|
今年以来，NFT与元宇宙的概念迅速火遍全网，各种讨论与观察也层出不穷，其中NFT在艺术市场的表现是本人的研究范畴之一，相关研究参见本人与导师合作的《区块链：向艺术市场深度推进》一文。近期在查阅文献的过程中，发现美国《自然（Nature）》杂志于今年10月刊出一篇题为《映射NFT革命：市场趋势、交易网络和视觉特征（Mapping the NFT revolution: market trends, trade networks, and visual features）》的论文。论文选取并分析了2017年6月23日至2021年4月27日期间，主要来自以太坊和WAX区块链的470万NFTs的610万笔交易数据。通过统计分析、交互网络建构、算法预测等方式研究NFT交易的价格历史与未来。论文对目前国内NFT研究具有一定的参考意义，因此将其正文部分译出，供相关人士参考。受限于译者的英文翻译水平，如有讹误、错漏之处敬请海涵。作者：Matthieu Nadini, Laura Alessandretti, Flavio Di Giacinto, Mauro Martino, Luca Maria Aiello & Andrea Baronchel非同质化代币(NFTs)是代表艺术品、收藏品和游戏内道具等物品的数字资产。它们通常使用加密货币进行在线交易，通常在区块链上的智能合约中进行编码。公众对NFTs的关注在2021年激增，当时NFT的市场经历了创纪录的销售，但公众对其市场的整体结构和演变知之甚少。在这里，我们分析了2017年6月23日至2021年4月27日期间470万NFTs的610万笔交易数据，这些数据主要来自以太坊和WAX区块链。首先，我们描述了市场的统计特性。其次，我们构建了交互网络，表明交易者通常专注于与类似对象相关的NFT，并与交换同类对象的其他交易者形成紧密的集群。第三，我们根据NFT的视觉特征对其关联的对象进行聚类，并显示集合包含视觉上相同的对象。最后，我们使用简单的机器学习算法研究梳理NFT的销售历史及其可预测性，因为视觉特征是价格的良好预测因素。我们预期这些发现将促进在不同背景下对NFT生产、接受和交易的进一步研究。“什么是NFT ? 为什么加密货币正在主导艺术市场？”这是《艺术报》2021年2月21日播客的标题，表明了非同质化代币(NFTs)对艺术世界的影响以及大多数普通公众对它们的新奇感。这场革命并不局限于艺术品市场。虽然NFT在游戏中的应用已经趋向成熟，例如游戏内物品的交易，但其他不同的行业，特别是那些涉及音乐或视频等数字内容的生产的行业，也在尝试这种技术。总体而言，2021年的前4个月，NFT交易量已超过20亿美元，是整个2020年NFT交易量的10倍。那么，什么是NFT? NFT是指存储在区块链上的数据单位，它证明数字资产是唯一的，因此不可互换，同时也为NFT提供唯一的数字所有权证书。更广泛地说，NFT可以确定指定数字物品的“来源”，为诸如谁现在拥有、以前拥有、谁创建了NFT，以及哪些副本是原件等问题提供了无可争议的答案。有几种类型的数字对象可以与NFT相关联，包括图片、视频和音频。NFT现在被用于不同环境下数字物品的商品化，如艺术、游戏和体育收藏品。最初，NFT是以太坊区块链的一部分，但现在越来越多的区块链实现了自己版本的NFT。 
