스탠퍼드 블록체인 연구: NFT 시장 프리미엄 평가 모델, NFT 가격을 더 정확하게 계산할 수 있을까?
작성자: Yusen Zhan, Black, Zi'ang (Tony) Ling
번역: TechFlow
참고: 본문은 스탠포드 블록체인 리뷰(Stanford Blockchain Review)에서 제공되었으며, TechFlow는 스탠포드 블록체인 리뷰의 공식 파트너로서 독점 번역 및 게재 권한을 부여받았습니다.
소개
지속적으로 발전하는 대체불가능토큰(NFT) 분야에서 효과적인 가격 산정 모델은 복잡성과 해석 가능성 사이에서 균형을 맞추어야 합니다. 예를 들어 NFT 거래에서 자주 사용되는 '플로어 프라이스(Floor Price)' 지표의 경우, 많은 상황에서 플로어 프라이스는 대략적인 출발점과 기준선 지표를 반영하지만, 정확히 NFT의 고유 가치나 특성을 반영하지 못하는 경우가 많습니다.
과거에는 많은 NFT 가격 산정 모델들이 그래디언트 부스팅 결정 트리(GBDT)에 의존해 왔습니다. 이러한 모델들은 신뢰할 수 있는 예측 성능을 제공하지만 매우 복잡하고 해석하기 어렵다는 한계가 있습니다. 본 글에서는 시장 구조와 기본 원칙을 반영하여 새로운 가치 평가 모델을 제안합니다. 우리는 NFT의 미세한 특성들을 보다 정교하게 포착함으로써 창작자, 거래자, 수집가들이 NFT 가격 형성의 복잡성을 더 잘 이해할 수 있도록 하고자 합니다.
기준선: 그래디언트 기반 결정 트리 모델
현재 NFT 가격 산정에서 흔히 사용되는 기술 중 하나는 그래디언트 부스팅 결정 트리(GBDT)입니다. 이 앙상블 학습 방법은 결정 트리의 기본 원리를 바탕으로 하며, 각각의 개별 트리는 특정 기준에 따라 의사결정을 내립니다. 그러나 GBDT의 차별점은 여러 트리를 순차적으로 구성한다는 점에 있습니다. 새로운 트리를 만들 때마다 이전 트리의 오류를 수정하려는 방식으로 점진적으로 전체 모델의 정확도를 향상시킵니다. 이러한 체계적이고 반복적인 접근법은 GBDT 모델이 복잡한 데이터 패턴과 미묘한 차이를 인식하고 통합할 수 있게 해줍니다.
GBDT 모델의 장점
-
강건성(Robustness): GBDT는 데이터셋 내 이상치(outliers)에 강한 내성을 가지므로 다양한 데이터 환경에 적합합니다.
-
혼합 데이터 처리 능력: 범주형과 수치형 특성을 포함하는 데이터셋을 매끄럽게 처리할 수 있습니다.
-
자동 특성 선택: 모델 자체가 관련성이 높은 특성을 우선적으로 선택하므로 대부분의 특성 엔지니어링 작업을 줄일 수 있습니다.
-
과적합 감소: 앙상블 방식과 반복적 오류 수정 덕분에 단일 결정 트리보다 일반화 성능이 우수하며 과적합이 덜 발생합니다.
GBDT 모델의 도전과 한계
-
복잡성: 다수의 결정 트리로 구성된 앙상블 구조 때문에 GBDT의 내부 동작을 이해하거나 특정 의사결정 경로를 추적하기 어렵습니다.
-
학습 시간: 반복적인 학습 과정 때문에 단순한 모델들보다 일반적으로 더 긴 학습 시간이 필요합니다.
-
메모리 집약적: 여러 결정 트리를 저장해야 하므로 상당한 메모리 용량이 필요하며, 자원이 제한된 환경에서는 문제가 될 수 있습니다.
복잡성과 투명성 부족: 핵심 문제
NFT 가격 산정이라는 맥락에서 GBDT의 가장 큰 도전은 투명성의 부재입니다. 모델이 가격이나 평가액을 제공할 수는 있지만, 이는 "블랙박스" 알고리즘으로서 특정 가격이 도출된 이유를 간단히 설명할 수 없습니다.
