您的位置 首页 Defi-NFT

深度解析NFT预言机赛道:对比Abacus、Upshot和Banksea项目

原文标题:《NFT 预言机赛道分析》

原文作者:DaPangDun、zhihong、realAlitta

一、引言

承接上篇,我们分析了NFT 的流动性问题,在文章中,我们指出:

NFT 要想与 DEFI 进行结合,其中非常重要的基础设施就是「NFT 预言机」。

本篇我们将与大家一起探讨市面上 NFT 预言机相关项目及其所采用的的定价机制或模型,以全面了解这个赛道当前的发展方向和发展情况。

二、项目调研

我们搜集了目前针对 NFT 价格的预言机项目,主要有:

Abacus 、Upshot、Nftgo、Banksea

其中 Nftgo 暂时未查找到关于其相关的预言机机制,官网说会开发,估计没做好,所以排除。

我们来一个个了解

1、Abacus

主网站白皮书相关资料

1.1 介绍

Abacus 有两套定价机制:

1)同行激励定价(在上一篇文章中已经详细说明了,参考 3.5

Abacus 的同行激励定价模型介绍

2)Abacus Spot(在上一篇文章中已经详细说明了,参考 3.5

**Abacus Spot 通过为交易者创造一个流动市场来推测 NFT 池的价值,实现对 NFT 实时估值。**流动性是由交易者最初进入资金池并在其整个生命周期内进一步铸造产生的。该协议通过要求所有者通过向持有人支付费用或通过公开拍卖将收益与池中的流动性交换来退出,将 NFT 交易的价值与真实的 NFT 价值挂钩。

1.2 它是如何工作的?

1.2.1 创建一个池

1)NFT 所有者首先将其 NFT 存入池库,选择退出费用,代表其 NFT 池的 Token 的初始 NFT 估值。NFT 现在被锁定在池中,提取它的唯一方法是支付退出费或在拍卖中出售。

2)开始对池 Token 进行荷兰拍卖(以初始 NFT 估值),并在 Token 的初始供应售罄后结束。起始估值基于拍卖期间提供给金库的 ETH 总量。例如,如果总共以 0.1 ETH 的价格出售了 100 个 Token ,则 NFT 的估值从 10 ETH 开始。

当矿池处于活动状态时,矿池所有者拥有「凭证」,这使他们有权通过向 Token 持有者支付退出费或在拍卖中出售来从池中提取 NFT。使用凭证,NFT 所有者可以使用池子反应出来的价值进行交易、借贷或借贷。此外,池子所有者会收到由池子的交易量产生的交易费用,类似于典型的 DEX 流动性提供者。

1.2.2 贸易

1)创建池后,可以开始交易。该池作为自动做市商 (AMM) 进行。

这是 NFT 实时价格的由来:池子的价值就是 NFT 的实时价格。

2)如果 NFT 被认为被低估,可能会急于购买池中的 Token ,如果池中的 Token 供应量不能覆盖 NFT 的估值,买家将会把池子买空。因此,在矿池 Token 供应枯竭的情况下,有兴趣的投机者可以以溢价铸造新 Token 。

1.2.3 保险库关闭

保险库关闭以两种方式之一发生:

1)关闭拍卖

提取锁定的 NFT 的第一种方法是拍卖 NFT(所有者可以参与)。为了发起拍卖,所有者开始投票,必须通过 Token 持有者投票批准。在拍卖开始时,交易被锁定,不允许其他用户进入或退出流动池。拍卖结束后,

–NFT 的拍卖价格将给予 NFT Token 的所有持有者,根据所有权的比例来分配(有可能亏有可能赚)

–中标人获得 NFT

–NFT 所有者获得池子的价值

2)给退出费退出

NFT 所有者支付退出费赎回 NFT,退出费将由所有 Token 持有者按所有权比例来分配。由于矿池将相互竞争流动性,我们预计退出费用百分比将达到市场平衡,因为所有者必须选择足够高的退出费用来激励参与。

