Nghiên cứu blockchain của Stanford: Mô hình đánh giá溢价 thị trường NFT, có thể tính toán giá NFT tốt hơn không?
Tuyển chọn TechFlowTuyển chọn TechFlow
Nghiên cứu blockchain của Stanford: Mô hình đánh giá溢价 thị trường NFT, có thể tính toán giá NFT tốt hơn không?
Bài viết này sẽ giới thiệu một mô hình định giá chênh lệch mới, nhằm mục đích xây dựng một mô hình định giá mới có xem xét đến cơ sở hạ tầng thị trường và các nguyên tắc cơ bản.
Chuyên sâu báo cáo Web3Tác giả: Yusen Zhan, Black, Zi'ang (Tony) Ling
Biên dịch: TechFlow
Ghi chú: Bài viết này xuất phát từ Stanford Blockchain Review. TechFlow là đối tác của Stanford Blockchain Review và được độc quyền biên dịch, đăng tải.
Giới thiệu
Trong lĩnh vực NFT đang không ngừng phát triển, các mô hình định giá hiệu quả cần đạt được sự cân bằng giữa độ phức tạp và khả năng giải thích. Ví dụ như chỉ số "giá sàn" thường được sử dụng trong giao dịch NFT. Trong nhiều trường hợp, mặc dù giá sàn phản ánh một điểm khởi đầu sơ bộ và chỉ báo nền tảng, nhưng thường không thể phản ánh chính xác giá trị nội tại hay đặc điểm cụ thể của một NFT.
Lịch sử cho thấy, nhiều mô hình định giá NFT từng dựa vào cây quyết định tăng cường gradient (GBDT). Mặc dù chúng cung cấp dự đoán đáng tin cậy, nhưng lại rất phức tạp và khó hiểu. Trong bài viết này, chúng tôi giới thiệu một mô hình “định giá theo mức chênh lệch” mới nhằm xây dựng một mô hình định giá mới, cân nhắc đến cấu trúc thị trường và các nguyên tắc cơ bản. Chúng tôi hy vọng rằng thông qua việc nắm bắt những đặc điểm tinh tế hơn của NFT, mô hình sẽ giúp người sáng tạo, nhà giao dịch và nhà sưu tập hiểu rõ hơn về độ phức tạp trong định giá NFT.
Cơ sở: Mô hình Cây Quyết Định Dựa trên Gradient
Hiện nay, một kỹ thuật phổ biến để định giá NFT là cây quyết định tăng cường gradient (GBDT). Phương pháp học tích hợp này bắt nguồn từ nguyên lý cây quyết định, trong đó mỗi cây đơn lẻ đưa ra quyết định dựa trên tiêu chí nhất định. Tuy nhiên, điểm đặc biệt của GBDT nằm ở chỗ nó xây dựng tuần tự nhiều cây. Mỗi lần xây dựng cây mới, nó cố gắng sửa lỗi của cây trước đó, từ đó nâng cao dần độ chính xác của toàn bộ hệ thống. Cách tiếp cận có hệ thống và lặp lại này giúp mô hình GBDT có khả năng nhận diện và tích hợp các mẫu dữ liệu phức tạp cũng như những khác biệt tinh vi.
Ưu điểm của mô hình GBDT
-
Độ bền vững: GBDT có khả năng chống chịu tốt với các giá trị ngoại lai trong tập dữ liệu, khiến nó phù hợp với nhiều tình huống dữ liệu khác nhau.
-
Xử lý dữ liệu hỗn hợp: GBDT có thể xử lý trơn tru các tập dữ liệu chứa cả đặc trưng phân loại và số lượng.
-
Tự động chọn đặc trưng: Bản chất của mô hình giúp ưu tiên các đặc trưng liên quan, thường giảm đáng kể nhu cầu kỹ thuật tiền xử lý đặc trưng.
-
Giảm hiện tượng quá khớp: Nhờ bản chất tích hợp và hiệu chỉnh lặp lại, GBDT thường ít bị quá khớp hơn so với một cây quyết định đơn lẻ.
Thách thức và hạn chế của mô hình GBDT
-
Độ phức tạp: Là sự kết hợp của nhiều cây quyết định, việc hiểu cơ chế hoạt động bên trong hoặc truy vết đường đi quyết định cụ thể có thể rất phức tạp.
-
Thời gian huấn luyện: Do tính chất lặp lại, GBDT thường mất nhiều thời gian huấn luyện hơn các mô hình đơn giản.
-
Tiêu tốn bộ nhớ: Việc lưu trữ nhiều cây quyết định đòi hỏi dung lượng bộ nhớ lớn, điều này có thể trở thành rào cản trong môi trường tài nguyên hạn chế.
Độ phức tạp và thiếu minh bạch: Vấn đề cốt lõi
Trong bối cảnh định giá NFT của chúng tôi, thách thức lớn nhất của GBDT là thiếu minh bạch. Mặc dù mô hình có thể đưa ra một mức giá hay định giá, nhưng đây là một thuật toán "hộp đen", không thể dễ dàng giải thích vì sao lại đưa ra mức giá cụ thể đó.