第一个受欢迎的例子是CryptoKitties，这是一个艺术图像集合，代表以太坊游戏中使用的虚拟猫，允许玩家在以太坊上购买、收集、饲养和出售它们。2017年12月，CryptoKitties堵塞了以太坊网络。许多人认为，CryptoKitties是2017年非理性驱动加密货币市场的主要案例，在近2年的时间里，CryptoKitties几乎是唯一受欢迎的NFTs。2020年7月，NFT市场开始增长，并在2021年3月引起了巨大关注，当时名为Beeple的艺术家在佳士得以6930万美元的价格出售了他的一幅NFT作品。这是继杰夫·昆斯(Jeff Koons)和大卫·霍克尼(David Hockney)之后，作品拍卖价格第三高的在世艺术。随后又出现了其他几项创纪录的销售：三款加密货币，也就是1万个自动生成的独特数字字符的集合，分别以11.8美元、7.6美元和760万美元的价格售出;第一条推文的售价为290万美元;而带有音乐视频和舞曲的NFT视频，拍出了133万美元。NFT的盈利能力促使名人也纷纷创建了自己的NFT，如以数十万美元的价格出售的NBA和著名足球运动员的收藏品。美国艺术家迈克·温克尔曼（Beeple）创作的数字作品《每一天：前5000天》 图源网络目前学界对NFT的研究还很有限，主要集中在技术方面，如版权管理; 组件、协议、标准和所需属性; 基于区块链的新协议追踪实物;以及NFT对艺术界的影响，尤其是当它们允许与艺术家分享二次销售版税时。这些研究旨在表征市场特性的实证研究集中在有限数量的NFT集合上，如CryptoKitties、Cryptopunks和axis，或者集中在单个NFT市场上，如Decentraland或SuperRare。这些分析表明，数字游戏中NFT的数字丰度导致其价值大幅下降，即使NFT的价格由加密货币的价格驱动，也可能会导致NFT市场投机。此外，专家评估的NFT更成功，基于在SuperRare市场上销售的16000个NFT, NFT共同所有权网络的结构是高度集中的、小世界式的。在本文中，我们首次对NFT市场进行了全面的定量概述。为此，我们分析了一个大型数据集，涵盖2017年6月23日至2021年4月27日期间，160种加密货币(主要是以太坊和WAX) 470万NFTs的610万笔交易。我们首先分析随时间演变的NFT市场总体统计特性。然后，我们研究了NFT交易者之间的互动网络和NFT资产网络。基于它们的视觉特征，NFTs被进一步聚类。最后，我们提出了应用回归和分类模型预测NFT二次销售的发生及其价格。我们将我们的分析按NFT类别进行分解，这些类别是通过人工鉴别进行分类的，参考nonsubstitute Corporation(一家跟踪NFT销售的专业公司)和OpenSea(最大的NFT市场之一)提出的分类。然而，针对NFTs的准确分类超出了本文的范围。例如，艺术物品在某些情况下可以被归类为收藏品，而有些游戏物品可能呈现出复杂的美学和文化属性，从而使它们有资格成为艺术品。在NFT市场上交换的物品被组织成集合，在大多数情况下，这些NFT具有一些共同的特征。从本质上来说，收藏品的类别差异很大，从一套卡片收集，到艺术杰作的选择，再到在线游戏中的虚拟空间。大多数收藏可以分为6类:艺术品、收藏品、游戏、元宇宙、其他以及应用程序。我们根据每个类别的独特资产数量(n)显示了前5个集合(见图1a)。
(a)按类别组织的前5个NFTs集合(按资产数量)。每个圈的大小与每个集合中的资产数量成正比。(b)每一类别的所有资产在一段时间内的每日交易量(以美元计)(见图例)。交易量低于1000美元的天数没有显示出来。(c)按类别分列的交易总额占比。(d)按类别分列的交易数量占比。这些面板的结果在30天的滚动窗口中是平均的。继2017年末CryptoKitties系列在全球流行之后，NFT的市场规模一直保持相当稳定的状态，直到2020年中期，日均交易量约为60000美元(见图1b)。从2020年7月开始，该市场的日交易额在2021年3月超过了1000万美元，比8个月前增长了150倍。我们测量了不同的NFT类别对整个NFT市场规模的贡献程度。