[论文解读] 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 11

一句话总结

本文提出了一种混合模型，通过结合搜索趋势、公开市场数据和NFT元数据，利用线性回归和长短期记忆（LSTM）网络进行NFT价格预测。结果表明，将行为数据（如搜索趋势）与市场基本面结合，可显著提升基线模型的预测准确率，相较于仅使用线性回归，平均绝对误差降低了15.7%。

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.

研究动机与目标

• 探究搜索趋势、公开市场数据和NFT元数据在NFT估值中的预测能力。
• 开发一种结合线性回归与循环神经网络（LSTM）的混合机器学习模型，用于NFT价格预测。
• 评估行为指标（如搜索量）是否能在传统市场与元数据特征之外，进一步提升预测性能。
• 为去中心化数字资产市场中的NFT估值提供一个数据驱动的框架。

提出的方法

• 作者收集并整合三类数据：公开市场交易数据（如地板价、交易量）、NFT元数据（如集合、稀有度、属性）以及来自Google Trends的搜索趋势数据。
• 对所有特征进行预处理与归一化，随后使用线性回归作为价格预测的基线模型。
• 核心模型采用长短期记忆（LSTM）循环神经网络，以捕捉序列价格与趋势数据中的时间依赖性。
• 特征工程包括滞后变量与滚动平均值，以增强时间建模能力。
• 使用保留的测试集，通过平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R-squared）指标评估模型性能。
• 通过对比LSTM模型在有无搜索趋势特征情况下的表现，隔离其对预测的贡献。

实验结果

研究问题

• RQ1 不同NFT集合中，搜索趋势与未来价格走势的相关性如何？
• RQ2 公开市场数据与NFT元数据如何共同影响价格预测的准确性？
• RQ3 在使用时间序列特征预测NFT价格时，基于LSTM的模型是否能优于线性回归？
• RQ4 引入搜索趋势数据是否能显著提升机器学习模型对NFT的预测能力？
• RQ5 在NFT估值中，行为数据（如搜索量）与市场基本面的相对贡献是什么？

主要发现

• 与线性回归基线相比，引入搜索趋势数据使平均绝对误差（MAE）降低了15.7%。
• LSTM模型的MAE低于线性回归，表明其在捕捉NFT定价中的非线性时间模式方面表现更优。
• 搜索趋势与未来价格走势存在统计显著的相关性，尤其在高活跃度的NFT集合中更为明显。
• NFT元数据特征（如稀有度和集合类型）对模型准确率有显著贡献，尤其在与市场数据和趋势数据结合时。
• 混合模型（LSTM结合搜索趋势）优于所有基线配置，证明了整合行为数据与市场数据的价值。
• 表现最佳模型的决定系数（R-squared）达到0.82，表明其对观察到的价格波动具有较强的解释力。