[论文解读] 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 25

一句话总结

本论文分析来自以太坊和 WAX 的 6.1 百万笔 NFT 交易，涵盖 4.7 百万 NFT（时间范围 2017–2021），以绘制市场属性、交易者与 NFT 网络、可视化聚类以及价格可预测性。

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.

研究动机与目标

• 刻画 NFT 市场随时间的统计属性及演变。
• 构建并分析 NFT 交易者与 NFT 资产的网络，以揭示专业化和社区结构。
• 按视觉特征对 NFT 进行聚类，以评估同一收藏中的同质性。
• 使用回归与分类模型评估 NFT 销售与价格的可预测性。

提出的方法

• 分析来自以太坊和 WAX 的 6.1 百万笔交易，涉及 4.7 百万 NFT（2017–2021）。
• 将 NFT 分类为六类（Art、Collectible、Games、Metaverse、Other、Utility），并研究类别层面的市场动态。
• 构建交易者与 NFT 的网络；测量节点/边级统计、同配性、模块性以及强连通分量。
• 使用 AlexNet 从 NFT 图像提取视觉特征，使用 PCA 投影，并评估同一收藏中的视觉同质性。
• 利用来自网络中心性、收藏历史和视觉特征的特征拟合线性回归模型，以预测初次和二次销售价格；并评估 AdaBoost 用于售卖/非售卖预测。

实验结果

研究问题

• RQ1 2017 年至 2021 年 NFT 市场活动与价格的统计属性及演变是怎样的？
• RQ2 NFT 交易者和 NFT 资产在互动网络中如何组织，交易者是否按收藏进行专业化？
• RQ3 NFT 收藏是否在视觉上同质，视觉特征是否能够区分收藏或类别？
• RQ4 是否能利用以往的销售历史、网络中心性和视觉特征较好地预测 NFT 的价格与销售？

主要发现

• NFT 市场呈现以类别驱动的变化；自 2020 年中期以来，Art 主导交易量并具有较高的平均价格，而 Games 与 Collectible 推动交易次数。
• 交易者活动高度异质化且高度集中的；前 10% 的交易者处理约 85% 的交易并交易大多数资产。
• 交易者网络显示按收藏强烈专业化且模块性高（Q = 0.613），表明存在基于收藏的社区结构；同配性接近于零，表明邻居强度没有强偏好。
• NFT 网络围绕收藏呈现聚类；NFT 收藏分区得到高模块性（Q = 0.80），并且存在两个大型强连通分量，对应于 WAX 与以太坊资产。
• 同一收藏中的 NFTs 在视觉上更相似（基于 AlexNet 的收藏内余弦距离为 0.59，μ = 0.59），而跨收藏的相似度为 0.87；PCA 显示按类别的收藏内聚类。
• 视觉特征与中心性特征联合提升二次销售价格预测；中位数过去成交价解释了较大方差，在一个月区间内 R_adj^2 高达约 0.60；收藏品与艺术品在特征上的预测力更强；对于较长的时 horizon，价格预测的准确性下降。