurs à mieux comprendre les subtilités de la tarification des NFT en capturant davantage leurs caractéristiques distinctives.
Référence : Modèle basé sur les arbres décisionnels par gradient
Actuellement, une technique courante pour la tarification des NFT est l’utilisation des arbres de décision par boosting (GBDT). Cette méthode d’apprentissage ensembliste s’appuie sur les principes des arbres de décision, où chaque arbre individuel prend des décisions selon des critères prédéfinis. Ce qui distingue le GBDT, c’est sa construction séquentielle d’arbres multiples : chaque nouvel arbre vise à corriger les erreurs du précédent, améliorant progressivement la précision globale. Cette approche systématique et itérative permet aux modèles GBDT d’identifier et d’intégrer des motifs complexes et des différences subtiles au sein des données.
Avantages du modèle GBDT
-
Résilience : Le GBDT résiste bien aux valeurs aberrantes présentes dans les jeux de données, ce qui le rend adapté à divers scénarios.
-
Gestion des données mixtes : Le GBDT peut traiter sans difficulté des jeux de données combinant caractéristiques catégorielles et numériques.
-
Sélection automatique des caractéristiques : La nature du modèle lui permet de prioriser les caractéristiques pertinentes, réduisant ainsi considérablement les besoins en ingénierie des caractéristiques.
-
Réduction du surapprentissage : En raison de sa nature ensembliste et de son processus de correction itérative, le GBDT présente généralement moins de surapprentissage que les arbres de décision simples.
Limites et défis du modèle GBDT
-
Complexité : En tant qu’ensemble d’arbres de décision multiples, comprendre le fonctionnement interne du GBDT ou suivre un chemin décisionnel spécifique peut être extrêmement complexe.
-
Durée d’entraînement : En raison de son caractère itératif, le GBDT nécessite généralement plus de temps d’entraînement que les modèles simples.
-
Consommation mémoire élevée : Le stockage de plusieurs arbres de décision exige une grande quantité de mémoire, ce qui peut poser problème dans les environnements aux ressources limitées.
Complexité et manque de transparence : le problème central
Dans le contexte de la tarification des NFT, le principal défi du GBDT réside dans son manque de transparence. Bien que le modèle puisse fournir un prix ou une estimation, il agit comme une « boîte noire » incapable d’expliquer simplement pourquoi une valeur donnée a été attribuée.
Un atout majeur du GBDT — sa capacité à capturer des motifs subtils à travers plusieurs arbres — devient un inconvénient lorsqu’il s’agit de justifier ou d’expliquer une décision de tarification à des parties prenantes. Ce manque de clarté rend les indicateurs de prix peu compréhensibles pour les différents acteurs du marché NFT. Cela souligne l’importance cruciale de disposer d’un modèle de tarification à la fois précis et interprétable.
Présentation du modèle de prime
Comme mentionné précédemment, nous proposons ici un modèle de tarification NFT basé sur les primes, qui équilibre précision et interprétabilité en alignant les prix sur les principes fondamentaux et les caractéristiques intrinsèques de ces actifs numériques.
La tarification d’un NFT intègre une valeur de collection et une prime liée à ses caractéristiques. La formule centrale du modèle de prime est la suivante :
-
Évaluation : Valeur prédite du NFT.
-
Prix plancher : Prix de vente minimum actuellement affiché pour un NFT appartenant à une collection ou catégorie spécifique sur le marché.
-
Terme constant (intercept) : Ajustement de base appliqué au prix plancher, tenant compte de facteurs intrinsèques pouvant modifier uniformément la valeur vers le haut ou le bas.
-
Poids des caractéristiques : Coefficients attribués à chaque caractéristique, déterminant leur impact sur le prix du NFT. Chaque caractéristique influence le prix estimé proportionnellement à sa valeur relative par rapport au prix plancher.
-
Prime de caractéristique : Valeur supplémentaire attribuée à une caractéristique spécifique et attrayante du NFT. Elle correspond au produit du poids de la caractéristique par le prix plancher.
-
Valeur basée sur la collection : Valeur de base du NFT au sein de sa collection, issue du prix plancher et potentiellement ajustée par le terme constant, qui tient compte de conditions générales du marché ou d’autres facteurs indépendants des caractéristiques spécifiques.
Dérivation du modèle d’évaluation des primes
Dans le modèle de prime, nous utilisons la régression linéaire pour analyser l’influence de chaque caractéristique sur le prix estimé du NFT. En utilisant les poids des caractéristiques et le prix plancher comme variables, le modèle de régression linéaire peut prédire efficacement le prix d’un NFT en fonction de ses caractéristiques intrinsèques et du niveau actuel du marché.
Selon notre modèle de prime, nous avons :
Après transformation simple, on obtient :
En renommant le membre gauche y et le membre droit sous forme de régression linéaire, on obtient :
Où :
-
y est la sortie prédite.
-
x est un vecteur encodé one-hot représentant les caractéristiques du NFT. Chaque position du vecteur correspond à une caractéristique spécifique ; les positions correspondant aux caractéristiques présentes sont activées (« hot », donc fixées à 1), les autres restant à zéro.
