บทนำ
ในช่วงไม่กี่ปีที่ผ่านมา ตลาด NFT ได้รับความนิยมอย่างมาก และมีผู้ใช้จำนวนมากขึ้นเลือกที่จะลงทุนใน NFT ตัวอย่างเช่นโครงการ Degenerate Ape Academy ซึ่งเป็นแบรนด์ NFT ที่อยู่ในบล็อกเชน Solana โดยประกอบด้วย NFT ลิงจำนวน 10,000 ตัว ตามสถิติของแพลตฟอร์มตลาด solanart พบว่าปริมาณธุรกรรมทั้งหมดของโครงการถึง 1.11 ล้าน SOL
Banksea Finance ได้พัฒนา NFT AI Oracle เพื่อประเมินราคา NFT โดยมอบโซลูชันการให้กู้ยืมด้วยการใช้ NFT Oracle ทำให้ผู้ใช้สามารถประเมิน NFT ได้ทันเวลาและควบคุมความเสี่ยงได้อย่างเต็มที่ โดย Banksea เป็นผู้ชนะของ Solana Ignition Global Hackathon! และร่วมมือกับ Parrot, Moonbeam, Slope ฯลฯ
ในรายงานการวิเคราะห์นี้ Banksea จะใช้ข้อมูลธุรกรรมในอดีตของโครงการ Degenerate Ape เพื่อทำการวิเคราะห์ทางสถิติเกี่ยวกับข้อมูลธุรกรรม สำรวจตลาดธุรกรรมของโครงการ Degenerate Ape และให้ข้อมูลอ้างอิงสำหรับผู้ใช้ที่ต้องการซื้อ
คำอธิบาย
Banksea รวบรวมข้อมูลธุรกรรม 17,985 รายการสำหรับโครงการ Degenerate Ape Academy จากแพลตฟอร์มตลาด Solanart ช่วงเวลาคือ 2021-11-21 ถึง 2022-03-19 และข้อมูลธุรกรรมครอบคลุม NFT ที่ใช้งานอยู่ 7936 โดยการวิเคราะห์ NFT ที่ใช้งานอยู่เหล่านี้ เราสามารถ วิเคราะห์ข้อมูล เช่น ความหายาก สภาพคล่องของ NFT และศักยภาพในการแข็งค่าของ NFT ที่ใช้งานอยู่
การวิเคราะห์ NFT
การวิเคราะห์ข้อมูลธุรกรรม ขั้นแรก เราประมวลผลข้อมูลธุรกรรมในอดีตของ NFT และคำนวณข้อมูลรวม ซึ่งรวมถึงจำนวนธุรกรรม ราคาธุรกรรมเฉลี่ย ช่วงธุรกรรม ความหายาก มูลค่าความนิยม และตัวบ่งชี้อื่น ๆ คำอธิบายที่เกี่ยวข้องมีดังนี้:
Active attribute rarity (active_attribute_rarity) ช่วงค่าคือ 0-1 active_attribute_rarity แสดงถึงเปอร์เซ็นต์ความหายากของแอตทริบิวต์ NFT ที่ใช้งานอยู่ เนื่องจากระบบจะนับเฉพาะ NFT ที่มีประวัติการทำธุรกรรมเท่านั้น ความหายากจึงจะต่ำกว่าใน solanart.io แต่ใกล้เคียงกับสถานการณ์ตลาดจริงมากขึ้น
Pearson correlation coefficient
ในสถิติ – Pearson correlation coefficient ― เป็นการวัดความสัมพันธ์เชิงเส้นระหว่างข้อมูล 2 ชุด โดยเป็นอัตราส่วนระหว่างความแปรปรวนร่วมของตัวแปรสองตัวกับผลคูณของค่าเบี่ยงเบนมาตรฐาน ดังนั้นจึงเป็นการวัดค่าความแปรปรวนร่วมดังนั้นผลลัพธ์จะมีค่าระหว่าง -1 ถึง 1 เสมอ เช่นเดียวกับความแปรปรวนร่วม การวัดสามารถสะท้อนความสัมพันธ์เชิงเส้นตรงของตัวแปรเท่านั้นและละเว้นความสัมพันธ์หรือสหสัมพันธ์ประเภทอื่นๆ อีกมากมาย