直到2018年底，市场完全被艺术类，尤其是CryptoKitties系列所主导。从2019年1月开始，其他类别在交易总额占比(见图1b、c)和交易数量占比(见图1d)方面开始显示出一定位置。总的来说，在2019年1月至2020年7月期间，艺术、游戏和元宇宙类别分享了约90%的NFT交易总额，分别占18%、33%和39%。从2020年7月中旬开始，被归类为艺术品的NFT占据了大部分市场，占总交易额的71%左右，其次是收藏品，占12%左右。然而，重要的是，当考虑到交易数量时，市场构成是完全不同的。自2020年7月以来，交易数量最多的NFT属于游戏类和收藏品类，分别占交易的44%和38%。相反，只有10%的交易与被归类为艺术品的NFT相关。总体而言，我们观察到，自2020年以来，在艺术领域的交易总额一直在增长，而其交易数量一直在下降(图1d)。交易总额和交易数量之间的差异表明，艺术类物品的平均价格高于其他类别。通过观察NFT价格在不同类别中的分布(见图2a)，我们进一步深入研究这些差异，我们发现这些数据分布广泛。我们并观察到，75%的NFTs的平均销售价格低于15美元。而超过1594美元的NFT仅占总资产的1%，从个别类别来看，艺术品、元宇宙、应用程序等类别的NFT的平均售价高于其他类别，前1%的资产平均售价分别高于6290美元、9485美元、12756美元。请注意，这些类别在规模上是不同的，所以1%的资产分别对应于艺术、元宇宙和应用程序类别中的8593、472和78个NFTs。截至目前，拍卖价格最高的是艺术品类别，有4件NFT以100万美元以上的价格售出。(a)所有NFT(顶部)和按NFT类别(底部)划分的平均价格(美元)分布。(b)所有NFT的每个NFT的销售数量分布(上)和按类别划分(下)。虚线是符合𝑃(𝑠)∼𝑠𝛽的幂律，𝛽=−1.4，其中s是销售数量。(c)所有NFTs的每次收集的资产数量分布(上)和按类别分列(下)。虚线是符合𝑃(𝑛)~𝑛𝛼的幂律，𝛼=−1.5，其中n为唯一资产的数量。为了评估市场活动，我们测量了单个资产的交易频率。在这里，我们将资产的第一次出售称为资产的首次出售，而将所有其他的销售称为二次销售。本研究中考虑的所有资产都有首次出售，但只有约20%的资产有二次出售。我们观察到，当𝑠≥10时，每项资产的销售次数分布的尾部具有幂律函数𝑃(𝑠)∼𝑠𝛽的特征，其值为𝛽=−1.4，估计如下(见图2b)。当查看不同类别时，销售数量的分布受到临界值的影响。例如，应用程序类别资产的最大销售次数是12次，而游戏类别资产的销售次数超过1000次，艺术类别资产的销售次数超过5000次。值得注意的是，只有0.07%的资产被出售超过10次。此外，集合n的大小可以用幂律函数𝑃(𝑛)~𝑛𝛼很好地描述，其中𝛼=−1.5(见图2c)，这意味着大小的分布是广泛的。据调查，约75%的收藏品中，唯一资产不足37件，约1%的收藏品中，唯一资产超过1.04万件。每一个系列的二次销售的时间模式都是独特的，这可以通过考虑每个类别的顶级系列来证明(见图3)。例如，当Cryptokitties在2017年出现时，二次销售的价格通常低于其首次销售的价格。而在最近的2021年，由于潜在客户的增加，二次销售价格上涨。其他藏品，比如《异形》(Alien)，二次销售价格下跌和上涨在同一时期交替出现。无法停止的收藏品二次销售是罕见的，因为NFT对应的网站域名由区块链技术保护。2017年，66%的二次销售价格低于首次出售，而2021年只有27%的二次销售价格低于首次出售。 图3：二次销售价格 根据每个NFT类别。每个水平线代表一个NFT，每个点代表一个销售额。销售额是根据与以前销售额相比价格的变化来着色的。