相关示例可以参考上一篇文章中的部分内容(参考 3.7.3

Abacus Spot 示例  

1.3 Abacus Spot 的意义是什么?  

1.3.1 借贷

因为 NFT 的价格就是池子的实时价值(因为是博弈的,所以可以反映 NFT 的实际价值),所以就可以无缝参与借贷。

1.3.2 杠杆位置

有趣的是这个定价方式允许 NFT 所有者使用杠杆(NFT 所有者自己在流动性池子里面去买,相当于使用了杠杆)。

事实上,据官方介绍,除了购买 Token 外,交易者还有机会做空他们认为被高估的 NFT 池。

2. Upshot

主网站相关资料

2.1 介绍

Upshot One 致力于成为市面上通用的 NFT 预言机项目,其定价机制目前经历了两个阶段:

1)问答协议

2)机器学习

2.2 问答协议

通过设计出一系列机制让代理们(回答问题的人)诚实且高质量地回答问题,然后再选择出最高质量的答案作为问题的「答案」。

2.2.1 过程

1)提问:提问问题然后列出选项

2)回答:代理人下注后回答问题

3)选择:代理人根据他们下注的份额随机选择回答问题

4)评分:对选定代理的答案进行评分并作为问题的解决方案

5)分叉:如果攻击成功或反映不同的偏好,可以分叉一系列问题和答案

步骤一:提问

任何人都能在 Upshot 上提问,但必须遵循以下规则

1)列出他们问题的可能答案(例如「是或否」或是「大于小于」)

2)说明代理人应该对他们的答案有多大的信心(信心的具体衡量方式就是代理人所投入的赌注总量)

3)定义过滤标准,限制可以考虑哪些人的答案(例如「持有 X 治理令牌的人」或「此 beta 测试人员白名单上的代理」)

4)支付奖励给成功代理的费用,以任何货币支付

步骤二:回答

代理人投入赌注,然后尽可能地诚实去回答更多问题。而越高的赌注代表越高的信心,越可以回答更多的问题,也越有可能被当作最终的答案。

步骤三:选择

Upshot 会通过「无替换随机抽样」3 个代理作为后续的被评分的答案。

1)采用无替换抽样确保是确保「创建许多假账户,每个账户都持有少量赌注永远不会比一个大量赌注的账户直接投注更有利可图」。

2)随机抽样需要一个随机种子以确保抽样是真正随机,不可预测的。Upshot One 通过两步程序确保随机种子。首先,种子是在选取之前提前选择的,而会在未来的区块中被选择,这在其创建之前是很难预测的。其次,在选择的区块链被实际计算后,它被用作 Chainlink 的可验证随机函数(VRF)服务的输入,该服务输出加密安全的随机数,而这个输出的随机数就用作 Upshot One 的代理选择的随机种子。

步骤四:评分

将选定的代理答案提供给 Upshot One 的对等预测机制,以试图在没有任何验证手段(即不一定有基本事实)的情况下引出诚实的信息。而这个对等预测机制具备非最小机制、多任务以及 DMI 机制的特性。

解释几个名词:

【非最小机制】:就是要求参与者提供超出答案本身的信息。也就是说,他们询问参与者其他人说出与他们相同答案的概率有多大,而得分最高的是「最不惊讶」或「最不出错」或「最具预测性」的参与者。

【多任务】:就是让代理们回答尽可能回答更多问题来增加答案的相关性

【DMI 机制】:就是指至少三名参与者必须回答至少 2C 个问题(其中 C = 可能答案的数量,因此「是或否」问题的 C = 2)才能对任何一组答案进行评分。参与者的答案被汇总到列中,并按他们各自的问题进行索引。

这些列相互配对,然后分成两半。每个「半列配对」都被转换为一个矩阵,其中列出了参与者之间重叠答案的数量。对于「是或否」问题的二元问题,将形成一个 2×2 矩阵,然后计算矩阵的行列式并乘以另一个矩阵。

如果一个代理人总是说「是」,尽管对某些问题的诚实答案是「是」和「否」的混合,那么,每当一个矛盾的代理人与一个诚实的代理人配对时,他们的分数就会更低。

步骤五:分叉

一个问题的本质上可能是主观的,并且人们可能希望再次决议(例如,如果你说「是」,你喜欢这个服装,但问题被解决为「不」,那么也许你应该使用不同的一系列解决方案来策划你的时尚),因此 Upshot 允许分叉(即脱离)一系列决议。