การวิเคราะห์ความสัมพันธ์ของข้อมูลธุรกรรม
ตามข้อมูลการทำธุรกรรมในอดีต เราสามารถคำนวณตัวบ่งชี้ทางสถิติบางตัว รวมถึงจำนวนการซื้อขาย ช่วงการซื้อขาย ความหายาก ความนิยม ฯลฯ จากนั้นคำนวณความสัมพันธ์ระหว่างตัวบ่งชี้ด้วยค่า Pearson correlation coefficient ผลลัพธ์เฉพาะจะแสดงใน แผนภูมิต่อไปนี้:
ผลลัพธ์ทางสถิติคือเมทริกซ์สี่เหลี่ยมจัตุรัส และแกน X และ Y ที่แสดงถึงตัวบ่งชี้ทางสถิติ เส้นทแยงมุมแสดงถึงความสัมพันธ์อัตโนมัติ ซึ่งทั้งสองอย่างนี้เป็น 1
สัมประสิทธิ์อยู่ระหว่าง -1 ถึง 1 โดย 1 หมายถึงความสัมพันธ์เชิงบวกเชิงเส้นที่สมบูรณ์ -1 หมายถึงความสัมพันธ์เชิงลบทั้งหมด และอธิบายลักษณะเฉพาะดังนี้
บทสรุป:
- จำนวนธุรกรรม (transaction_cnt) และ rarity of the active attribute (active_attribute_rarity) แสดงความสัมพันธ์เชิงบวกที่มีนัยสำคัญ นั่นคือแอตทริบิวต์ที่หายากยิ่งมีการซื้อขายมากขึ้นและตลาดมีการเคลื่อนไหวมากขึ้น
- Attribute_popularity มีความสัมพันธ์เชิงลบที่มีนัยสำคัญกับราคาธุรกรรมโดยเฉลี่ย และความสัมพันธ์เชิงลบที่มีนัยสำคัญกับจำนวนวันโดยเฉลี่ยระหว่างธุรกรรม (days_between_transactions_avg) ทั้งแอตทริบิวต์ที่หายากยิ่งราคาธุรกรรมเฉลี่ยสูงขึ้นและช่วงเวลาระหว่างการขายที่ต่ำลง สามารถอนุมานได้ว่าตลาดเอื้ออำนวยต่อคุณลักษณะที่หายากมากกว่า โดยสภาพคล่องของพวกเขาแข็งแกร่งขึ้น และผู้ซื้อยินดีจ่ายในราคาที่สูงมากกว่า
- ราคาธุรกรรมเฉลี่ย (transaction_price_avg) และจำนวนวันเฉลี่ยระหว่างธุรกรรม (days_between_transactions_avg) แสดงความสัมพันธ์เชิงบวกที่มีนัยสำคัญ สำหรับธุรกรรมส่วนใหญ่ ยิ่งราคาสูง สภาพคล่องก็ยิ่งน้อยลง และยิ่งเวลาระหว่างแต่ละธุรกรรมนานขึ้น แน่นอนว่านี่ไม่ใช่ข้อสรุปเชิงเส้นโดยสมบูรณ์ เนื่องจากปัจจัยอื่นๆ มากมายอาจส่งผลต่อราคาและสภาพคล่องได้เช่นกัน
NFT Data Insights
ตามข้อมูลประวัติการซื้อขายของ NFT – rarity of active attributes , ราคาซื้อขายเฉลี่ยของแอตทริบิวต์ , และจำนวนวันเฉลี่ยระหว่างการซื้อขายของแอตทริบิวต์จะถูกนับตามขนาดของแอตทริบิวต์ NFT จากนั้นจึงนำสถิติมาปรับเป็นเส้นตรงเพื่อค้นหา คุณลักษณะ NFT ที่มีการประเมินต่ำไป
สถิติข้อมูล
แอ็ตทริบิวต์หายาก 10 อันดับแรก
ราคาซื้อขายเฉลี่ย สูงสุด 10 อันดับแรก
จำนวนวันเฉลี่ยระหว่างการซื้อขาย 10 อันดับสูงสุด
การวิเคราะห์ความหายากและราคาซื้อขายเฉลี่ย