交易者之间如何互动?有核心角色吗?我们采用网络科学的方法来解决这些问题。我们考虑交易网络，其中的节点是交易员，如果前者(买方)从后者(卖方)购买至少一个NFT，就存在一个从一个交易员到另一个交易员的直接链接。每个环节都有一个权重，对应于买方从卖方购买的商品的总数量。首先，我们通过关注节点的属性来研究个体NFT交易者的行为。我们发现交易者的活动是高度异质的:交易员(节点)的力量,定义为购买和销售的总数,由每个交易员,作为一个幂律分布𝑃(𝑠)∼𝑠𝜆1, 指数𝜆1 =−1.85(见图4),这样10%的交易员单独执行85%的所有事务和贸易至少有一次97%的资产。进一步，我们发现交易者的力量和活动d的总天数之间存在超线性关系，其关系为𝑠~𝑑𝜆2，𝜆2=1.28(见图4b)。这个结果表明，对于长期活跃的交易者来说，平均每天的交易数量更大。交易员也更专业:通过测量个人如何在不同集合中分配他们的交易，我们发现交易员在他们的顶级集合中至少执行73%的交易，而在他们的前两个集合中至少执行82%的交易。实力和专业化之间的关系不是单调的:最专业的交易者要么有很少(少于10笔)的交易，要么有很多(超过1万笔)的交易(见图4c)。以太坊地址“0xfc624f8f58db41bdb95aedee1de3c1cf047105f1”的专业交易员，交易数万只CryptoKitties。当将买卖行为分开考虑时，也存在类似的关系。 图4：关键网络属性(a)交易员实力的概率分布函数。(b)交易者的实力作为活动天数的函数。(c)交易交易者向他们的第一和第二NFT交易集合做出的百分比。(d) NFTs强度的概率分布函数。(e)不同集合中NFTs之间的事务百分比，作为集合大小的函数。(f)属于第一个和第二大强连接组件(SCC)的NFT的百分比。(b)、(c)、(e)和(f)中的实曲线代表平均值，分别为95%置信区间。其次，我们转向网络链接的属性，描述交易双方之间的交互。我们发现，链权的分布很好地表现为幂律分布，最前10%的交易双方对总交易数量的贡献与剩下的90%一样多。一个有趣的问题是，交易员是否会优先与实力相似的交易员联系。我们通过研究分类系数r来解决这个问题，r度量了给定节点所有出链路的权值之和(出强度)与其邻居的入链路权值之和的平均值(入强度)之间的相关性。我们发现，其值为𝑟=−0.024的分类性接近于零值0，这意味着交易者不会基于他们的连接模式的相似性而与其他交易者进行连接。最后，重点讨论了网络结构。在交易员日趋专业化的基础上，我们将每个交易员分配到其顶层集合中，并在此节点划分下研究了网络的模块化。模量是一个边界在−0.5到1之间的度量，当分配到同一分区的节点之间的连接密度大于偶然预期时，模量为正。我们发现集合分区的模块化Q为𝑄=0.613，显著高于随机网络𝑄=0.0823±0.0001的预期。它表明集合很好地代表了强调的网络结构，在集合中专业的交易者倾向于与其他专业于同一集合的交易者买卖NFTs。现在我们转向探索NFTs是如何相互连接的。为此,我们构建的NFT网络,在节点之间存在NFT和一个直接链接两个NFT的购买“序列”,如从一个NFT创建一个链接到另一个,当买家购买前,两者之间尚未达成交易。这种选择并不是将同一交易者所交易的所有NFT联系起来，而是允许理解语义相似的NFT之间的关系，因为它们是由同一交易者在大约相同的时间内购买的。此外，它还确保了网络结构不受大集团的控制。NFTs的强度分布呈幂律衰减，指数为𝜆3=−3.21(见图4d)。请注意，由于网络的构建方式，NFT的强度与每个NFT的总销售额不同(之前如图2b所示)。事实上，当同时购买两个NFT时，这将为两个节点的每个节点创建两个链接(一个输入一个输出)。