EvaluateNFT: помощь цифровым художникам и инвесторам NFT в принятии ценовых решений

Цифровые произведения искусства, торгуемые как невзаимозаменяемые токены, как известно, трудно оценить. EvaluateNFT стремится решить эту проблему с помощью машинного обучения.

Art NFT — это класс активов с низкой скоростью обращения, который очень сложно оценить.

В последнее время глобальный рынок невзаимозаменяемых токенов (NFT) резко вырос. Общий объем торгов NFT в 2021 году достиг 22 миллиардов долларов США по ​​сравнению со 100 миллионами долларов США в 2020 году. и др. 2021», Надини и др. 2021).

Тем не менее, беглый взгляд на раздел Искусство на OpenSea покажет значительный избыток художественных NFT, большинство из которых так и не были проданы. Причин этому множество, в том числе неправильный маркетинг, отсутствие присутствия артиста в социальных сетях, отсутствие фандома, неправильные цены и т. д. (CryptoMoogle 2021). И даже если работа будет продана, вряд ли в ближайшее время она снова перейдет из рук в руки (Franceschet & Read 2020; Nadini et al. 2021; Parker. 2021). В этом смысле художественные НФТ схожи с традиционными произведениями искусства (DrFazal 2019).

В сочетании с присущей им уникальностью такая высокая неликвидность художественных НФТ делает очень сложной их эффективную оценку. В свою очередь, это препятствует общему внедрению NFT и препятствует разработке новых финансовых продуктов, основанных на этом классе активов (например, индексы NFT, андеррайтинг долга против NFT и т. д. — см. Emmons 2020 , 2021; Хейс и др. 2021).

В этой статье представлена ​​EvaluateNFT, основанная на машинном обучении платформа оценки искусства NFT. Наша команда Next Game Solutions разработала EvaluateNFT, чтобы помочь цифровым художникам и инвесторам NFT принимать обоснованные ценовые решения. Мы сосредоточимся на особенно сложной проблеме — прогнозировании цен на произведения искусства, которые никогда ранее не продавались.

Оценка искусства NFT может осуществляться разными способами, каждый из которых имеет свои преимущества и недостатки.

Интернет-аукционы

Интернет-аукционы на таких платформах, как OpenSea, Rarible, Foundation, LooksRare и т. д., являются наиболее распространенным способом продажи произведений искусства NFT. Хотя использование онлайн-аукциона является естественным способом узнать цену, которую участники рынка готовы заплатить за произведение цифрового искусства, многие произведения искусства до сих пор не продаются по причинам, изложенным выше.

Одной из таких причин является неправильная запрашиваемая цена, которая может отпугнуть потенциальных покупателей. С одной стороны, слишком высокая цена может отпугнуть многих розничных инвесторов с небольшими карманами. С другой стороны, неоправданно низкая цена может быть воспринята инвесторами как отсутствие интереса к лоту (что также подразумевает меньшую вероятность перепродажи этого лота в будущем с целью получения прибыли).

Кроме того, онлайн-аукционы часто страдают от манипуляций с ценами, таких как фиктивные торги (создание завышенных объемов торгов) и подставные торги (искусственное завышение цен участниками торгов, участвующими в сговоре). В результате манипуляций с ценами инвесторы рискуют переплатить за соответствующие NFT и впоследствии столкнуться с трудностями при вторичной продаже (Hays et al. 2021).

Оценка на основе оценок

Экспертные оценки являются распространенным механизмом оценки, когда речь идет о традиционном (физическом) искусстве, антиквариате, недвижимости, коллекционных винах и других подобных активах с низкой оборачиваемостью.

Профессиональные оценщики, работающие в аукционных домах, обычно дают низкую и высокую оценку произведения искусства на основе множества факторов, включая личность художника, возраст произведения искусства, подпись, материалы, размеры, редкость, тему и т. д. Они также будет сравнивать оцениваемые произведения искусства с похожими предметами, недавно проданными на аукционах, и учитывать текущий рыночный спрос (Aubry et al. 2019; Bailey 2020). Важно отметить, что такой подход позволяет получить разумную оценку стоимости даже для произведений искусства, впервые выводимых на рынок.

Ретроспективный анализ более 195 000 лотов, проданных на Кристис и Сотбис в 2016 и 2017 годах, показал, что фактические цены на молоток попадали между высокими и низкими оценками оценщиков в 41% и 37% случаев соответственно. Этот результат предполагает, что оценки, основанные на оценках, действительно обеспечивают точные оценки в значительном числе случаев.