2.2.2 结果

Upshot 原定计划利用这种问答协议来定价市面上的 NFT,例如询问该 NFT 的定价是否在 1~2ETH 之间,或是 X NFT 是否比 Y NFT 价格更高等来确定 NFT 的定价,但这种方式有明显的缺点:

1)不容易可扩展,如果 NFT 市场规模太大了,如果要精确定价的话问题量过于庞大,并不适用于这个瞬息万变的大规模 NFT 市场;

2)结果评估的不是很准确。

所以项目方就放弃了使用这种问答机制定价 NFT,转由具有高扩展性、高准确性、高效率的机器学习(ML)来给予 NFT 一个全自动且更平滑的定价。

2.3 机器学习模型

Upshot 的机器学习模型是基于历史销售数据和 NFT 元数据来综合分析和预测,而基于这些很有参考价值的信息和历史销售数据转换成更密集和丰富的数据集,而不是仅仅依靠单个 NFT 的价格趋势,以此生成准确、可靠的定价。

2.3.1 介绍

1)机器学习模型会提取历史销售数据、出价/要价和 NFT 元数据,以根据这些信息构建特征,从而生成准确、可靠的定价。

2)通过检查它们对训练过程中未使用的数据的准确性来验证预测,并通过将模型的预测与实际销售价格进行比较来获得误差范围。

3)预测的价格和误差范围都为 NFT 买家、卖家或开发者在 NFT 经济之上构建产品提供了有用的信息。

机器学习模型能够整合更简单模型未考虑的数据,例如汇集 NFT 的销售历史以预测单个 NFT 并利用一系列 NFT 元数据。目前项目的大部分研究工作都集中在构建不同的预测变量上,使用自动化方法来发现最重要的变量,并通过迭代获得一个精简但强大的模型。

2.3.2 特点

Shapley 值

该模型使用 Shapley 值来揭示模型中使用的不同变量的重要性。

这有助于解释复杂的 ML 模型如何达到其预测的 NFT 价格,这对于进一步开发模型和理解意外预测很有用。

这样的分析也有助于直观地了解 NFT 价格的潜在驱动因素,并确定对每个 NFT 项目真正重要的变量。

稀有度数值

模型会根据 NFT 的属性组合构建稀有度数值,背后的基本思想涉及计算观察 NFT 属性的概率。这个概率越高,稀有度得分就越低。概率越低,就越稀有,从而产生更高的稀有度分数。

目前模型实现了对这些概率的快速近似,因为在给定大量可能的组合情况下精确计算它们在计算上是复杂的。除了计算一阶稀有度分数外,同时模型还计算了二阶分数,该数值不仅考虑了观察到具体属性的概率,还考虑了该组内不同成对的属性组合的概率。

这种计算稀有度的方法可以扩展到任意高阶稀有度以及 CryptoPunks 之外的其他 NFT 项目,其中一组固定的 NFT 以固定的稀有度数值发布。随着时间的推移发布新 NFT 的项目,可能具有以前从未见过的新特征,需要更复杂地计算稀有度数值。