여러 결정 트리 사이에서 미묘한 데이터 패턴을 포착하는 것은 GBDT의 주요 장점이지만, 동시에 이해관계자들에게 가격 산정 결과를 설명하거나 정당화해야 할 때는 오히려 양날의 검이 됩니다. 이러한 명확한 해석 가능성의 부족은 NFT 생태계의 다양한 이해관계자들이 가격 지표를 쉽게 이해하고 수용하는 것을 어렵게 만듭니다. 따라서 정확성뿐 아니라 해석 가능성도 갖춘 가격 모델의 필요성이 더욱 부각됩니다.
프리미엄 모델 개요
앞서 언급한 바와 같이, 우리는 정확성과 해석 가능성을 조화롭게 균형 잡은 NFT 가격 산정을 위한 프리미엄 모델을 소개합니다. 이 모델은 가격을 디지털 자산의 기본 원칙과 특성에 일치시키는 방식으로 작동합니다.
NFT 가격 산정은 컬렉션 기반 가치와 특성별 프리미엄으로 구성됩니다. 프리미엄 모델의 핵심 공식은 다음과 같습니다:
-
평가가치: NFT의 예측된 가치.
-
플로어 프라이스: 특정 NFT 컬렉션이나 범주 내에서 현재 시장에 등록된 최저 판매 가격.
-
절편(Intercept): 일반적으로 상향 또는 하향 조정되는 내재적 요인을 고려하여 플로어 프라이스에 적용되는 기본 조정치.
-
특성 가중치: 각 특성에 할당된 계수로, 해당 특성이 NFT 가격에 어떤 영향을 미치는지를 결정합니다. 각 특성은 플로어 프라이스에 대한 상대적 가치에 비례하여 예측 가격에 영향을 미칩니다.
-
특성 프리미엄: NFT가 가지는 특정하고 매력적인 특성에 부여되는 추가 가치. 이는 플로어 프라이스와 해당 특성 가중치의 곱으로 계산됩니다.
-
컬렉션 기반 가치: NFT의 기본 가치 기준으로, 플로어 프라이스에서 유도되며, 일반 시장 상황이나 특정 특성과 무관한 다른 요인들을 반영한 절편의 영향을 받을 수 있습니다.
프리미엄 평가 모델의 도출
프리미엄 모델에서는 선형 회귀를 사용하여 특정 특성이 NFT의 예측 가격에 어떻게 영향을 미치는지 분석합니다. 특성 가중치와 플로어 프라이스를 변수로 활용함으로써, 선형 회귀 모델은 NFT의 고유 특성과 현재 시장 기준선을 바탕으로 가격을 효과적으로 예측할 수 있습니다.
우리의 프리미엄 모델에 따르면 다음 식이 성립합니다:
간단한 변환을 통해 다음과 같은 형태로 재구성할 수 있습니다:
좌변을 y로, 우변을 선형 회귀 형태로 재정의하면 다음과 같습니다:
여기서:
-
y는 예측 출력값입니다.
-
x는 NFT 특성을 나타내는 원-핫 인코딩(one-hot encoding) 벡터입니다. 벡터의 각 위치는 특정 특성을 의미하며, NFT가 해당 특성을 가지면 그 위치의 값이 "hot"(즉, 1)이 되고 그렇지 않으면 0입니다.
-
w는 가중치 벡터로, 각 요소는 특정 특성에 할당된 가중치를 나타냅니다.
-
b는 특성과 무관하게 예측값을 조정하는 절편입니다.
wT * x 항은 두 벡터의 내적(dot product)으로 계산됩니다:
실제 활용 시, 세 가지 특성(A, B, C)이 있다고 가정할 때, B와 C 특성을 가진 NFT는 원-핫 벡터 x = [0, 1, 1]로 표현됩니다. 선형 회귀 모델은 각 특성에 학습된 가중치와 절편을 기반으로 NFT의 가격을 예측하며, 따라서 특성 가중치의 합은 wTx로 다시 쓸 수 있습니다. 우리는 오픈소스 머신러닝 라이브러리를 사용해 선형 회귀 모델을 구현하고, 위의 분석을 바탕으로 프리미엄 모델을 구성할 수 있습니다.