-
w est un vecteur de poids, dont chaque élément représente l’importance accordée à une caractéristique donnée dans la détermination du prix du NFT.
-
b est le terme constant (intercept), ajustant la prédiction indépendamment des caractéristiques.
Le terme wT * x correspond au produit scalaire des deux vecteurs :
En pratique, supposons trois caractéristiques (A, B, C). Un NFT possédant les caractéristiques B et C sera représenté par le vecteur one-hot x = [0, 1, 1]. Le modèle de régression linéaire prédit alors le prix du NFT à partir des poids appris pour chaque caractéristique et du terme constant. La somme des poids des caractéristiques peut donc être réécrite wTx. Nous pouvons implémenter ce modèle de régression linéaire via des bibliothèques open source d’apprentissage automatique afin de construire notre modèle de prime selon cette analyse.
Exemple d’évaluation
Nous pouvons utiliser notre modèle avancé de tarification pour évaluer le Bored Ape Yacht Club #7403, un NFT rare. Voici les informations de base associées à ce jeton :
Ce NFT possède plusieurs caractéristiques : fourrure Trippy, chapeau Faux Hawk, yeux Angry, fond Aquamarine, boucle d’oreille Silver Hoop et bouche Phoneme. Parmi celles-ci, la fourrure Trippy est considérée comme l’attribut le plus rare. Selon notre API GoPricing, les résultats d’évaluation pour le #7403 sont les suivants :
« pricing » correspond au prix estimé du jeton 7403, soit 104,42672366856866 ETH, tandis que « floor » indique le prix plancher au moment de la requête. Notre estimation peut être décomposée comme suit :
À partir de cet exemple, il suffit de calculer les primes plutôt que les poids, et d’afficher à l’utilisateur le résultat final estimé, comme illustré ci-dessous :
Avantages du modèle d’évaluation des primes
À la lumière de la dérivation théorique et de la démonstration pratique du modèle ci-dessus, on voit qu’il propose un cadre de tarification pragmatique et aligné sur le marché. Il permet ainsi une méthode d’évaluation transparente, adaptative et réaliste. On peut résumer les principales caractéristiques et avantages du modèle d’évaluation avancé comme suit :
-
Linéarité : Le modèle de prime maintient une relation linéaire avec le prix plancher, conservant ainsi des ratios de prix cohérents entre les NFTs et leurs caractéristiques selon un ensemble de poids défini.
-
Transparence : Une caractéristique marquante est la transparence intrinsèque du modèle, car ses paramètres sont non seulement faciles à vérifier, mais offrent également une visibilité claire tout au long du processus d’évaluation.
-
Réactivité en temps réel : Le modèle est dynamique : le prix du NFT reflète instantanément les variations du prix plancher, garantissant que l’évaluation reste synchronisée avec l’évolution du marché.
-
Neutralité fiable : Le modèle évite les biais externes, tels que la perception de rareté ou la valeur émotionnelle. Les paramètres sont dérivés par moyenne linéaire, strictement basés sur l’historique des transactions, en utilisant uniquement les prix de vente et le prix plancher comme entrées durant l’entraînement.
-
Interprétabilité :
-
Paramètres explicites : Que ce soient les poids ou le terme constant, chaque paramètre possède une signification concrète, clarifiant l’importance des caractéristiques et la valeur de base de la collection dans l’univers NFT.
-
Partage des poids : De même que les caractéristiques se retrouvent dans différents NFTs, les poids des caractéristiques sont partagés entre les différentes évaluations, assurant une méthode d’évaluation unifiée et cohérente.
Ainsi, le modèle de prime équilibre simplicité et complexité tout en garantissant la transparence. En mettant l’accent sur la clarté, l’adaptabilité et l’équité, il offre une base solide pour une évaluation précise et efficace des NFT.
Conclusion
Sur le marché NFT en rapide évolution, les modèles de tarification jouent un rôle crucial, notamment lorsque la transparence est une priorité. Bien que les modèles basés sur des arbres, comme le GBDT, aient été populaires, leur complexité peut poser problème. Pour y remédier, une orientation vers des modèles linéaires plus transparents, comme le modèle de prime, s’avère prometteuse.
À l’avenir, nous envisageons l’intégration du modèle de prime avec des oracles de tarification NFT, des protocoles de prêt et des market-makers automatisés (AMMs). Par exemple, dans un oracle de tarification NFT tel que Chainlink, le modèle de prime pourrait affiner les entrées de prix, assurant un retour plus stable. Dans des protocoles de prêt comme BendDAO, un modèle avancé de tarification pourrait faciliter des prêts sécurisés adossés à des NFT, ouvrant ainsi de nouvelles voies pour les NFT dans la DeFi.
De plus, dans des AMMs NFT comme Uniswap v4, un modèle de tarification avancé pourrait améliorer les algorithmes de conversion, alignant les récompenses sur la valeur et la rareté des NFT. Au-delà, le modèle de prime pourrait guider la propriété fractionnée des NFT, façonner des indices NFT et impulser l’évolution des NFT synthétiques, tout en maintenant un mécanisme de tarification robuste, transparent et convivial au sein des plateformes NFT et des applications financières.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
Stanford Blockchain Club