3、Banksea

主网站相关资料

3.1 介绍

Banksea 旨在建立一个创新、安全、高效的基于 NFT 池的借贷中心。

协议主要有两个功能:NFT 价格预言机、基于 Pool-based 的 NFT 借贷平台。前者是后者的基础。本篇我们将只介绍 NFT 价格预言机这一部分。

3.2 NFT 价格预言机

Banksea Oracle 架构  

Banksea Oracle 由三部分组成:AI 节点集群、链上合约、合约接口。

【AI 节点集群】:爬取 NFT 相关数据、提取 NFT 特征、AI 模型计算。

【链上合约】:由分布式 AI 节点提供的汇总价格,以提供最终的 NFT 价格和风险评估。

【合约接口】:对接 NFT 生态和项目,支持定制化定价机制开发,支持用户单 NFT 价格查询。

3.2.1 报价生成过程

1)获取多维度数据

实时监控和抓取行交易平台行情数据、社交媒体数据、以太坊和 solana 的链上 NFT 数据,为 NFT 估值提供数据支持。

2)数据聚合清洗

将不同维度的 NFT 数据聚合、清洗,生成 NFT 模型所需特征。

3)AI 节点集群

根据构造的 NFT 特征历史数据训练模型,部署模型,提供 NFT 报价及评估风险小大。

4)链上合约

数据通过链上聚合数据发送给数据需求方。所有节点的预言机都将数据发送到链上的智能合约中,智能合约通过一定的逻辑去除异常值后,取出合理的数据提供给数据需求者。

5)合约接口

AI 节点会定期向预言机程序提供数据,预言机程序会将数据汇总并保存。第三方程序可以读取保存的数据。提供 Rust 和 JS 接口请求合约。

3.2.1 如何防止预言机被攻击

1)NFT 项目白名单制:项目方会根据一定的规则动态调整能用来报价的 NFT 的系列有哪些

2)报价、风险评估双 AI 模型,并且输入数据维度多样化:AI 节点除了报价模型外,还有一个风险评估模型用来评估 NFT 的风险

3.2.3 如何应对 NFT 大幅度价格波动?

1)实时估价,实现分钟级甚至秒级监控

2)通过白名单过滤有质量的 NFT 资产

三、对比分析

我们小组通过对上述几个项目的调研,进行了多次讨论,形成了一些看法,与大家分享一下。

Abacus Spot

优点:

价格是反应 NFT 实际价值的:因为经过了市场参与者的博弈,虽然可能有偏差,但是是偏向于趋近于价值的;

价格自动实时的:在 AMM 市场会实时反映价格,也能通过提供 API 来获取。

缺点:

大规模应用很难:因为每个 NFT 都需要走一次荷拍,不方便做自动化,效率也不高;

拓展比较难:当池子关闭了,价格就消失了,那基于价格的衍生品就完全没法做。

现状:

目前我观察其 Discord 活跃度很低,当然也存在人员在做事无暇管理的可能性;

在池子建议引入 AMM 后,事实上就不用管了,不消耗其他的东西,但是怎么吸引人或者专门提供流动性的供应商来做这个 AMM,是一个非常需要考虑的点;

目前项目还在开发阶段。

评价:

因此,我们评价 Abacus Spot 即使成功,也只会针对一些高净值的 NFT,然后将这些 NFT 的价值释放出去,介入到类似于借贷这样的 DEFI 里面。它不大可能成为大规模 NFT 定价的基础设施。

Upshot

优点:

采用机器学习的算法来预测 NFT 的价格,具备大规模定价的前景;

根据官网介绍,在给出价格的同时,会给出价格的误差区间,这对于 NFT 的各个参与方都是一个很好的价格提示;

虽然未给出具体的 Maching Learning 的算法机制,但是给出了其中的一些细节(比如变量重要性分布、稀有度等),并给出了一些预测案例,整体上感觉比较务实;

据技术人士了解,Upshot 的团队是很厉害的,其也有开发定价机制的经验(问答协议)。

缺点:

机器学习这种模型本身的缺陷:

1)需要大量的数据进行训练,目前来说,有效的 NFT 历史元数据到底够不够,能不能够训练出合适的模型;

2)通常来说机器学习算法容易出现过拟合的问题,该怎么解决,是否需要不停的迭代;

针对不同的项目,机器学习需要关注的属性特征是不同的,也就是说,不同的 NFT 系列会需要训练出不同的模型,这其实对于扩大市场是不利的;同时,当 NFT 出现属性的增减时,模型也会在一定程度上失效从而需要迭代更新,这也是一个需要解决的棘手问题。

现状:

Discord 人数虽然不多,但是还是有一定的活跃度,项目方也获得了新一轮的融资,相信做事更有干劲了;

目前项目方开放了 API 的测试申请,还有 Beta 版本的测试,可以参与一下;

项目方暂时没有发布任何关于发行 Token 的计划和资料,主要精力都花在打造实时 NFT 评估系统上。

评价:

