你的NFT可以借出多少资金?两大NFT定价方法论

NFT 如何定价一直是一个有趣的话题。因为定价是一个不可避免的中间操作,包含着可计算和不可计算的两部分问题,在任何 NFT Fi 的应用场景下都需要解决。想要将 NFT 普遍应用到 DeFi 中,彻底激活 NFT 的流动性,首先我们需要对 NFT 这一资产价值做出尽可能真实且能被广泛接受的估值判断。

然而 NFT 由于以下三个方面,难以像传统金融资产一样被简单进行评估计算:

1.NFT 非同质化属性所导致其内生的主观性和非流动性;

2.NFT 的稀有度相对模煳,并且稀有度和价格水平不完全正相关;

3.NFT?价格波动剧烈(受团队和政策问题影响经常发生暴拉和暴跌)。

而如果定价机制无法得到很好的解决,那么 NFT 贷款交易等行为往往会因高风险而难以赢得市场信任,进而导致两个问题:

缺乏支撑交易池深度的充足流动性;

难以构建 NFT 形式的多样化金融衍生品。

为了解决这一问题,市场上越来越多 NFT 定价平台和新兴方法正在涌现。在这里我们可以简单将这些定价解决方案分为两类:

同行定价类: 又可细分为?(a) 主体评估定价和 (b) 流动池博弈定价;

预言机定价类:又可细分为?(a)TWAP 定价和 (b) 链下计算定价。

主体评估定价是目前主观性较强的一种定价形式。以 Taker V1 为代表的流动性借贷协议,可以通过将 DAO 的利益与贷款人的利益相结合,以主体评估和投票决策的形式对 NFT 进行白名单划分和定价,从而在一定程度上对贷款人所面临的风险敞口进行缩减。同时,这种方式对 NFT 资产的质量要求没有限制,可以被广泛应用于长尾和新兴 NFT 藏品的价格发现。然而这种方式对 curator 的判断能力依赖严重,并且其无法提供实时更新的 NFT 价格,整体效率较低。

Taker V1

Taker 是一个 NFT 资产的流动性协议,主要通过 DAO 的形式来为 NFT 借贷提供流动性,支持包括 NFT,证券,合成资产等在内的多种形式的资产。持有 TKR Token 后可获得 DAO 成员资格,参与决策借贷利率和公平定价等设计。同时,持有 TKR 也能通过质押获得额外收益。

Taker DAO?内部设有多个 curator DAO(sub-DAO), 每个 sub-DAO 可以自行管控自己的白名单及白名单上任何 NFT 的地板价以防借款人违约。此外,sub-DAO 的成员通过集体投票,决定将自有国库的资金投入特定类型的 NFT 资产上。比如有些 sub-DAO 可以只关注 Metaverse 土地类资产,有些 sub-DAO 可以只关注 pfp 艺术类资产。

英伟达为个人创作者免费提供元宇宙构建软件:金色财经报道,在周二拉斯维加斯举行的消费电子展上,英伟达向个人创作者和艺术家免费提供了实时 3D 设计协作和虚拟世界模拟平台 Omniverse 。Nvidia 表示 Omniverse 已被超过 100,000 名创作者下载。Omniverse 结合了图形、人工智能 (AI)、模拟工具和可扩展计算,帮助设计师和创作者从他们的笔记本电脑或工作站制作 3D 资产和场景。Omniverse 能够将通常使用不兼容工具制作的独立 3D 设计世界连接到共享的虚拟场景中。英伟达宣布为 Omniverse 扩展新功能,例如一键协作工具 Nucleus Cloud,以及英伟达合作伙伴构建的新连接器、扩展和资产库。新的生态系统合作伙伴包括 3D 市场和数字资产库 TurboSquid by Shutterstock、CGTrader、Sketchfab 和 Twinbru。(coindesk)[2022/1/5 8:25:41]

在 Taker 群体定价的模式下,完整的借贷流程如下:

1.Taker 社区成员(贷款人)向 DAO 存入资金。

2.DAO 铸造 DAO Token(TKR)以代表成员的股份。

3.Curator(发起人)对所发起的 DAO 中 NFT 藏品进行主观定价。

4. 借款人以 NFT 为抵押,根据 Curator 的评估价格进行贷款。

5. 借款人用利息偿还贷款。

6.DAO 成员获取奖励(根据利息收益率)。

7. 随着 DAO 的发展壮大,DAO 成员获得的收益累增。

流动池博弈定价机制和 defi 类似,主要是通过乐观的质押凭证机制,即由流动性提供者根据自己对价格的预期进行质押,从而将 NFT 的估值和流动池内的资产价格进行绑定。这也是一种很大程度上依赖于 LP 主观决策的定价方式,优势是其可以实现 NFT 的实时估值,将交易价值与真实价值挂钩,释放出更大的流动性。但其也存在定价机制复杂,不适用于对低价值的长尾 NFT 进行大量快速定价等问题。

