[論文レビュー] Mapping the NFT revolution: market trends, trade networks and visual features

Matthieu Nadini, Laura Alessandretti+4 more|IT University Of Copenhagen (IT University of Copenhagen)|Jun 1, 2021

Art History and Market Analysis被引用数 25

ひとこと要約

この論文は Ethereum および WAX (2017–2021) からの 6.1 million NFT trades across 4.7 million NFTs を用いて、市場特性、トレーダーと NFT ネットワーク、視覚的クラスタリング、そして価格予測可能性をマッピングする。

ABSTRACT

Non Fungible Tokens (NFTs) are digital assets that represent objects like art, collectible, and in-game items. They are traded online, often with cryptocurrency, and are generally encoded within smart contracts on a blockchain. Public attention towards NFTs has exploded in 2021, when their market has experienced record sales, but little is known about the overall structure and evolution of its market. Here, we analyse data concerning 6.1 million trades of 4.7 million NFTs between June 23, 2017 and April 27, 2021, obtained primarily from Ethereum and WAX blockchains. First, we characterize statistical properties of the market. Second, we build the network of interactions, show that traders typically specialize on NFTs associated with similar objects and form tight clusters with other traders that exchange the same kind of objects. Third, we cluster objects associated to NFTs according to their visual features and show that collections contain visually homogeneous objects. Finally, we investigate the predictability of NFT sales using simple machine learning algorithms and find that sale history and, secondarily, visual features are good predictors for price. We anticipate that these findings will stimulate further research on NFT production, adoption, and trading in different contexts.

研究の動機と目的

• NFT 市場の統計的特性と時間的変化を特徴づける。
• NFT トレーダーと NFT 資産のネットワークを構築・分析し、専門化とコミュニティ構造を明らかにする。
• 視覚的特徴による NFT のクラスタリングを行い、コレクション内の同質性を評価する。
• ネットワーク中心性と視覚特徴からの特徴を用いて、一次および二次販売価格の予測可能性を回帰と分類モデルで評価する。

提案手法

• Ethereum および WAX (2017–2021) からの 6.1 million trades across 4.7 million NFTs の大規模データセットを分析する。
• NFT を six categories（Art, Collectible, Games, Metaverse, Other, Utility）に分類し、カテゴリレベルの市場ダイナミクスを研究する。
• トレーダーと NFT のネットワークを構築し、ノード/エッジレベルの統計、アソーティブ性、モジュラリティ、強連結成分を測定する。
• AlexNet を用いて NFT 画像から視覚特徴を抽出し、PCA で射影し、コレクション内の視覚的同質性を評価する。
• ネットワーク中心性、コレクション履歴、視覚特徴からの特徴を用いて一次販売・二次販売価格を予測する線形回帰モデルを適合させ、販売/非販売予測に対して AdaBoost を評価する。

実験結果

リサーチクエスチョン

• RQ1 2017 年から 2021 年にかけての NFT 市場活動と価格の統計的特性と変化はどうであるか。
• RQ2 NFT トレーダーと NFT 資産は相互作用ネットワークの中でどう組織されており、トレーダーはコレクション別に専門化しているか。
• RQ3 NFT コレクションは視覚的に同質か、視覚的特徴はコレクションやカテゴリを区別できるか。
• RQ4 過去の販売履歴、ネットワーク中心性、視覚特徴を用いて NFT の価格と販売をどの程度予測できるか。

主な発見

β coeffecients; Feature; All; Art; Collectible; Games; Metaverse; Utility; Other
const.	-0.029	0.030	-0.086	-0.181	0.210	2.054	0.149
k_buyer	-0.018	0.022	-0.032	-0.132	-0.078	-0.010 ∙	-0.207
k_seller	-0.166	-0.211	0.000	0.026	0.166	0.198 ∙	-0.347
PR_buyer	0.129	0.077	0.162	0.317	0.206	-0.241 ∙	0.336
PR_seller	0.302	0.367	-0.031	-0.066	0.009 ∙	-0.382	0.459
p_resale	0.029	-0.041	0.079	0.023	0.046 ∙	0.465	0.251 ∙
medianprice	0.769	0.711	0.970	0.815	0.436	0.478	0.687
vis_PCA1	0.098	0.153	0.049	0.174	0.175	-1.136	0.021
vis_PCA2	-0.120	-0.130	-0.044	-0.064	-0.669	-0.817	-0.181 ∙
vis_PCA3	0.019	0.027	0.063	0.203	0.112 ∙	-1.292	-0.037 ∙
vis_PCA4	0.040	0.028	-0.003 ∙	0.130	-0.018 ∙	-0.911	-0.116
vis_PCA5	0.063	0.018	0.276	0.102	0.296	0.071 ∙	0.301
#NFTs	407,549	251,369	69,015	78,848	2,693	314	5,297
#Collections	3307	114	73	48	12	6	3054
R_adj^2	0.6	0.589	0.709	0.535	0.408	0.562	0.44

• NFT 市場はカテゴリ主導の変化を示し、Art が 2020 年中頃以降の取引量を支配し、平均価格が高い一方、Games と Collectible が取引数を牽引している。
• トレーダー活動は高度に異質で集中しており、上位 10% のトレーダーが約 85% の取引を扱い、ほとんどの資産を取引している。
• トレーダーのネットワークはコレクション別の強い専門化と高いモジュラリティ（Q = 0.613）を示し、コレクションベースのコミュニティ構造を示唆する；アソーティブ性はほぼゼロで、隣接者の強さによる強い好みは示されない。
• NFT ネットワークはコレクション周りにクラスターを形成しており、NFT コレクションの分割は高いモジュラリティ（Q = 0.80）を示し、WAX と Ethereum の資産に対応する二つの大きな強連結成分が存在する。
• 同じコレクション内の NFT は視覚的により類似しており（コレクション内の AlexNet ベースのコサイン距離は低い，μ = 0.59）、コレクションを跨ぐと高い（μ = 0.87）。PCA はカテゴリ別の視覚的 intra-collection クラスタリングを示す。
• 視覚特徴と中心性特徴を結合することで二次販売価格の予測性が向上し、過去の販売価格の中央値は分散の substantial を説明し、1 か月の horizon で R_adj^2 は最大約 0.60 に達する；コレクタブルとアートは特徴からの予測性が強く、長期 horizon では価格予測が低下する。