我们要问的下一个问题是:哪些NFT是相互连接的?我们发现，小集合中的NFTs倾向于与其他集合中的NFTs顺序购买(见图4e)。相反，像CryptoKitties或Gods-Unchained这样的大型系列的NFTs往往会与同一系列的NFTs顺序购买。这种行为对NFT网络结构的影响是什么?通过研究NFT(节点)划分以及NFT集合时网络的模块化这两方面，并重点研究了NFT网络结构与NFT网络集合之间的关系。我们发现集合分区的模块化Q为𝑄=0.80，显著高于随机网络𝑄=0.1110±0.0001的预期。结果表明:(1)网络是集群的，(2)集合很好地代表了底层的群落结构。通过进一步探讨交易者行为与NFT网络结构之间的关系，我们发现，虽然NFT网络是集群的，但社区并非孤立的。也就是说，一些交易员买卖属于多个集合的资产。NFTs的网络有两个强连接组件(SCC)，定义为一组节点，这样，从一个给定的NFTs开始，就有可能通过定向链接到达SCC中的任何其他NFTs。最大的SCC包括在WAX区块链中交易的NFTs，占所有NFTs的35%，而第二大SCC包括在以太坊区块链中交易的NFTs，占所有NFTs的20%(见图4f)。虽然高网络模块化揭示了交易者倾向于从相同的集合中按顺序购买资产，但非常大的SCC的存在表明在不同的集合中有较少的购买序列。包括艺术类别在内的交易者网络在2021年2月的可视化图表中显示了专注于同一集合的NFT交易者形成的集群(见图5a)。类似地，对NFT网络的相同可视化显示了类似的趋势，即NFTs，尽管在同一集合中被其他NFT包围，倾向于形成更稀疏的结构(见图5b)。(a)交易员网络，其中节点代表交易员并将他们之间的销售联系起来。(b)NFT网络，当按“顺序”购买一对NFT时，节点代表非接触式网络和连接。为了可视化的目的，我们在2021年2月选择了艺术类别中的十大收藏，可视化使用网络交互完成。然后我们研究由同一类别的资产和区块链组成的网络。我们发现，上述关键结果，包括强度分布的形状，适用于不同类别。同样在这个例子中，我们发现交易者，独立于所考虑的类别之外，都是专业的:在顶部集合中，单个交易的比例在其他类别中为59%，在应用程序类别中为98%。类似地，WAX区块链和以太坊区块链类别的单个交易比例分别为70%和91%。相对于每个类别中的总NFTs数量，WAX组件包含标记为可收集的所有NFTs的55.0%，但只包含标记为应用程序的所有NFTs的0.06%。相反，以太坊组件占所有艺术的54.8%，但只占游戏的10.6%。NFTs链接到不同类型的数字资产，包括视频、文本、GIF动画和音频。目前，最流行的NFTs是图像。我们选择与图像相关的NFTs，并获取动态的GIF动画，并使用预训练的卷积神经网络参数分析它们。参数从图像中提取4096个值的向量，这是图像视觉特征的密集表示。通过这种表示，从视觉上相似的图像中提取的向量在向量空间中非常接近。为了量化成对图片之间的视觉差异，我们计算了它们之间的余弦距离(CD)，这个值从0(对于相同的图像)到1(对于高度不同的图像)。我们测量了同一集合内和不同集合之间的图片之间的距离。与来自两个不同集合的对象(𝜇=0.87，𝜎=0.06)相比，属于同一集合的项目之间计算出的平均CD明显更低(𝜇=0.59，𝜎=0.20)，这证实了集合内的图形同质性。图6a显示了所有集合对之间的平均CD值矩阵。对角线上的值代表集合内的CD值，这表明大多数集合具有高度的同质性(例如Sorare (CD = 0.24)或Cryptopunks (CD = 0.33))，但有些集合具有更多的异质性(Rarible (CD = 0.89))。简而言之，许多系列都有自己的风格，以及区别于其他系列的图形特征。