我们对 Upshot 的评价是很高的,这种基于 NFT 历史元数据的机器学习模型使 NFT 获得实时价格成为可能,从而使 NFT 与 DEFI 可以走到一个历史交汇点;

其有可能成为未来 NFT*DEFI 的一个基础设施;

当然,我们也需要注意:但是由于不是简单的算法机制(比如加权机制),价格会具有很高的不确定度,价格的可信度完全取决于模型给出的结果及误差区间,有待观察未来的表现情况。

Banksea

优点:

采用 AI 模型来训练 NFT 的数据集,从而产生准确、高效的预测价格,相对于 Upshot,在数据集上引入了更多关联数据:比如社交数据、媒体数据等,在一定程度上丰富了数据的维度;

动态 NFT 白名单过滤机制筛选优质项目,结合多维度数据源+AI 模型+多节点奖惩机制的报价模式使报价更合理;

项目方同时开发了借贷机制:在借贷方面,给贷方风险敞口让愿意担风险的用户获得更高的利息,不愿意担风险的用户获得稳定收益;对抵押方,设定预清算缓冲期,给抵押方足够的时间免于被清算;

经济模型上看,协议通过从向保险资金池收保费+协议收入分配的结合的方式为坏账准备了安全资金池,并通过协议支持模块预防资金池枯竭的风险,让协议能抵御黑天鹅以更稳健的方式运行;

缺点:

AI 作为机器学习的一种,也具有上述 Upshot 项目中可能的问题:数据集能否训练出合理的模型问题、过拟合问题、不同 NFT 系统需要不同模型问题、NFT 特征变化需要迭代模型问题;

官方未给出 AI 模型的机制原理,这一部分的源代码据管理人员回复也不会开源,所以效果需要打一个问号;

相关借贷机制的资料和文献目前没有更新出来,只有清算这一部分的资料;

据官方介绍,会提供分钟级甚至秒级的价格响应,这到底能不能实现,是否需要消耗大量的算力来计算,这也有待持续跟踪观察。

现状:

作为 Solana 黑客松的优胜项目,关注度非常高,Discord 人数很多;

2022 年 4 月份将开启 IDO,热度高是好事也是坏事,有可能一级市场的估值直接拉满,我们做了一个推算:一级市场估值大概在 1 亿美金左右;

最新一期的 Gitcoin13 捐赠里面包含了 Banksea,如果有捐赠的可以去 Discord 申请 OG 身份,根据管理员介绍,会有空投;

其在 1 月份发行了 CitizenOne 的 NFT,持有 NFT 可以享有一些权限,有兴趣的朋友可以研究一下,目前在二级市场是可以交易的

评价:

我们对 Banksea 是高度肯定的,其设计理念首先就经过了黑客松的严格检验,其 AI 模型、借贷机制从逻辑上都是非常合理的。

其在定价上引入了更多维度的数据来保证定价的准确性,在借贷上引入了风险 AI 机制来保证借贷的资金安全和清算风险。

其很有可能是成为 NFT*DEFI 的一个预言机基础设施,并具备完好的对接 DEFI 的项目。

当然,我们也需要注意:我们需要观察项目的落地效果和实际表现情况。

对比

我们通过几个维度对 Abacus、Upshot、Banksea 进行了对比:

几个预言机项目对比  

四、总结 

1、总体思考

在上一篇关于「NFT 流动性」的文章中,我们就指出:

NFT 预言机是 NFT 提高流动性最重要的基础设施,也是使 NFT 与 DEFI 进行结合的基础。

我们非常赞同 Upshot 项目方的一句话:

可信的 NFT 估值是大规模采用的关键。

因为:

1)通过 NFT 的实时定价,NFT 才能和 DEFI 真正结合;

2)NFT 价格的信息透明度会导致市场活动增加:参与者更容易评估 NFT 的工具可以显着降低新用户的入职成本,为卖家带来更大的收入,并增加市场的整体活动;

3)NFT 的实时报价将提高市场透明度,减少 NFT 市场中的信息摩擦,并鼓励更广泛的开发者社区的参与——为新一波 NFT 产品和协议打开闸门。

2、当前 NFT 预言机的发展思路

1)如果结合我们的上一篇文章可以看到,NFT 价格的预言机制经历了很多的尝试和发展:

