摘要

在这里，我们分析了2017年6月23日至2021年4月27日期间470万个NFT的610万次交易的相关数据，这些数据主要从以太坊和WAX区块链上获得。 1. 我们刻画了市场的统计学特征。 2. 我们建立了互动网络，表明交易者通常专注于与类似对象相关的NFT，并与交换同类对象的其他交易者形成紧密的集群。3.我们根据视觉特征对与NFT相关的物体进行聚类，并表明收藏品包含视觉上同质化的物体。4. 我们使用简单的机器学习算法研究了NFT销售的可预测性，发现销售历史和视觉特征是价格的良好预测因素。我们预计这些发现将激发对不同背景下的NFT生产、采用和交易的进一步研究。

The NFT market.

NFT 是以 collections方式组织起来的。大部分collections可分为以下几个目录：
Art, Collectible, Games, Metaverse, Other, and Utility (see also “SI”).

图1 a 显示了每个目录下占比最大的五个collections，其中面积大小表示占比

我们衡量了不同类别的非传统金融产品对整个NFT市场规模的贡献程度。Fig. 1b,c 各类资产和所有资产的每日交易量（以 各类资产和所有资产在一段时间内的交换量（见图例）。交易量低于1000美元的日子不显示。c 按类别划分的交易量份额。(d) 按类别划分的交易份额。

NFT市场统计学规律


为了评估市场活动，我们衡量了个人资产交易的频繁程度。我们定义 asset’s primary sale 资产第一次交易的价格。其他的交易为econdary sale (see “SI”).本研究中考虑的所有资产都有一次销售，但只有20%∼的资产有二次销售（见 “SI”）。

Fig.2a 我们通过观察NFT价格在不同类别中的分布来进一步挖掘这些差异

见上图Fig. 2b，本文统计了每项资产的销售数量 s ( s ≥ 10 )s (s \geq 10)s(s≥10) (Distribution of number of sales per NFT) 遵循幂律分布（power-law function）分布函数：
P(s)∼ s β,β=−1.4P(s) \sim s^{\beta} , \beta = -1.4 P(s)∼sβ,β=−1.4

Fig. 2c collections 的大小 n 符合幂律分布 P ( n ) ∼ n − 1.5 P(n) \sim n^{-1.5}P(n)∼n−1.5

Secondary sale prices


二次销售的时间模式对每个收藏品来说都是独特的，考虑到每个类别的顶级收藏品就可以证明这一点（见图3）。例如，当Cryptokitties在2017年出现时，二级销售价格通常低于其首次销售的价格。而最近在2021年，他们的二次销售价格反而是 因为潜在客户数量的增加而上升。

The networks of NFT trades

network of trades ：

  1. 点：traders
  2. 边：a trader to another exists if the former (the buyer) purchases at least one NFT from the latter (the seller).
  3. 权重：total number of items that the buyer bought from the seller.

Fig. 4a ：
the strength of traders (nodes) s, defined as the total number of purchases and sales made by each trader
P(s)∼ s −1.85 P(s) \sim s^{-1.85} P(s)∼s−1.85

Fig. 4b
superlinear relation between the strength of a trader and the total number of days of activity d
P(d)∼ d −1.28 P(d) \sim d^{-1.28} P(d)∼d−1.28

Fig. 4c
whether traders connect preferentially to traders that have similar strength？
交易者是否会优先连接到具有类似实力的交易者？本文研究了Assortativity coefficient（同配系数） r = − 0.024r=−0.024r=−0.024. 所以交易者不会根据其连接模式的相似性与其他交易者连接。

Assortativity coefficient（同配系数）

modularity显示了，专门从事某一系列的交易商倾向于与专门从事同一系列的其他交易商购买和出售NFTs。 Q = 0.613Q = 0.613Q=0.613

模块度Q——复杂网络社区划分评价标准

network of NFTs

  1. 点 NFTs
  2. 边：two NFTs that are purchased “in sequence”
    例如，当买方先购买一个NFT，然后再购买另一个NFT时，就会产生一个链接，而在这两个NFT之间没有购买。这种选择不是将同一交易者曾经交易过的所有NFT联系起来，而是允许理解语义相似的NFT之间的关系，因为它们是由同一交易者在大约相同的时间段内购买的。此外，它还能确保网络结构不被大集团所支配。
  3. 权重

network of NFTs 是如何构建的

我们用 N F T i , j , k , n NFT_{i,j,k,n}NFTi,j,k,n​标识NTF，时间用 t α , β , γ t_{\alpha , \beta, \gamma}tα,β,γ​

假设一个用户

  1. 在时间 t αt_{\alpha} tα​购买了NF T iNFT_{i} NFTi​
  2. 在时间 t βt_{\beta} tβ​购买了NF T jNFT_{j} NFTj​，且时间 t β> t αt_{\beta} > t_{\alpha} tβ​>tα​，则在时间 t βt_{\beta} tβ​，network of NFTs 构建一条 NF T iNFT_{i} NFTi​到NF T jNFT_{j} NFTj​的边
  3. 在时间 t γt_{\gamma} tγ​购买了NF T kNFT_{k} NFTk​，且时间 t γ> t βt_{\gamma} > t_{\beta} tγ​>tβ​，则在时间 t γt_{\gamma} tγ​，network of NFTs 构建一条 NF T jNFT_{j} NFTj​到NF T kNFT_{k} NFTk​的边

Visual features

本文提取所有NFT的图片（视频，gif取一张图），过一个预训练的AlexNet网络，得到4096维的特征向量。

差异

衡量图片的差异：使用cosin距离（简写为CD） C D ∈ [ 0 , 1 ]CD \in [0,1]CD∈[0,1] 越相似值越小
下图显示了每对图片之间的cosin距离，可以看出 每个类别内部之间的差异很小，不同类别差异很大。

预测价格

为了通过图片预测价格，本文把4096维的特征向量讲过PCA降维，然后使用一个线性回归的模型来预测价格。
得到的线性模式如下

该线性模型有11个特征，可以分为三组：

  1. 根据 trader network计算得到的网络中心度： 本文计算卖方和买方的 kk k (degree centrality)和 PRPR PR( PageRank centrality)，共四个特征 k buyer ,P R buyer , k seller ,P R seller k_{buyer}, PR_{buyer} , k_{seller} , PR_{seller} kbuyer​,PRbuyer​,kseller​,PRseller​
  2. 图片特征：由PCA降维得到的 vi s PC A 1,2,3,4,5vis_{PCA_{1,2,3,4,5}} visPCA1,2,3,4,5​​
  3. 在NFT的收藏中，以前的销售历史: 销售中位数前 t st_s ts​的销售价格 medianpricemedianprice medianprice和二次销售预售的先前概率 P resale P_{resale} Presale​

其中 P r e s a l e P_{resale}Presale​

where n represents the NFTs with a primary sale up to the day before the first purchase and s the number of these
NFTs with at least one secondary sale.

降维——PCA（非常详细）

技术总结

估计概率密度
图分析（不会）
深度学习提取图片特征
PCA降维