量化分析：一文探索不同NFT资产的价格分布

文章作者：翻译公会 ScaSte

文章来源：The SeeDAO

作者：Goblin Sax |

翻译：ScaSte |

校对：Roy |

排版：龙犄角 |

NFT 类型（如虚拟土地、PFP 和游戏资产）是对 NFT 项目和系列进行评估的常用框架。但是，这些资产属性中较少被论及，有时甚至让人感到违反直觉的，是系列内的价格“等级”（即价位，下同），以及同价位资产在不同系列和类型中的表现。

Gringotts DAO 以成为 NFT 持有者获得流动性的一站式商店为使命。随着新的 NFT金融化协议 迅速出现，对于用户在寻求何种 NFT 类型的流动性，我们开始评估不同方法的有效性。我们没有只关注资产类别，而是研究了所有这些资产共有的属性 —— 价格。

更具体地说，我们试图回答 3 个问题：

• NFT 的价格在整个市场上的分布情况如何？

• 是否出现了价格分布的模式，如果是，这些模式有多常见？

• 从这些分布中，我们该如何界定价格“等级”（即价位，下同），从而可以为特定的 NFT 找到更适合的流动性方法？

主要发现之一是，跨系列和类别的 NFT 商品，比同一系列内商品的行为表现得可能更相似。因此，价格分布分析可以让用户和开发人员更全面地了解在哪里最能找到流动性，以及金融化方法的可实现市场。

01 方法

NFTBank 是一个算法资产估值产品。它根据相似资产的历史价格，使用机器学习来预测 NFT 价格。我们从 NFTBank 提取了 3 个月以上的数据，首先是 2021 年 12 月 15 日（279 个系列，约 240 万 NFT，市值约 370 万 ETH），然后是 2022 年 1 月 13 日（540 个系列，约 1420 万 NFT，市值约 890 万 ETH），最近的是 2022 年 2 月 27 日（538 个系列，约 1480 万 NFT，市值约 650 万 ETH）。

本文深入探讨了我们的 4 个观察结果：

• 无论跨 NFT 系列或在同一系列内，价格分布通常非常集中。

• 价格分布呈现 5 个主要”形态“，似乎与 NFT “类别”（PFP、游戏、虚拟土地等）无相关性。

• 价格分布形态一般保持稳定。有 75% 的系列，在不同时间点上的价格分布保持稳定。那些发生了变化的，则是朝着“相关”的形态变化。

• 对具有指数式衰减和类对数正态分布的系列（占比 60%），我们可以定义和研究地板层、中间层和顶层资产的行为。

02 集中价格分布集中价格分布

在所有系列中，市场集中在前 10 个市值占比大于 60% 的 NFT 系列上，其（标准化）基尼系数约为 0.9。

NFT 系列内，价格分布大都遵循同一模式，即大多数 NFT 的价格都接近地板价。少量剩下的那些构成了价格区间的主体，因此对该系列 NFT 的总市值贡献巨大。

归一化价格分布图表的实例：

归一化价格 = (价格 — 最低价格)/(最高价格 — 最低价格)

在这些图表中，x 轴做 100 等分。因此，以第一个图表（ CryptoPunks ）为例，数据表明几乎所有 Punk 的定价都分布在整个价格区间的前 2% 以内。对最适合拿来扫地板的 NFT 金融化产品而言，就大有前途了。例如，像 NFTX 这样的流动性池可以充当“场内自动做市商”，为那些能与流动性池交易场内资产的 NFT 持有人提供即时流动性。

系列内若有大量地板价 NFT，并具备可信喂价（指那些在多个唯一地址之间频繁交易的 NFT ），就也会成为 P2POOL 借贷产品抵押物的佳选。这是因为通常地板价 NFT 被当作“等同”对待，不需要人工评估。一旦被接入某个喂价和风险自动评估机制，贷款条款就能够实现自动化。

但是，在上述样本中，请注意某些 NFT 系列（例如 VeeFriends 和 Decentraland）不符合这种“众数即地板价”的模式。事实上，价格分布模式有 5 种截然不同的形态，让我们在下一个观察中详聊。

03 价格分布的五种主要形态

通过对不同系列 NFT 的观察，我们看到了以下这些价格分布形态：

• 指数式衰减。这些系列中大部分 NFT 的价格在地板价附近，有一条较高价格组成的长尾。在我们的抽样中约 40% 的 NFT 系列属于这种情况，示例包括 Cryptopunks、RTFKT Clone X + Murakami 和 Mutant Ape Yacht Club

• 类对数正态分布具有与指数式相似的形̱态，但价格集中在略高于地板价的区间。在我们的抽样中约 20% 的 NFT 系列呈现了这种情况。示例包括 Bored Ape Yacht Club、Sandbox LAND 和 Decentraland。