Abacus

Abacus 是一个简单清晰的 NFT 估值系统,主要利用乐观 PoS 来创建一个以流动池为基础的 NFT 估值方法。Abacus 的估值方法分为两种,一种是我们上述提到的群体定价,另一种就是我们这里所讨论的流动性定价。其流动池内的价值折算成 ETH 就相当于是开池 NFT 的价值。在这种机制下,相当于制定了一套 ETH/NFT 的交易对,可以像 Opensea 一样对 NFT 价格进行实时反映。

AsiaOne正式上线VidyCoin,支持兑换Paragon商场现金券:AsiaOne是新加坡报业控股(Singapore Press Holdings, SPH)旗下的一家数字内容网站,该网站于1月15日正式上线VidyCoin,将使用Vidy技术来为用户提供数字货币激励,用户只需观看线上文章内嵌的视频广告即可获得VidyCoin,并可将其兑换成新加坡大型奢侈品商场Paragon的现金券。

据介绍,VidyCoin创建于2018年,是Vidy的原生加密货币。VidyCoin可以兑换Paragon商场的多品牌优惠券,如老虎堂(Tiger Sugar)、亚坤咖椰吐司(Ya Kun Kaya Toast)、Mala Mala、Irvin’s Salted Egg、罗勒泰式厨房(Basil Thai Kitchen)和无印良品(MUJI)。[2021/1/15 16:15:38]

基于其流动池定价方法,完整的借贷流程如下所示:

1. 开启池子:

a) NFT 非托管,所有者需要在池子上签名作为凭证 (proof of life);

2. 交易者将 ETH 锁在池中

a) 决定锁定的 ETH 的数量:如果资金池是 2eth,但交易者认为 NFT 价值 2.5eth,交易者可以把 0.5eth 放入资金池,现在资金池价值 2.5eth。

b) 决定锁定时间:如果交易者认为价格只会在当前价进行短暂停留,可以只锁定 2 周。相反,如果交易者对底价有信心,可以锁定更长的时间,从而获得更多的奖励。

3.NFT 所有者开启释放。

4.NFT 所有者发送贷款请求。

5. 所有权被转让给借贷平台。

6. 借贷平台检查现货规模和锁定时间。

7. 借贷平台发放贷款。

8. 一旦借款人未执行还款,NFT 将被立即拍卖。

预言机对 NFT 进行定价评估的典型方式就是基于简单的传统算法交易策略,在对 NFT 销售价格和底价进行加权平均计算,从而综合得到一个 TWAP(Time Weighted Average Price)。举一个简单的例子,如果我们想计算时间间隔为 1 个小时的 TWAP 价格,就可以取开始和结束的累计价格 P1 和 P2 的差值,以及开始时间 T1 和结束时间 T2 的差值,将两者相除,从而算出这 1 小时内的 TWAP。最为人所熟知的 TWAP 预言机包括 Chainlink 和 Uniswap 的 V2。

实际上 TWAP 定价是最容易实现和最高效的一种方式,只要通过集成、爬取和清洗 NFT 交易平台的价格数据,在设定的时间序列内选取多个价格取均值就可以降低恶意操纵的可能,提供一个能被接受的、相对准确的 NFT 价格。

然而 TWAP 并不是一个完美的解决方案,因为在极端市场环境下,当价格出现剧烈波动时,TWAP 预言机就很容易受到影响而变得不准确。因此 TWAP 被认为只适用于对市场活跃度较高,流动性较好,价格相对稳定的蓝筹 NFT 进行定价。

BendDAO

BendDAO 是解决 NFT 流动性问题的借贷协议,借款人可以通过抵押 NFT 借出 ETH 套现。目前 BendDAO 可以支持包括 BAYC、Cryptopunks、Azuki、MAYC、CloneX、World Of Women、Coolcats、CyberKongz 和 Doodles 在内的 9 种蓝筹 NFT 的借贷。

BendDAO 采取的 NFT 定价方式就是典型的 TWAP 定价。其通过和 chainlink 合作,调用多节点采集所抵押的 NFT 在 Opensea 和 LooksRare 两个交易平台的地板价,调用合约接口将地板价喂到链上后计算出对应的 TWAP,从而过滤掉交易平台价格波动的影响。由下图可见对 cryptopunk 这一藏品,预言机提供的地板价和成交均价、TWAP 是保持一致的。

与 BendDAO 类似,运用 TWAP 预言机进行定价的协议还包括 JPEG』d, DeFrag, DropsDAO,Pine 等。

基于 AI 和机器学习的链下计算也逐渐成为一种新兴的 NFT 预言机定价方式。由于 NFT 的非同质性,其主要的属性分类、稀有特征、历史销售数据等价值信息可以通过元数据分解用作模型指标。协议进而可以基于这一系列指标和数据集进行建模处理,从而给出一个相对可靠和准确的定价或定价区间。

这类估值方式具备极高的技术壁垒,对于长尾 NFT 资产相对友好,可以被认为是最具备大规模应用可能性的解决方案。但问题在于这种方法对算力和元数据要求较高,由于算法未公开我们也无法确定训练和拟合结果是否有效。并且 NFT 一旦属性特征发生变化,模型很可能就会失效,因此需要不断迭代。