Ряд организаций (например, Оценочное бюро, NonFungible.com, Tamoikin Art Fund) и отдельные эксперты теперь предлагают услуги по оценке НФЦ. Однако на оценку может сильно повлиять опыт эксперта и его личные предубеждения. Ручная оценка также медленна, дорога и ограничена наличием экспертов (Aubry et al. 2019; Bailey 2020). Была предпринята попытка (приложение Upshot One) преодолеть эти недостатки путем агрегирования оценок NFT от группы децентрализованных псевдонимных оценщиков, которые финансово заинтересованы в честной оценке (Emmons 2020). К сожалению, на момент написания этой статьи казалось, что Upshot One все еще находится в разработке.

Автоматизированная оценка на основе машинного обучения

Учитывая большое количество художественных NFT на рынке, существует очевидная потребность в автоматизированной и масштабируемой оценке их стоимости. Неудивительно, что в последнее время с использованием машинного обучения был разработан ряд таких автоматизированных систем. Примеры включают, помимо прочего, NFTBank, Upshot, DeepNFTValue, Zodiac NFT, NFTValuations и Ginoa.

Эти системы отличаются степенью зрелости и лежащими в их основе методологиями машинного обучения (см., например, Emmons 2021; Ryker 2021; Яковенко 2021). Тем не менее, большинство из них похожи тем, что в настоящее время они сосредоточены на часто торгуемых коллекциях NFT (например, Cryptopunks, Bored Ape Yacht Club, Meebits и т. д.), отдельные элементы которых могут быть описаны дискретными признаками (например, предыстория, одежда). », глаза, мех, шапка и рот в случае яхт-клуба Bored Ape). Благодаря этим четко определенным характеристикам и наличию исторических цен действительно часто можно довольно точно предсказать будущие цены на соответствующие товары (Emmons 2021; Ryker 2021; Яковенко 2021). Это наблюдение согласуется с результатами использования машинного обучения для оценки физических произведений искусства (Aubry et al. 2019; Bailey 2020).

В то время как первоначальный акцент на высоколиквидных коллекциях с идентифицируемыми чертами имеет смысл, гораздо большая часть произведений искусства NFT, доступных сегодня на рынке, не может быть ни описана с использованием таких дискретных черт, ни у них нет истории продаж (см., например, Коллекции Art Blocks на OpenSea). Именно здесь в игру вступает наша платформа EvaluateNFT.

EvaluateNFT имитирует традиционный процесс оценки произведений искусства.

Как упоминалось выше, эксперт-оценщик, оценивающий физическое произведение искусства, обычно

• оценить различные ключевые характеристики этого произведения искусства,
• сравните его с похожими товарами, проданными ранее, и
• учитывать текущий рыночный спрос.

EvaluateNFT стремится имитировать этот традиционный процесс при прогнозировании цен на NFT, у которых нет истории продаж. Это делается следующим образом.

Извлечение ключевых характеристик изображения запроса

В своей текущей реализации EvaluateNFT делает это, пропуская изображение запроса (то есть оцениваемое изображение NFT) через сверточную нейронную сеть и получая векторное представление этого изображения. Здесь предполагается, что визуальные свойства изображения запроса (закодированные в его векторном представлении) являются одним из основных факторов, определяющих его рыночную стоимость. Конечно, это довольно сильное предположение, так как может быть много других важных факторов, таких как личность автора, принадлежность изображения к популярной коллекции, контекст, в котором автор пытается продать это изображение и т. д. Тем не менее, существующие исследования показывают, что визуальные свойства действительно являются важным фактором, влияющим на рыночную стоимость произведения искусства (Aubry et al. 2019; Nadini et al. 2021).

Поиск похожих, недавно проданных произведений искусства

Наличие векторного представления визуальных характеристик изображения запроса позволяет выполнять поиск сходства. В EvaluateNFT этот поиск выполняется по индексу векторных представлений тысяч NFT, которые были проданы. раньше и чья ценовая история, следовательно, известна. Данные, используемые для построения этого индекса, берутся с рынка OpenSea через его API.

Операция поиска возвращает до трех наиболее похожих изображений вместе с информацией об их уровне сходства, дате последней продажи, цене последней продажи и общем количестве зарегистрированных продаж. На рис. 1 показано, как выглядят результаты поиска. Важно отметить, что EvaluateNFT выполняет поиск сходства с NFT, которые были проданы недавно, то есть в течение последних нескольких месяцев. Такой подход повышает актуальность сравнений, поскольку учитывает текущий рыночный спрос и ценовые тенденции.