จากการวิเคราะห์ข้างต้น เราทราบดีว่าแอตทริบิวต์ของ NFT ที่หายาก ราคาซื้อขายเฉลี่ยสูงขึ้น ซึ่งแสดงความสัมพันธ์เชิงลบที่เห็นได้ชัดเจน จากนั้น เราดำเนินการปรับ linear fit และค้นหาคุณลักษณะที่เบี่ยงเบนจากส่วนโค้งที่พอดีและประเมินค่าต่ำเกินไป (แอตทริบิวต์ที่อยู่ใต้เส้นโค้งที่พอดี) คุณลักษณะเหล่านี้มักจะถูกตีราคาต่ำเมื่อซื้อขายในราคาเฉลี่ยที่ต่ำกว่าราคาที่เหมาะสมโดยเฉลี่ย เราสามารถใช้ตัวกรองอย่างง่าย เช่น active_attribute_rarity < 0.04 และราคาเฉลี่ย < 100 SOL หรือน้อยกว่า จากนั้นจึงซื้อ NFT ที่มีแอตทริบิวต์นี้
การวิเคราะห์ Rarity & Trading interval
จากการวิเคราะห์ข้างต้น เราทราบดีว่าแอตทริบิวต์ NFT ที่หายากยิ่งมีราคาสูงขึ้น แต่ราคาที่สูงเกินไปจะขัดขวางไม่ให้ธุรกรรมเกิดขึ้น ทำให้ช่วงเวลาระหว่างธุรกรรมยาวนานขึ้นและสภาพคล่องลดลง ดังนั้น เราจำเป็นต้องค้นหาคุณลักษณะเหล่านั้นที่มีความหายากและการประเมินมูลค่ายุติธรรม แต่มีสภาพคล่องสูง (ช่วงการทำธุรกรรมสั้น) ทั้งเบี่ยงเบนจากเส้นโค้งที่พอดีและทางด้านซ้ายของเส้นโค้งที่พอดี จากนั้นกรองคุณลักษณะที่มีสภาพคล่องสูงสำหรับการซื้อออก
เมื่อรวมการวิเคราะห์ราคาและสภาพคล่องและความหายากข้างต้นเข้าด้วยกันแล้ว จะทำการเลือกดังต่อไปนี้: active_attribute_rarity<0.4 days_between_transactions_avg<0.5 day transaction_price_avg<100 Sol
แผนภูมิต่อไปนี้เป็นภาพหน้าจอของข้อมูลบางส่วนหลังจากการกรอง โปรดดูข้อมูลทั้งหมดที่ท้ายบทความเพื่อรับข้อมูลโดยละเอียด
คำอธิบายของบางฟิลด์
จากการวิเคราะห์ข้างต้น คุณสามารถกรอง NFT ที่มีแอตทริบิวต์ที่เกี่ยวข้องในแพลตฟอร์ม Solanart แล้วซื้อตามที่คุณต้องการ
ลิงก์สั่งซื้อ NFT ของ Degenerate Ape Academy
การวิเคราะห์ผู้ค้า
ผลประโยชน์ NFT Holder Sale
การขาย NFT มีเพียง 13% ของการทำธุรกรรมเท่านั้นที่ขายขาดทุน แต่ส่วนใหญ่การขายนั้นมีกำไร และยังรับรู้ด้วยว่าผู้ถือ NFT จำนวนมากขึ้นสามารถรอเวลาในการทำกำไรอย่างมีประสิทธิภาพ
รายได้รวมและการเข้าถึงการซื้อขายของผู้ถือ 20 อันดับแรกของความสามารถในการทำกำไรรวมของ NFT (จำนวนการซื้อและขาย)
ในบรรดาผู้มีรายได้สูงสุด 20 อันดับแรก มีผู้ถือหลายรายที่ขายแต่ไม่ซื้อ และอาจสันนิษฐานได้ว่าผู้ถือดังกล่าวน่าจะเป็น NFT makers ซึ่งเทรดเดอร์กลุ่มนี้ดูเหมือนจะไม่มีต้นทุนแต่ไม่ใช่ผู้ได้กำไรที่ใหญ่ที่สุดในตลาดการค้าโดยรวม โดยผู้ที่ได้กำไรมากที่สุดมาจากนักเก็งกำไรที่ซื้อ ขาย หรือถือ NFT เพียงไม่กี่ตัว แต่ขายมันในราคาที่สูงเสียดฟ้าเมื่อเวลาผ่านไป ดังนั้นในทางหนึ่ง NFT ก็คล้ายกับลอตเตอรีในการซื้อลอตเตอรีที่ถูกต้องสามารถสร้างกำไรมหาศาลได้