평가 사례
고급 가격 산정 모델을 사용하여 희귀한 Bored Ape Yacht Club #7403의 가격을 산정할 수 있습니다. 이 토큰과 관련된 기본 정보는 다음과 같습니다:
이 NFT는 Trippy Fur, Faux Hawk Hat, Angry Eyes, Aquamarine Background, Silver Hoop Earring, Phoneme Mouth 등 다양한 특성을 가지고 있으며, 이 중 Trippy Fur는 가장 희귀한 속성으로 간주됩니다. 당사의 GoPricing API에 따르면 #7403의 평가 결과는 다음과 같습니다:
"pricing"은 토큰 7403의 예측 가격으로, 104.42672366856866 ETH이며, "floor"은 요청 당시의 플로어 프라이스입니다. 우리의 예측 가격은 다음과 같이 분해할 수 있습니다:
위의 예시에서 알 수 있듯이, 우리는 가중치가 아닌 프리미엄만 계산하여 최종 예측 결과를 사용자에게 표시하면 됩니다. 아래 시연 예시처럼 말입니다:
프리미엄 평가 모델의 장점
위의 평가 모델에 대한 이론적 도출과 실제 사례를 살펴보면, 이 모델이 실용적이며 시장과 일치하는 가격 전략 프레임워크를 제공한다는 것을 알 수 있습니다. 이는 현실적이고, 적응 가능하며, 투명한 가치 평가 방법을 가능하게 합니다. 프리미엄 평가 모델의 주요 특징과 장점을 다음과 같이 요약할 수 있습니다:
-
선형성: 프리미엄 모델은 플로어 프라이스와 선형 관계를 유지하며, 설정된 가중치 집합에 따라 NFT와 특성 간의 일관된 가격 비율을 유지합니다.
-
투명성: 모델의 가장 두드러진 특징은 내재된 투명성으로, 모든 파라미터가 검증 가능할 뿐 아니라 가치 평가 과정에서 명확한 가시성을 제공합니다.
-
실시간 반응성: 모델은 실시간으로 작동하며, NFT 가격이 플로어 프라이스의 변화를 반영하여 항상 현재 시장 동향과 동기화된 평가를 제공합니다.
-
신뢰 가능한 중립성: 희귀도 인식이나 감정적 가치 같은 제3자 편향을 배제하고, 파라미터는 거래 이력에 기반한 선형 평균을 통해 산출되며, 학습 과정에서 판매 가격과 플로어 프라이스만을 입력값으로 사용합니다.
-
해석 가능성:
-
파라미터의 명확성: 가중치든 절편이든 각 파라미터는 실질적인 의미를 가지며, NFT 생태계 내에서 특성의 중요도와 컬렉션의 기반 가치를 명확히 설명합니다.
-
공유되는 특성 가중치: 다양한 NFT에서 특성이 공통적으로 존재하듯, 특성 가중치 또한 다양한 NFT 가격 산정에 공유되어 일관되고 통일된 평가 기준을 보장합니다.
따라서 프리미엄 모델은 투명성을 확보하면서도 단순성과 복잡성 사이의 균형을 잘 잡고 있습니다. 명확성, 적응성, 공정성을 중시함으로써 NFT의 정확하고 효율적인 가치 평가를 위한 견고한 기반을 제공합니다.
결론
빠르게 진화하는 NFT 시장에서 가격 산정 모델은 투명성이 특히 중요한 요소입니다. GBDT와 같은 트리 기반 모델이 인기를 끌었지만, 그 복잡성은 여전히 도전 과제로 남아 있습니다. 이를 해결하기 위해 보다 투명한 선형 프리미엄 모델로의 전환이 이루어지고 있습니다.
앞으로는 프리미엄 모델을 NFT 가격 오라클, 담보 대출 프로토콜, 자동화된 마켓 메이커(AMM) 등과 통합할 것으로 기대됩니다. 예를 들어 Chainlink와 같은 NFT 가격 오라클에서 프리미엄 모델은 가격 입력 값을 정교화하여 보다 안정적인 가격 피드백을 제공할 수 있습니다. BendDAO와 같은 NFT 담보 대출 프로토콜에서는 정교한 가격 모델이 안전한 NFT 담보 대출을 가능하게 하여 DeFi 내 NFT 활용의 새로운 길을 열 수 있습니다.
또한 Uniswap v4와 같은 NFT AMM에서는 고급 가격 모델이 스왑 알고리즘을 개선하여 보상이 NFT의 가치와 희귀성과 일치하도록 할 수 있습니다. 더 나아가 프리미엄 모델은 NFT의 분산 소유, NFT 지수 설계, 합성 NFT(synthetic NFT)의 발전 등을 주도할 수 있으며, NFT 플랫폼과 금융 애플리케이션 전반에 걸쳐 강력하고, 투명하며, 사용자 친화적인 가격 산정 메커니즘을 유지하는 데 기여할 것입니다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
Stanford Blockchain Club