Một ưu điểm chính của GBDT — khả năng nắm bắt các mẫu dữ liệu tinh vi giữa nhiều cây quyết định — khi cần chứng minh hay giải thích một quyết định định giá cho các bên liên quan, lại trở thành con dao hai lưỡi. Sự thiếu rõ ràng về khả năng giải thích khiến các chỉ số định giá khó được các bên liên quan trong lĩnh vực NFT chấp nhận. Do đó, điều này nhấn mạnh tầm quan trọng của việc cung cấp một mô hình định giá vừa chính xác vừa dễ hiểu.
Tổng quan về mô hình chênh lệch giá
Như đã nói ở trên, chúng tôi đang giới thiệu một mô hình định giá NFT theo mức chênh lệch, nhằm cân bằng giữa độ chính xác và khả năng giải thích bằng cách gắn giá cả với các nguyên tắc cơ bản và đặc điểm nền tảng của các tài sản kỹ thuật số này.
Việc định giá NFT bao gồm giá trị theo bộ sưu tập và phần chênh lệch do đặc điểm. Công thức cốt lõi của mô hình chênh lệch như sau:
-
Định giá: Giá trị dự đoán của NFT.
-
Giá sàn: Giá bán thấp nhất hiện tại được niêm yết trên thị trường cho một bộ sưu tập hoặc danh mục NFT cụ thể.
-
Hệ số chặn: Có thể xem là điều chỉnh cơ bản đối với giá sàn, phản ánh các yếu tố nội tại có thể làm tăng hoặc giảm chung.
-
Trọng số đặc điểm: Hệ số được gán cho mỗi đặc điểm, dùng để xác định ảnh hưởng của đặc điểm đó lên giá NFT. Mỗi đặc điểm ảnh hưởng đến giá dự kiến theo tỷ lệ tương ứng với giá trị tương đối so với giá sàn.
-
Chênh lệch đặc điểm: Giá trị bổ sung được gán cho các đặc điểm hoặc thuộc tính cụ thể, hấp dẫn của NFT. Đây là tích số giữa giá sàn và trọng số đặc điểm tương ứng.
-
Giá trị theo bộ sưu tập: Biểu thị giá trị nền tảng của NFT trong bộ sưu tập, bắt nguồn từ giá sàn, và có thể bị ảnh hưởng bởi hệ số chặn xét đến các yếu tố chung như điều kiện thị trường hoặc các yếu tố khác không liên quan đến đặc điểm cụ thể.
Suy luận mô hình đánh giá chênh lệch
Trong mô hình chênh lệch, chúng tôi sử dụng hồi quy tuyến tính để phân tích cách các đặc điểm cụ thể ảnh hưởng đến giá ước tính của NFT. Sử dụng trọng số đặc điểm và giá sàn làm biến số, mô hình hồi quy tuyến tính có thể dự đoán hiệu quả giá của NFT dựa trên đặc tính nội tại và mốc thị trường hiện tại.
Theo mô hình chênh lệch của chúng tôi, ta có:
Sau khi chuyển đổi đơn giản, ta được:
Đặt vế trái là y, vế phải dưới dạng hồi quy tuyến tính, ta có:
Trong đó:
-
y là đầu ra dự đoán.
-
x là vector mã hóa one-hot biểu diễn các đặc điểm của NFT. Mỗi vị trí trong vector đại diện cho một đặc điểm cụ thể, vị trí tương ứng với đặc điểm mà NFT sở hữu sẽ được đánh dấu "hot" (tức đặt bằng 1), còn lại bằng 0.
-
w là vector trọng số, mỗi phần tử biểu thị trọng số liên quan đến một đặc điểm cụ thể khi xác định giá NFT.
-
b là hệ số chặn, điều chỉnh dự đoán độc lập với các đặc điểm.
Số hạng wT * x được tính bằng tích vô hướng của hai vector, cụ thể:
Trong thực tế sử dụng, giả sử bạn có 3 đặc điểm (A, B, C). Một NFT có đặc điểm B và C sẽ được biểu diễn bằng vector one-hot x = [0, 1, 1]. Mô hình hồi quy tuyến tính dự đoán giá NFT dựa trên trọng số học được cho mỗi đặc điểm và hệ số chặn, do đó ta có thể viết lại tổng trọng số đặc điểm thành wTx. Chúng ta có thể sử dụng các thư viện học máy mã nguồn mở để triển khai mô hình hồi quy tuyến tính, từ đó xây dựng mô hình chênh lệch của mình theo phân tích trên.