Оценка цены изображения запроса

Наконец, мы используем запатентованную модель прогнозирования, которая оценивает цену изображения запроса (выраженную в ETH) на основе цены последней продажи и других точек данных для аналогичных NFT, возвращаемых поиском сходства.

Важно отметить, что наша модель дает не только точечную оценку (т. е. наиболее вероятную цену), но и 90-процентный интервал прогноза (т. е. интервал, в котором истинная цена, вероятно, будет в с вероятностью 90%; рис. 2). Нижняя и верхняя границы этого интервала являются показателем ценового диапазона, который обычно предоставляет оценщик-человек. Наличие такого интервала прогнозирования имеет решающее значение на практике, поскольку позволяет художникам и инвесторам NFT понимать неопределенность, связанную с заявленной оценкой, и, таким образом, принимать более обоснованные ценовые решения.

EvaluateNFT дает разумные оценки цен, но есть возможности для улучшения

Мы использовали следующие две метрики для оценки точности прогнозов, которые EvaluateNFT производит для произведений искусства без предыдущей истории продаж:

• медианная относительная ошибка (MRE) оценок цены пункта;
• эмпирическое покрытие интервалов прогнозирования, т. е. процентная доля наблюдений из набора заблокированных данных, которые фактически попали в соответствующие 90% интервалов прогнозирования.

Чтобы рассчитать эти показатели, мы использовали прогнозы для набора данных, который содержал 330 художественных NFT, впервые проданных в начале февраля 2022 года.

MRE в этом наборе данных удержания составил ок. 40%. Это означает, что оценки точечной цены, сгенерированные нашей моделью, обычно отличались (в любом направлении) не более чем на 40%. Это значение значительно выше, чем MRE, заявленные для прогностических моделей, используемых в Платформе Upshot (8%–19%). Однако модели Upshot дают оценки цен для высоколиквидных коллекций и, таким образом, не могут быть напрямую сопоставимы с нашим результатом для NFT без истории продаж. Тем не менее, MRE, о которых сообщает Upshot, по-прежнему полезно сравнивать, поскольку они служат индикатором дополнительной точности, которую потенциально можно получить, включив историю продаж в модели ценообразования для NFT.

Интервалы прогнозирования нашей модели показали эмпирическое покрытие 92 %, что очень близко к теоретическим 90 %. Возможно, этот обнадеживающий результат более важен с практической точки зрения, чем производительность модели с точки зрения MRE. Статистически надежный интервал прогнозирования дает более полезную информацию о возможной цене оцениваемого произведения искусства, чем одноточечная оценка.

На рис. 3 показаны точечные оценки и их 90-процентные интервалы прогнозирования, полученные с помощью нашей модели ценообразования для 50 NFT, случайно выбранных из набора данных удержания (обратите внимание на шкалу log Y). Можно видеть, что большинство интервалов прогнозирования достаточно узки, а это означает, что модель достаточно точно определяет, где находится истинная цена.

Однако некоторые интервалы очень широки, что отражает высокую неопределенность в отношении истинной цены. Например, нижний предел прогноза для 50-го NFT на рисунке 3 составляет 0,26 ETH, а верхний предел простирается до 31,15 ETH (см. также рисунок 2). Эта высокая неопределенность в отношении некоторых прогнозов является следствием чрезвычайно высокой (но естественной) вариации цен среди произведений искусства, на которых обучалась модель. Требуются дополнительные исследования факторов, которые могли бы помочь в объяснении этой вариации и дальнейшем улучшении модели. Наша команда постоянно работает над такими улучшениями, и мы будем сообщать о них здесь, на Medium.

Заключение

EvaluateNFT — это новая платформа для оценки искусства NFT на основе машинного обучения. Он был создан для решения особенно сложной задачи — предсказания цен на произведения искусства, которые ранее не продавались. В настоящее время на рынке существует много тысяч таких бездействующих произведений искусства, и мы надеемся, что EvaluateNFT поможет активировать эти неиспользованные активы и способствовать дальнейшему внедрению технологий NFT и блокчейна.

Теперь зайдите на evaluatenft.io и попробуйте! Наша команда Next Game Solutions хотела бы услышать ваши отзывы и предложения о том, как мы могли бы улучшить EvaluateNFT — просто напишите нам или оставьте свои комментарии под этой статьей.

Вам также может понравиться: