CryptoPunks 및 그 너머의 AI 기반 가격 추정 (1부)
본문
원글: https://blog.ginoa.io/ai-based-price-estimation-of-cryptopunks-and-beyond-7ce3204511ab
소개
CryptoPunks는 Larva Labs라는 회사가 2017년에 Ethereum 블록체인에서 출시한 일련의 디지털 수집품입니다. 각 CryptoPunk는 다양한 속성과 특성을 가진 픽셀 아트 캐릭터를 나타내는 고유한 NFT(대체 불가능한 토큰)입니다. 이러한 NFT는 최근 인기를 얻었으며 중요한 디지털 아트 및 수집품 시장이 되었습니다.
CryptoPunk NFT의 가격을 추정할 때 가장 큰 문제 중 하나는 비용을 쉽게 얻을 수 있는 중앙 시장이나 거래소가 없다는 것입니다 . CryptoPunks의 가격은 다양한 온라인 마켓플레이스 및 판매에 기록되어 있지만 이러한 가격은 판매되는 플랫폼 및 특정 NFT에 따라 크게 다를 수 있습니다.
CryptoPunk NFT의 가격을 정확하게 추정하려면 다양한 요소와 기능을 고려해야 합니다 . 가격 추정과 가장 관련성이 높은 일부 기능에는 희소성 , 고유성 및 미적 매력 과 같은 NFT의 속성 및 특성이 포함됩니다 . 다른 중요한 요소로는 NFT의 과거 판매 가격 과 시간 경과에 따른 가격 변화 뿐만 아니라 가격의 평균, 중앙값 및 표준 편차와 같은 판매 데이터를 기반으로 하는 다양한 설명 통계가 있습니다.
![](https://miro.medium.com/v2/resize:fit:911/1*_CvFG9JJbfSb6niJPbBK1Q.png)
이러한 기능 외에도 시각적 매력 및 픽셀 아트의 품질과 같은 NFT의 이미지 기능을 고려하는 것이 필수적입니다 . ETH 및 BTC의 가격 과 같은 시장 데이터는 이러한 암호화폐가 종종 NFT를 사고 파는 데 사용되기 때문에 가격 추정과 관련이 있을 수 있습니다.
가장매매와 같은 무기 거래의 영향을 없애기 위해서는 가격 추정 모델에 가장매매 감지 기능이 포함되어야 합니다 . 이 기능은 NFT에 대한 진정한 시장 수요를 대표하지 않는 거래를 식별하고 제외할 수 있습니다.
전반적으로 CryptoPunk(또는 이 문제에 대한 모든 NFT 수집) 및 NFT 가격 추정을 위한 기계 학습 모델을 개발하려면 다양한 기능과 요소를 고려해야 합니다. 이러한 기능을 신중하게 선택하고 분석하면 속성, 과거 판매 데이터, 이미지 기능 및 시장 데이터를 기반으로 CryptoPunk NFT의 가격을 정확하게 추정하는 모델을 구축할 수 있습니다 .
—
CryptoPunks에 대한 Ginoa 모델 성능 — 경쟁사 1 및 경쟁사 2와 비교
경쟁사 1과 경쟁사 2가 제공한 데이터에 따르면
- 경쟁사 1의 도구는 CryptoPunks의 가격 추정 성공률이 88%이며 ,
- 경쟁사 2의 도구는 성공률이 90%로 약간 더 높습니다.
- 그러나 가장 강력한 도구는 Ginoa의 모델로 성공률이 93%로 가장 높습니다!
![](https://miro.medium.com/v2/resize:fit:911/1*r1Ej2iBAPFp7YjMKUFXoJg.png)
또한 아래 그래프는 2022년 4분기 Ginoa 가격 추정 모델의 주간 평균 정확도를 보여줍니다. 거의 모든 주 동안 모델은 90% 이상의 성공률로 작동합니다.
![](https://miro.medium.com/v2/resize:fit:911/1*3z8Aq7G_DU3W12wIlzO8OQ.png)
마지막 차트는 실제 판매 가격과 Ginoa 추정치 간의 비교가 선형 라인에 매우 가깝기 때문에 모델의 견고성을 보여줍니다.
![](https://miro.medium.com/v2/resize:fit:911/1*ZWV4ItDlQ7cWuPkq0oa_KQ.png)
후속 NFT 판매
NFT의 후속 판매와 Ginoa 가격 추정치를 추가로 비교하면 높은 오류율이 반드시 Ginoa의 모델을 수정해야 함을 의미하지는 않습니다 . 예를 들어 펑크 #7567, #3054 및 #5659 에 대한 세 가지 샘플 사례를 살펴보십시오 .
2022년 11월 11일, punk #7567은 55 ETH에 판매 되었으며 , Ginoa 모델은 가격을 84.13 ETH 로 추정했습니다 . 이것은 높은 오류처럼 보일 수 있지만 다음 판매를 위해 이 펑크는 67 ETH , 12 ETH 순이익 에 판매되었습니다 .
이것은 Ginoa 모델이 NFT의 진정한 잠재력을 정확하게 추정하고 사용자에게 NFT에 투자할지 여부에 대한 좋은 아이디어를 제공할 수 있음을 보여줍니다.
![](https://miro.medium.com/v2/resize:fit:911/1*s1p7-NRQKYjbHvTuRkBm_g.png)
펑크 #3054 및 #5659 에 대해서도 동일한 시나리오가 발생합니다 . 2022년 12월 13일, punk #3054는 74 ETH에 판매 되었으며 , Ginoa 모델은 당시 가격을 96.07 ETH 로 추정했습니다. 하지만 이 놈의 다음 판매는 85 ETH , 즉 11 ETH 순이익 이었습니다 . 마찬가지로 2022년 11월 11일 펑크 #5659는 77 ETH에 판매 되었으며 Ginoa 예상 가격은 106.67 입니다 . 후속 판매는 101 ETH, 순 24 ETH 이익이었습니다 . 아래는 위에서 언급한 사례와 기타 NFT 판매 및 후속 판매를 나타낸 표입니다.
2022년 마지막 분기(10-11-12월)의 펑크 판매, Ginoa 추정, 다음 판매 및 이익
![](https://miro.medium.com/v2/resize:fit:911/1*M86WmtXvCiEh4vQ5b-A86w.png)
어떤 경우에는 모델의 오류율이 처음에는 높아 보일 수 있지만 모델이 NFT 가격의 방향을 정확하게 예측하기 때문에 수익을 낼 가능성이 높다는 것은 분명합니다 .
추가 요인
가격 추정 모델의 정확도를 더욱 향상시키려면 추가 기능과 데이터 소스를 통합하는 것이 좋습니다 . 예를 들어 모델은 유사한 NFT의 과거 실적이나 특정 마켓플레이스 또는 수집가의 활동을 고려할 수 있습니다.
모델 학습에 사용되는 데이터를 신중하게 선택하고 전처리하는 것이 중요합니다 . 여기에는 데이터를 정리 및 필터링하여 오류 또는 이상값을 제거하고 기능을 정규화하거나 확장하여 동일한 척도에 있도록 하는 것이 포함될 수 있습니다.
가격 추정 모델을 구축하기 위한 한 가지 가능한 접근 방식은 지도 학습 알고리즘을 사용하는 것입니다. 이러한 알고리즘은 입력 기능 및 과거 데이터를 기반으로 CryptoPunk NFT의 가격을 예측하는 방법을 학습할 수 있습니다.
어떤 접근 방식을 사용하든 강력한 테스트 및 검증 프로세스를 사용하여 모델의 성능을 신중하게 평가해야 합니다 . 여기에는 데이터를 교육 및 테스트 세트로 분할하고 평균 제곱 오차 (MSE) , 평균 절대 오차 (MAE) , 평균 절대 백분율 오차 (MAPE) 또는 중간 절대 백분율 오차 (MdAPE)와 같은 다양한 메트릭을 사용하여 모델 예측의 정확도를 측정합니다.
위에서 언급한 오류 메트릭은 회귀 문제에 사용되는 표준 손실 함수입니다.
- MSE는 예측 값과 실제 값 사이의 제곱 차이의 평균을 측정합니다.
- MAE는 예측 값과 실제 값 간의 평균 절대 차이를 측정합니다.
- MAPE는 예측 값과 실제 값 사이의 평균 절대 백분율 오류를 측정합니다.
- 마지막으로 MdAPE는 모든 절대 백분율 오류의 중간 오류 값을 측정합니다.
CryptoPunk NFT 가격 추정을 위한 기계 학습 모델을 개발하려면 다양한 기능과 요소를 고려해야 할 뿐만 아니라 신중한 데이터 선택 및 전처리가 필요합니다. 감독 학습 알고리즘을 사용하고 강력한 테스트 및 검증을 통해 모델의 성능을 평가함으로써 CryptoPunk NFT의 가격을 정확하게 추정하는 모델을 구축할 수 있습니다.
과대 광고 감지
특정 CryptoPunk NFT에 대한 과대 광고를 측정하는 데 유용할 수 있는 한 가지 잠재적 메커니즘은 NFT에 대한 소셜 미디어(Twitter, Reddit) 및 온라인 대화(Discord)를 분석하는 것입니다 . 여기에는 소셜 미디어 플랫폼, 온라인 포럼 및 기타 온라인 소스에서 데이터를 수집하고 분석하여 NFT에 대한 토론의 트렌드와 패턴을 식별하는 것이 포함될 수 있습니다.
이 데이터를 사용하여 과대 광고를 탐지할 수 있는 방법에는 여러 가지가 있습니다. 예를 들어, 이 모델은 NFT에 대한 논의의 빈도와 강도를 분석하거나 자연어 처리 기술을 사용하여 대화에서 긍정적이거나 부정적인 감정을 식별 할 수 있습니다 . 이 모델은 팔로워 수나 게시물의 가시성 등 NFT를 논의하는 개인 또는 커뮤니티의 영향력과 범위를 고려할 수도 있습니다 .
모델은 소셜 미디어 및 온라인 대화를 분석하는 것 외에도 미디어 보도의 존재 또는 유명 수집가 또는 예술가의 참여와 같은 다른 과대 광고 지표를 고려할 수 있습니다 .
과대 광고 감지 기능을 포함하면 CryptoPunk NFT 시장에 대한 보다 포괄적인 보기를 제공하고 원시 데이터에서 즉시 명확하지 않을 수 있는 잠재적 추세 또는 패턴을 식별하는 데 도움이 될 수 있습니다. 소셜 미디어와 온라인 대화를 분석하고 과대 선전의 다른 지표를 고려함으로써 시장의 역동적이고 주관적인 특성에 더 적합한 모델을 구축할 수 있습니다.
관련자료
-
이전
-
다음