Minh họa đánh giá
Chúng ta có thể sử dụng mô hình định giá nâng cao của mình để định giá Bored Ape Yacht Club #7403 – một token hiếm. Dưới đây là thông tin cơ bản tương ứng với token này:
NFT này sở hữu nhiều đặc điểm, bao gồm Trippy Fur, Faux Hawk Hat, Angry Eyes, Aquamarine Background, Silver Hoop Earring và Phoneme Mouth. Trong đó, Trippy Fur được coi là thuộc tính hiếm nhất. Theo API GoPricing của chúng tôi, kết quả định giá cho #7403 như sau:
"pricing" là giá ước tính của token 7403, tức 104,42672366856866 ETH, "floor" là giá sàn tại thời điểm yêu cầu. Giá ước tính của chúng tôi có thể được phân tích như sau:
Từ ví dụ trên, chúng ta chỉ cần tính toán phần chênh lệch thay vì trọng số, và hiển thị kết quả ước tính cuối cùng cho người dùng như minh họa dưới đây:
Ưu điểm của mô hình đánh giá chênh lệch
Xét theo suy luận lý thuyết và minh họa thực tế của mô hình đánh giá nêu trên, ta thấy rằng nó cung cấp một khung chiến lược định giá thiết thực và phù hợp với thị trường. Điều này ngược lại cho phép một phương pháp định giá thực dụng, linh hoạt và minh bạch. Chúng ta có thể tóm tắt một số đặc điểm và lợi thế chính của mô hình đánh giá nâng cao như sau:
-
Tuyến tính: Mô hình chênh lệch duy trì mối quan hệ tuyến tính với giá sàn, giữ tỷ lệ giá nhất quán giữa các NFT và các đặc điểm theo một tập trọng số xác định.
-
Minh bạch: Đặc điểm nổi bật là độ minh bạch vốn có của mô hình, vì các tham số không chỉ dễ kiểm chứng mà còn cung cấp cái nhìn rõ ràng trong suốt quá trình định giá.
-
Phản ứng thời gian thực: Mô hình mang tính thời gian thực, trong đó giá NFT phản ánh sự thay đổi của giá sàn, đảm bảo định giá luôn đồng bộ với động lực thị trường hiện tại.
-
Trung lập đáng tin cậy: Tránh thiên kiến từ bên thứ ba như cảm nhận về độ hiếm hay giá trị cảm xúc, các tham số được rút ra từ trung bình tuyến tính, nghiêm ngặt dựa trên lịch sử giao dịch, chỉ sử dụng giá bán và giá sàn làm đầu vào trong quá trình huấn luyện.
-
Khả năng giải thích:
-
Tham số rõ ràng: Dù là trọng số hay hệ số chặn, mỗi tham số đều có ý nghĩa thực tiễn, làm rõ tầm quan trọng của các đặc điểm và giá trị nền tảng theo bộ sưu tập trong lĩnh vực NFT.
-
Trọng số đặc điểm chung: Tương tự như cách đặc điểm lan tỏa qua các NFT khác nhau, trọng số đặc điểm được chia sẻ chung trong các mức giá NFT khác nhau, đảm bảo phương pháp định giá thống nhất và nhất quán.
Do đó, mô hình chênh lệch vừa đảm bảo tính minh bạch, vừa cân bằng giữa đơn giản và phức tạp. Bằng cách tập trung vào sự rõ ràng, tính thích nghi và công bằng, nó tạo nên nền tảng vững chắc để định giá NFT một cách chính xác và hiệu quả.
Kết luận
Trong thị trường NFT phát triển nhanh chóng, các mô hình định giá đóng vai trò then chốt, nơi tính minh bạch được đánh giá cao. Mặc dù các mô hình dựa trên cây như GBDT từng rất phổ biến, nhưng độ phức tạp của chúng có thể gây ra thách thức. Để giải quyết vấn đề này, người ta đang chuyển sang các mô hình chênh lệch tuyến tính minh bạch hơn.
Trong tương lai, chúng tôi kỳ vọng sẽ tích hợp mô hình chênh lệch vào các oracles định giá NFT, các giao thức cho vay và các nhà tạo lập thị trường tự động (AMMs). Ví dụ, trong các oracle định giá NFT như Chainlink, mô hình chênh lệch có thể tinh chỉnh đầu vào định giá, đảm bảo phản hồi giá ổn định hơn. Trong các giao thức cho vay NFT như BendDAO, mô hình định giá nâng cao có thể tạo điều kiện cho các khoản vay thế chấp NFT an toàn, mở ra con đường mới cho NFT trong DeFi.
Hơn nữa, trong các AMM NFT như Uniswap v4, mô hình định giá tiên tiến có thể cải thiện thuật toán chuyển đổi, giúp phần thưởng phù hợp với giá trị và độ hiếm của NFT. Ngoài ra, mô hình chênh lệch có thể định hướng sở hữu phi tập trung đối với NFT, định hình các chỉ số NFT và thúc đẩy sự phát triển của NFT tổng hợp, đồng thời duy trì cơ chế định giá mạnh mẽ, minh bạch và thân thiện với người dùng trên các nền tảng và ứng dụng tài chính NFT.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Stanford Blockchain Club