• 对称分布（或类正态分布）表现为资产高度集中在平均价格附近，向两侧逐渐减少。在我们的抽样中约 5% 的 NFT 系列呈现了这种情况。示例包括 Anonymice、Blitmap 和 Rollbots。

• 多模态分布则在更大的区间内出现几处凸起和峰值。我们的抽样中约 20% 的 NFT 系列呈现这种情况。示例包括 VeeFriends、Autoglyphs 和 FLUF world。

• 点状分布具有上述之一的形态，但价格分布在小于 0.1 ETH 的区间。因为我们将此价格区间定义为大致相同，所以将其称为“点状分布”。这种形态是市值较小的 NFT 系列的共同特征（除 PVFD 之外，前 100 位的系列中没有一个表现出该形态）——因此它们起到了一种过滤器的作用。约 15% 我们抽样的 NFT 系列呈现了这种情况。例如 PVFD、Zodiac Capsules 或 PEGZ。

有趣的是，NFT 的类型（PFP、虚拟土地、游戏资产等）与价格分布的形态之间没有相关性。例如，Cryptovoxels、Decentraland 和 Somnium Space 中的虚拟土地 NFT 都具有不同的分布（分别为指数式、类对数正态分布（12月 / 1月是对称的）和多模态分布）。

价格分布很可能是 NFT 系列自身固有特征的函数，而与它所属的 NFT 类别无关。对于土地类 NFT 来说，影响因素可能是位置、地块大小、人流量（创收潜力）、已有建造物并因此溢价销售，等等。

接下来，我们研究了这些价格分布是否随时间而变化。

04 价格分布（通常）保持稳定

由于数据有限（仅 3 个数据点），只有时间才能证明这些分析是否将来也有效。再看一下归一化价格，我们可以看到 12 月（灰色）和 1 月（红色）的价格分布通常（但并非总是）与 2 月（蓝色）一致，或至少具有相似形态。

从 1 月和 2 月的数据中拉取的 537 个系列中，有 166 个的价格分布形态发生了变化（30%）。1 月至 12 月，我们也看到了类似的变化比例 (25%)。这听上去好像很多，但请记住，前文对 NFT 系列分布形态的分类是略显模糊的，因为我们的分类标准不是很严格。

例如，可以按照 ” 如果众数 > 地板价 => 对数正态 ” 的逻辑来区分指数式衰减和对数正态。看看下面的众数地板价比，我们选择了更宽松的定义，甚至允许众数比地板价高出 10 - 20%，因为我们采用了拟合分布来对形态进行分类。

基于此，我们认为指数式衰减和对数正态分布是“相关的”。

对于存在价格分布变化的情况：

• 约 42% 属于变为 / 变自点状分布。点状分布在形态上与其他四种形态之一相同，只是价格区间非常窄。

• 约 26% 是从指数式衰减或类对数正态变为多模态。这个类的定义也比较宽松，因为我们的分布通常只有一种模式。我们定义这个形态，是为了把 VeeFriends 这样有几个凸处（众数）的分布与其他形态区分开。

• 约 22% 是类对数正态和指数式衰减之间互变，（如果我们采用严格的方法，这个数字会高很多）

• 其余约 10% 的变化全都是变为/变自对称分布，其中类对数正态分布占比最多（6%）。这还是因为区分类对数正态分布和对称分布之间的界限比较宽松（即，这两个形态也是“相关的”）

05 界定价位

基于上述观察，同时由于地板价可以用作合理的锚点，我们参照具有指数式衰减和类对数正态这两种形态的 NFT 系列来对价位进行界定。当然，“绝对”的地板价可能只是标价最低的一件商品，所以我们希望找到适当的乘数，用以将更多商品归类为地板价商品。

界定地板层：我们研究了不同的下四分位数及其与地板价的比̱值。

在大约 800 个系列中有 90% 左右的中位数低于 1.4 * 地板价。在阈值选择上，我们考虑较多的情况是：如果取值向右延伸，把更多的系列内商品包含进去，就会以扩大价格区间为代价降低该组数据的同质性。

为了对大约 90% 的系列适用，阈值分别为：

• 1.3 得出 25% 四分位数（因而涵盖了 25% 的商品）

• 1.4 得出 50% 四分位数 / 中位数

• 1.75 得出 75% 四分位数

少于 30% 的系列可能太少，而 [ 地板价，地板价*1.75 ] 的价格区间则可能太宽。因此，我们选择了 1.4 的乘数作为边界值。换言之，我们把“地板层”界定为价格在 [ 地板价，地板价*1.4 ] 区间内的商品。对于 2/3 的 NFT 系列来说，这个价位区间包括了它们 75% 的 NFT。