同行激励评估定价/博弈定价/流动池定价/算法定价/……

2)目前的市场风向更偏向于利用算法模型来对 NFT 价格进行实时定价。这种转变是应现实需求发生的,如果要规模化的对于 NFT 进行定价,就必须要考虑到效率问题和参与成本、复杂度问题,如果能由机器进行自动计算和运行是最理想的结果。

3)我们分析下面两类算法模型会有较高的成功可能性:

基于多维度元数据的机器学习模型:

–侧重于预测 NFT 的未来价值(给出误差区间)

–优点:【机器学习的技术进步十分迅速】【可以自我调节参数】【根据结果进行负反馈修正】【不需要太多人为干预】【更有叙事性】【技术护城河更高】

–需要解决的问题:【计算模型的准确度如何去保证,是需要时间去检验的】【NFT 属性发生变化时模型需要迭代】【不同 NFT 系列需要对应不同的模型】

基于历史元数据的权重计算模型:

–侧重于分析 NFT 的当前价值(给出置信区间)

–市场上目前这样的项目还没有怎么看到(当然,部分的方法论是肯定是有的)

–优点:【结果具有更高的可预测性】【对于不同 NFT 系列只需要调整参数】【NFT 属性发生变化可能不会影响模型本身】

–需要解决的问题:【参数的调整可能需要大量的干预,这是不利的】【技术池浅,容易被复制】

3、我们心目中好的 NFT 预言机

3.1 什么是好的预言机

我们认为好的 NFT 预言机应该是能对头部项目进行自动化的全面定价、而非单个和只对地板价进行定价的。自动化、全面代表效率;提供报价实效性要足够强,因为市场瞬息万变;机制要够简单,根据奥卡姆剃刀原理能解决问题的最简单的办法是最优的,复杂会带来不可控、不可预知的风险。简单来说就是输入数据全面干净、报价实时、模型简单。

3.2 应该怎么做

对项目

根据 coinmarketcap 统计的 NFT 项目数量共 2100 个,前 10 名的项目 (占项目数的 0.5%) 占了总市值的 70%,说明 NFT 项目市值主要集中在头部项目上,因此需要按一定规则筛选出好的项目,简单来说就是白名单机制,同时白名单要有动态更新机制来过滤掉发展不好的 NFT 项目和加入符合要求的 NFT 项目。(可以理解为要有上市、退市机制)

关于数据

预言机是个价格生成器,输入源数据通过预言机加工,输出价格。因此做出合理的预言机首先要看需要输入哪些数据。

数据源分析  

从数据源看:

–NFT 属性数据量小单又是价格决定的主要因素,要作为预言机输入的数据;

–NFT 链上数据、NFT 交易平台数据虽有部分噪声但也是最能直接反映 NFT 价格的数据同样需要作为预言机的输入;

–项目的社区数据、社交媒体数据则噪声过大,处理流程繁琐,量化过程中用到的模型复杂不大适合作为预言机输入的数据源,如果要用,需要一定的手段来限制权重。

预言机模型

有了输入数据后,预言机可以选择用【规则】、【模型】或【规则+模型】三种形式对数据作加工生成最终的输出价格。

由于同质化 Token 价格相对连续,因此采用的是多节点提供数据用规则加工输出的形式,NFT 相比同质化 Token 价格离散并且每个 NFT 都有不同的属性用简单的规则不足以给出合理的价格,因此需要选择模型来对这种具有更复杂模式的标的进行定价。

考虑到报价的实时性要求、模型的可解释性问题,简单的机器学习模型是更好的选择,深度学习模型过于复杂,应对复杂的报价系统会有不可预知的系统性风险。

此外,用模型会涉及到历史数据使用长短的问题,NFT 的价格分布是不是随时间变化是决定使用历史数据长短的关键因素,这部分需要用模型拟合头部项目的价格走势来确定。

4、建议

我们建议大家保持对于 Upshot 和 Banksea 的关注,如果有机会的深入参与进去!

热门文章

发表评论

您的电子邮箱地址不会被公开。