รายได้ต่อ NFT ที่ขายโดยผู้ถือครอง 20 อันดับแรกของรายได้ NFT ทั้งหมด
การจัดอันดับกำไรรวมของ 20 อันดับแรก กำไรและขาดทุนจากการซื้อขาย NFT แต่ละรายการส่วนใหญ่จะกระจุกตัวอยู่ระหว่าง 0 ถึง 600 SOL และกำไร NFT ที่มากกว่า 600 SOL นั้นค่อนข้างเล็ก ดังนั้นต้นทุนสามารถจำกัดไว้ที่ 600 SOL หรือน้อยกว่านั้น เนื่องจาก NFT เองมีช่วงกำไรที่ใหญ่มาก จำนวนของ NFT สามารถเพิ่มขึ้นได้เพียงเล็กน้อยเท่านั้น ถ้าคุณลงทุนอย่างต่อเนื่องยังสามารถเข้าสู่รายการรายได้ 20 อันดับแรก
ผู้ถือ NFT ผลตอบแทนเฉลี่ยสูงสุด 20 อันดับแรก
ดังที่คุณเห็นจากการวิเคราะห์ข้างต้น รายได้รวมสูงสุดไม่จำเป็นต้องเป็นนักลงทุนที่ดีที่สุด และนักลงทุนจำนวนมากที่มีปริมาณการซื้อขายเพียงเล็กน้อยก็ทำกำไรได้มากกว่าผู้สร้าง NFT บางรายอย่างมาก นักลงทุนดังกล่าวอาจมีวิสัยทัศน์ที่ดีกว่าหรือโชคดีกว่า และแน่นอนว่าอาจมีการควบคุมความคิดเห็นและทักษะการวิเคราะห์ที่แข็งแกร่งขึ้น ผลตอบแทนเฉลี่ยของ NFT นั้นค่อนข้างชัดเจนในการระบุนักลงทุนประเภทนี้ หากคุณต้องการลงทุนที่คุ้มค่า คุณสามารถให้ความสนใจกับสถานการณ์การลงทุนบางส่วนของผู้ถือ NFT ดังกล่าวต่อไปได้
ตัวอย่างเช่น
average_income>500
effective_revenue>0.8
การวิเคราะห์ NFT ขั้นสูง
จากการวิเคราะห์ข้างต้น คุณลักษณะของแอตทริบิวต์ NFT จะถูกรวมเข้าด้วยกัน และจะมีการนับตัวบ่งชี้ทางสถิติที่เกี่ยวข้องของ NFT เพื่อให้ข้อมูลอ้างอิงสำหรับผู้ซื้อ NFT
ฟิลด์ที่เกี่ยวข้องของแอตทริบิวต์：
ฟิลด์ที่เกี่ยวข้องกับ NFT：
สรุป
จากการวิเคราะห์ชุด NFT ของ degenerate ape NFT จะพบว่ามีความสัมพันธ์ที่แข็งแกร่งมากระหว่างราคาซื้อขายขั้นสุดท้าย ความหายาก และสภาพคล่อง ในระดับหนึ่งก็จะส่งผลกระทบต่อราคาซื้อขายสุดท้าย และมีความสำคัญอ้างอิงสำหรับการซื้อ NFT
อย่างไรก็ตาม มีหลายปัจจัยที่ส่งผลต่อราคา NFT และเพื่อให้ได้ค่า NFT ที่เหมาะสม นอกเหนือจากข้อมูลการนับธุรกรรม ยังจำเป็นต้องรวมข้อมูล เช่น ความผันผวนของตลาดเหรียญ ข้อมูลโซเชียลมีเดีย ข้อมูลความคิดเห็นของชุมชน และโมเดลการประเมินค่า NFT ตามเวลาเพื่อคาดการณ์และติดตามแนวโน้มราคาแบบเรียลไทม์และลดความเสี่ยงในการลดความเสี่ยงของตำแหน่ง
Banksea คือโมเดลการประเมินค่าที่สร้างโดยอัลกอริทึม AI ที่ให้ผู้ใช้ประเมินค่าแบบเรียลไทม์และรองรับข้อมูลได้ 7*24