也有集合的子组，通常在同一类别(图6a的彩色带)，它们有一些共同的视觉特征。对于包含像素艺术作品的系列，包括Chubbie、Cryptopunks和Wrapped Punks，或者观察到Cryptokitties和axis之间的相似之处，情况也是如此。(a)按集合和类别分类的物品之间的图形数字物体的余弦距离(右边的彩色带)，以识别这些组别之间和这些组别之间在美学上的相似性和一致性。出于可视化目的，我们选择了数据集中最大的98个集合。(b) PCA对参数向量的降维以及它们在PC1、PC2和PC3空间的可视化(按NFT类别划分)表明存在图形上一致的簇。出于可视化的目的，我们对与CryptoKitties和Sorare集合相关的数字对象进行了下采样，仅这两个集合就构成了整个数据集的61%。
为了将图像映射到一个低维特征空间，以便在实践中用于预测和可视化，我们将主成分分析(PCA)应用于参数向量。PCA使用4096维向量的线性组合将它们投影到任意更低维数的向量中，从而使投影空间中数据点的方差最大化。考虑到由125万个图形对象组成的整个样本，前5个主成分共同解释了总方差的38.3%，从PC1到PC5依次为20.3%、7.3%、4.0%、3.8%和2.7%。PC1到PC5评分用于测试视觉特征预测销售的能力(见下一节)，而PC1、PC2和PC3用于通过三维散点图直观地表示数据并显示类别内的同质性(见图6b)。这可以通过观察同一类别物体之间在PC1、PC2、PC3空间中的平均欧氏距离，并将其与不同类别物体之间计算的欧氏距离进行比较来量化。考虑整个样本，计算所有点之间的距离，不同类别元素之间得到的平均值比同一类别元素之间的平均值大1.67。然而，正如我们已经描述的在参数向量空间中的余弦距离，这主要是由于集合内同质性，如图所示，计算平均收集间距离的结果是收集间距离的3倍多(3.17)，其次是类似收集的类别内集群的存在。这很可能是由市场对一个系列成功的反应引起的，这促使其他创作者跟随潮流，提供不同的主题。为了识别与NFT的市场价值相关的因素，我们拟合一个线性回归模型，从不同的特征集来估计首次和二次销售的价格，仅考虑NFT首次销售前一天的数据进行计算。其特征包括PageRank中心的买方和卖方在NFT的网络交易(𝑘𝑏𝑢𝑦𝑒𝑟|𝑠𝑒𝑙𝑙𝑒𝑟,𝑃𝑅𝑏𝑢𝑦𝑒𝑟|𝑠𝑒𝑙𝑙𝑒𝑟),与NFT相关的物体视觉特征主成分(𝑣𝑖𝑠𝑃𝐶𝐴1…5),收藏品中销售的先验概率(𝑝𝑟𝑒𝑠𝑎𝑙𝑒)，以及收藏品中首次和二级销售的历史中位数价格(𝑚𝑒𝑑𝑖𝑎𝑛𝑝𝑟𝑖𝑐𝑒)。单个NFT的价格与之前在同一系列中销售的NFTs的价格有很强的相关性。收藏中NFTs的中位数销售价格预测了未来首次和二次销售价格差异的一半以上。如果在首次销售之前的最近时间窗口中计算过去销售价格的中值，预测就会更加准确，例如，一个星期前的时间窗口比考虑NFT首次销售之前的整个时间窗口要好。当二次销售价格作为回归的对象时，也发现了类似的结果，尽管相关性通常较低。正如人们所预期的那样，二次销售的价格与首次销售的价格密切相关，当人们试图在更长的时间内预测时，变量的预测能力会下降:如果预测未来一周的二次销售价格中值，则为𝑅2𝑎𝑑𝑗=0.90;如果预测未来2年的二手房销售价格中值，则为𝑅2𝑎𝑑𝑗=0.77。在二次销售价格和NFTs收藏的中间价格之间也发现了类似的关系。除了先前的销售历史，其他特征可以预测未来的首次销售价格(见图7a)中位数和二次销售价格(见图7b)。交易者网络中买方和卖方的中心性测量(𝑅2𝑎𝑑𝑗∈[0.05,0.12])和与NFT相关联的对象的视觉特征(𝑅2𝑎𝑑𝑗∈[0,0.08])在组合使用时，大约解释了五分之一到四分之一的方差(𝑅2𝑎𝑑𝑗∈[0.18,0.25])。