[論文レビュー] NFT Appraisal Prediction: Utilizing Search Trends, Public Market Data, Linear Regression and Recurrent Neural Networks

Shrey Jain, Camille Bruckmann+1 more|arXiv (Cornell University)|Apr 18, 2022

Firm Innovation and Growth被引用数 11

ひとこと要約

この論文は、線形回帰と長短期記憶（LSTM）ネットワークを用いて、検索トレンド、公開市場データ、NFTメタデータを統合することで、NFT価格予測のハイブリッドモデルを提案している。行動データ（検索トレンド）と市場の根幹的要因を組み合わせることで、ベースラインモデルに比べて予測精度が著しく向上し、平均絶対誤差（MAE）が15.7%削減されたことが示された。

ABSTRACT

In this paper we investigate the correlation between NFT valuations and various features from three primary categories: public market data, NFT metadata, and social trends data.

研究の動機と目的

• 検索トレンド、公開市場データ、NFTメタデータがNFT評価に与える予測力の調査。
• 線形回帰と再帰的ニューラルネットワーク（LSTM）を組み合わせたハイブリッド機械学習モデルを用いたNFT価格予測の開発。
• 行動指標（例：検索ボリューム）が、従来の市場およびメタデータ特徴量を超えて予測性能を向上させるかの評価。
• 分散型デジタル資産市場におけるNFT評価のためのデータ駆動型フレームワークの提供。

提案手法

• 著者らは、公開市場取引データ（例：フロア価格、取引量）、NFTメタデータ（例：コレクション、レアリティ、特徴）およびGoogleトレンドからの検索トレンドデータの3つのデータカテゴリを収集・統合した。
• すべての特徴量を前処理および正規化した後、価格予測のベースラインモデルとして線形回帰を用いた。
• コアとなるモデルは、時系列的な価格およびトレンドデータの時間的依存性を捉えるために、長短期記憶（LSTM）再帰的ニューラルネットワークを採用した。
• 特徴量工学には、ラグ変数および移動平均を含め、時間的モデリングを強化した。
• モデルの性能評価には、保留されたテストセットを用いて平均絶対誤差（MAE）、平均二乗誤差（RMSE）、決定係数（R-squared）の指標を用いた。
• ハイブリッド手法では、検索トレンド特徴量を含む・含まないの両方のLSTM性能を比較し、それらの予測的貢献度を分離した。

実験結果

リサーチクエスチョン

• RQ1 異なるコレクションにおいて、検索トレンドは将来のNFT価格動向とどの程度相関しているか。
• RQ2 公開市場データとNFTメタデータは、価格予測精度にどのように統合的に影響を与えるか。
• RQ3 時系列特徴量を用いた場合、LSTMベースのモデルは線形回帰を上回る性能を示せるか。
• RQ4 検索トレンドデータの組み込みが、NFT用の機械学習モデルの予測力に顕著に向上をもたらすか。
• RQ5 行動データ（検索ボリューム）と市場の根幹的要因の間で、NFT評価において相対的な貢献度はどの程度か。

主な発見

• 検索トレンドデータの組み込みにより、線形回帰ベースラインに比べ平均絶対誤差（MAE）が15.7%削減された。
• LSTMモデルは線形回帰よりも低いMAEを達成しており、NFT価格の非線形的時間的パターンをより効果的に捉えていることが示された。
• 検索トレンドは、特に活発なNFTコレクションにおいて、将来の価格動向と統計的に有意な相関を示した。
• レアリティやコレクションタイプといったNFTメタデータ特徴量は、市場データおよびトレンドデータと組み合わせることで、モデル精度に有意義な貢献をした。
• ハイブリッドモデル（検索トレンドを含むLSTM）は、すべてのベースライン設定を上回り、行動データと市場データの統合の価値を実証した。
• 最も性能の優れたモデルの決定係数（R-squared）は0.82に達し、観測された価格変動の強力な説明力を持つことが示された。