界定顶层商品：我们可以用相似的思路来确定上四分位数：

• 在大约800个系列中，阈值 2.5 可以覆盖 85% 系列内 90% 的NFT。在其中 2/3 的系列里，它可以覆盖多达 95% 的NFT，在约 20% 的系列中甚至覆盖多达 99% 的NFT。换句话说，2.5 的阈值可以囊括 90% 系列中的前 10% 的资产。

• 同样，我们可以让这个集合更具排他性，例如将阈值增加到 4。

• 根据上述对地板层和顶层商品的定义，我们可以将中间层商品定义为价格在 [ 地板价 * 1.4, 地板价 * 2.5 ] 区间的商品。好了，我们现在来聊聊不同价位的特性。

06 各价位的特性

地板层：标价位于地板价至地板价 *1.4 之间的商品。

地板层通常由一个系列内 50 - 75% 的商品组成，占该系列市值的 25 - 50%。它们的数量和同质化特性使其适合流动性池，可以有效地充当 ”场内自动做市商”。用户可以从场内资产的交易活动中获利，并享有与其他价位相比最深的流动性。

中间层：标价位于地板价 * 1.4 至地板价 * 2.5 之间的商品。

中间层通常由一个系列内 20-40% 的商品组成，占该系列市值的 10-20%。就目前的情况来看，中间层商品可能最无利可图，因为它们的流动性低于地板层，并且与顶层相比反弹可能性也较小。众数处于中间层的 NFT 系列（ 具有对称的价格分布形态 ），其用户中的许多人可能对资产本身的属性或功用而非价格更感兴趣。例如，虚拟土地可能太小或位于不赚钱的位置，而大型、高流量的地块太贵或不出售。因此，土地买家会搜寻位置、面积和价格俱佳的资产。

如果事实证明，中间层包含一些“暂时性”的商品，例如由于地板增值或蓝筹贬值而被纳入的商品，那么这里可能就会成为投机和对冲操作的层级。

顶层：或”蓝筹”。商品定价大于地板价 * 2.5。

蓝筹通常在商品中占比大约 5 – 10%，占一个系列市值的 20 – 40%。蓝筹的分布噪声很高而且价格变化也很大，其表现类似于“传统”艺术品或房地产中的高端项目。虽然它们的交易量和频次都很低，但蓝筹用作抵押品或通过拆分获得流动性的潜力很大。

关于商品在三个价位中的份额，我们看到地板层商品（蓝色）份额最大。但有个别地方它们占比相当小 ，这与我们对形态的定义模糊有关。例如 Meebits（第一个条形图）没有完全遵循我们的价位逻辑，因为它存在我们前文详细展示过的额外凸起：

图中 NFT 系列的名称太小，但末尾的 '(jan)' 或 '(dec)' 分别标明了数据集出自 1 月或 12 月。

这些价位的市值份额数据略显嘈杂。虽然地板层似乎仍占大部分，但 NFT 系列中通常会存在高出地板价 10 - 1000 倍的蓝筹，从而大量占据该系列的市值。

总体而言，约 25–50% 的市值属于地板层，10–20% 属于中间层，20–40% 属于顶层：

07 未来的工作

在本文中，我们采取了一些初步措施，根据价格变化行为和各系列的价位对 NFT 进行了分类。正如我们在上面提到的，价位划分可以依据用例进行调整。对我们来说，目的之一是得出 NFT 跨系列和资产类别时的共同行为和特征，从而为持有者寻找流动性提供最佳途径。得益于该分析，我们构建了评估矩阵。

对资产在不同系列中的表现，我们已经从高层面进行了概述。现在我们可以仔细研究那些值得注意的观察结果，并加以进一步分析。例如：

• 哪些主要属性让某个特定的 NFT 系列具有它所体现出来的价格分布模式？

• 价格分布模式是否可以成为特定金融化协议的先行指标或分析指标，用来对特定资产的上架（如用作抵押品，或启动 NFT 自动做市商）进行分析评估？

• 哪些内部（如项目开发）或外部（如市场情绪）因素会导致某个特定的 NFT 系列随时间改变其价格分布形态？

我们希望在以后的文章中探讨这些问题。目前，我们提供了用于界定价位的量化心理模型，以及一个初步框架，用于在未来几个月内评估我们对 NFT 流动性方法的假设。如果您对本文有任何反馈，或想与我们一起解决其他问题，请与 Gringotts 的分析公会联系。

*注意：定价数据是 NFTBank 的估计，不是实际交易。所以这些数字应谨慎对待。