Banksea

以 Banksea 为代表的预言机协议主要采用 AI 模型来训练 NFT 的数据集,从而针对不同 NFT 资产生成准确、高效的预测价格。其整体主要由采 b 层和 NFT 层的两个模组构成。

在采集层上,Banksea 会收集链上的 NFT 交易和上架记录实时计算出三类价格:市场地板价、AI 地板价和 24 小时均价。AI 地板价代表的是所有 AI 估值中的最低价,在市场出现剧烈波动或遭遇预言机攻击时起到一个风控和维稳的作用。

在 NFT 层上,Banksea 会通过提取 NFT 的多维度特征,基于时间序列进行 AI 模型训练,定期生成标准估值和估值范围两个结果。此外,其会将 AI 模型计算得出的估值,与实时交易价格进行拟合和回归验证,从而优化最终结果并缩小误差区间。

Banksea 基于 AI 模型的链下定价流程可见如下:

1. 外部 API 查询:监控和抓取综合 NFT 数据,来源包括交易平台、社交平台、公链和抵押平台等;

2. 数据聚合:将收集得到的 NFT 数据进行清洗,提取特征属性,输入到 AI 节点;

3.AI 建模:AI 节点集群根据输入的数据集进行模型训练和部署,计算出预测价格和风险分数,并将结果返回 Banksea 智能合约;

4. 数据提交:链上智能合约去除异常值后,提取出在合理区间内的数据提交给第三方程序。

除了 Banksea 以外,Upshot 和 NFTBank 等也提供基于 AI 中更细分的机器学习 (ML) 方法对 NFT 进行精准定价的预言机解决方案。此外如 Defi Kingdom、Axie Infinity 等都集成 AI 链下算法进行定价的社区工具。

最后,我们可以将目前市面上 NFT 定价两大范式中的四种具体解决策略通过下述几个维度进行概括梳理:

可以看到,目前不管是哪种估值方式,都存在一定的优缺点。我们期待着在不远的将来更多新兴的 NFT 定价方式被挖掘和完善。尤其是对于链下计算的预言机定价方式,我们相信随着技术进步和更多优质项目方的参与,更多的 AI 算法技术如深度神经网络(DNN)等可以被投入到拟合评估函数中,使定价决策树得到更准确和快速的修剪。

NFT 定价仿若围棋棋局,是看上去简单的复杂游戏,是一个由一连串决策构成的问题。我们可以用同行直觉判断范围,也可以用预言机算法预测未来。

而如果一定要追问什么才是好的定价范式?我认为问题的关键也许就像吴清源说的,不在于目算几遍、目算多远,而在于目算多广、多快和多准。

郑重声明: 本文版权归原作者所有, 转载文章仅为传播更多信息之目的, 如作者信息标记有误, 请第一时间联系我们修改或删除, 多谢。

区块博客

TUSD解读 USDD:穿过脱钩幻觉 寻找真实的稳定币

“人不能两次踏入同一条河流。” 前有UST的崩盘,而上月中旬孙哥的USDD也经历了一定程度的价格偏离。 USDD会重蹈覆辙吗?很自然的会联想到这个问题。面对市场的担忧,USDD官方发了一封公开信,对外界的质疑作了系统的解答。 比起看热闹、希望它垮台、FUD等情绪驱动的反应,分析公开信中的内容可能更有价值。 稳定币这个物种对于整个加密生态至关重要。

XMR加密生活:a16z Crypto 合伙人的一天

撰文:Elena Burger,a16z Crypto 交易合伙人 编译:Kxp,BlockBeats Info Diet 会邀请不同的建设者以自身的视角记录他们两天内会阅读和浏览的文章。今天我们有幸邀请到了现居纽约的 Elena Burger,她是 a16z Crypto 团队的交易合伙人,主要关注 NFT、Web3 媒体和基础设施领域。

MATIC比特币洗盘结束?业内人士:还得再跌 30%

多位业内人士告诉 CNBC,宏观经济形势的改善、项目或公司的进一步“洗盘/去杠杆化”、特定的技术面走势是比特币和更广泛的加密市场触底所需的关键因素,这可能意味着比特币进一步下跌至 13,000 美元左右(跌幅约30%)。 业内人士认为,这将有助于洗掉市场上“最后的弱手”(Weak Hands:形容易受消息面影响而追涨杀跌的散户交易者)。

币安app下载彭博社:市场崩溃下 SBF与他日益庞大的商业帝国

在 6 月的 14 天里,加密货币亿万富翁 Sam Bankman-Fried 进行了一场在行业历史上前所未有的交易狂潮。交易接踵而至,令人眼花缭乱:FTX 联合创始人兼首席执行官收购了两家公司,支持了加密平台 BlockFi,并试图用大笔贷款拯救另一家 Voyager Digital。

[0:15ms0-6:721ms