当与以前销售的中值价格结合考虑时，它们将提高对二次销售价格的预测能力近10%(𝑅2𝑎𝑑𝑗从0.55增加到0.6)。当为每个类别拟合单独的回归时，很明显，未来价格的可预见性和不同特征集的预测能力取决于NFT类别。收藏品类别是最容易预测的，其中心性和视觉特征分别为𝑅2𝑎𝑑𝑗∈[0.30,0.36]和𝑅2𝑎𝑑𝑗∈[0.40,0.50]。这两类特征在艺术范畴中具有最大的复合效应;在二次销售价格预测中，中心性特征使视觉特征的预测能力提高50%以上。首次销售一个月后预测二次销售价格任务的个体特征回归系数见表。𝑅2𝑎𝑑𝑗的线性回归拟合预测首次销售价格(a)和二次销售价格1个月后(b)从不同的特点集。在预测二次销售价格时，我们只考虑在二次销售中售出的NFTs。这些NFTs是少数:不到10%在首次销售后的一周内至少出售一次，只有22%在一年内出售。使用我们为价格回归选择的同一组特征，我们对二元分类器AdaBoost32进行了训练，以评估在多大程度上能够预测NFT在首次销售后是否会被二次销售。我们发现这在某种程度上是可能的。当训练和测试分类器对艺术类NFTs(𝐹1>0.8)的预测是最准确的，而对其他类别(𝐹1∈[0.14,0.33])的预测则不那么可靠。这些藏品的价格中值是最具预测力的，但又并不总是最具预测力。在集合中销售的先验概率也是一个强信号，而中心性和视觉特征的组合有时可以优于其他特征的组合(例如，在元宇宙类别中)。最后，当试图预测二次销售在较长一段时间内的发生时，预测是最准确的。NFT市场出现还不到4年，并在2021年蓬勃发展。本文通过分析包括艺术品、游戏和收藏品在内的6个主要NFT类别的610万笔NFT交易的市场历史，首次概述NFT市场的一些关键方面。总之,(1)分析市场的主要特性；(2)我们建立和研究了交易员和NFT网络,发现大多数交易员都很专业；(3)我们发现NFT集合往往是视觉均匀的,我们探讨了NFT的可预测性；(4)价格显示,虽然过去的历史被认为是最好的预测器，但NFT的特定属性，如相关数字对象的视觉特征，也有助于提高预测能力。重要的是要突出我们研究的主要局限性，这也代表了未来工作的方向。首先，我们从各种在线NFT市场收集数据，而不是直接从以太坊或WAX区块链收集数据，因此我们可能错过了一些“独立的”NFT生产者。其次，我们主要采用了一个公认的NFTs分类，其中包括一些武断的决定，但可以进一步完善。第三，由于我们的主要目标是提供市场的总体概况，所以我们没有广泛地探索所有可用的方法，例如从图像中提取特征及其在低维空间中的聚类，用于价格预测的机器学习，或市场建模。我们也没有考虑集体关注的衡量标准，例如社交媒体或维基百科，这可能是关于市场行为的进一步信息来源。第四，我们主要考虑了以太坊和WAX区块链，但其他一些平台也提供智能合约和NFTs。最后，我们的价格预测操作不包括与NFTs相关的(数字)对象创建者的信息。虽然这主要是由于数据集，而且在许多情况下，创作者的身份是不可用的或不存在的(例如，由AI生成的图像)，但在某些情况下，特别是对于艺术类NFT，这可能是一个需要考虑的重要方面。总的来说，NFTs是一种新的工具，它满足了大量数字和非数字对象的创造者、用户和收藏者的某些需求。因此，它们可能会继续存在下去，或者至少，它们代表着向处理此类资产的财产及其来源的新工具迈进的第一步。我们预计，我们的研究将有助于加速在经济学、法律、文化进化、艺术史、计算社会科学和计算机科学等广泛学科领域对NFT的新研究。研究结果还将帮助从业人员理解快速发展的市场格局，并为更有效的市场设计和相关监管提供信息。原文链接：https://www./articles/s41598-021-00053-8#MOESM1 
|
