رویکردهای کمی به تجارت NFT

hashcurvekris. eth اشتراک در اشتراک در تجزیه و تحلیل اساسی در مقابل کمی در قیمت گذاری NFT

0x9953 3 دسامبر ، 2022 نعناع

اگرچه کار روی قیمت گذاری NFT بسیار محدود است ، اما رویکردهای مختلفی برای قیمت گذاری NFT ها استفاده شده است. دو رویکرد غالب شامل تجزیه و تحلیل اساسی و مدل های کمی است و این سؤال پیش می آید که چگونه هر دو را مقایسه کنیم. پاسخ این سؤال ساده نیست و سایه های زیادی از خاکستری وجود دارد زیرا هر دو رویکرد می توانند نتایج متفاوتی ایجاد کنند و مزایای مربوطه خود را بر اساس شرایط خاص داشته باشند. این همچنین به یک بحث مداوم در مورد ارزش کوانتین در مقابل تحلیل اساسی در امور مالی سنتی مربوط می شود. ما استدلال می کنیم که تجزیه و تحلیل بنیادی و مدل های کمی لزوماً جایگزین نیستند و می توانند یکدیگر را در قیمت گذاری NFT تکمیل کنند. ما این مقاله را در Hashcurve به عنوان بخشی از سری NFT Market Insights منتشر کرده ایم - برای دیدن بیشتر به محتوای بازارهای NFT ، به وب سایت ما مراجعه کنید ، مشترک شوید و به ما ارائه دهید!

کمی در مقابل تجزیه و تحلیل اساسی برای قیمت گذاری NFT

در مقاله قبلی ما بحث گسترده ای در مورد مشکلات داده ها و ملاحظات مدل ارائه داده ایم و چارچوبی را برای مدل های قیمت گذاری دارایی در NFT ها ارائه داده ایم. بدون اینکه به موضوع مدل های قیمت گذاری در NFT بپردازیم ، برخی از نقاط قوت و ضعف مدل های کمی نسبت به تجزیه و تحلیل اساسی در قیمت گذاری NFT بحث می کنیم.

اول از همه ، محیط داده های مالی چالش های مختلفی را برای مدل های کمی که شامل سری زمانی پویا ، داده های کوچک ، مدیریت بیش از حد و تفسیر است ، ایجاد می کند. همانطور که در مقاله قبلی مورد بحث قرار گرفت ، NFTS از این موضوعات مصون نیست و محیطی حتی دشوارتر را برای مدل های کمی نسبت به دارایی های سنتی ارائه می دهد. به طور خاص ، ماهیت منحصر به فرد NFTS ، داده های تجاری محدود به دلیل نقص بودن NFT ها ، تغییر توزیع نمونه معاملات ، قیمت های NFT که نمایانگر فرآیندهای غیر ثابت بی ثبات و لعنت ابعاد به دلیل ویژگی های بزرگ نسبت به موجود است. داده ها. این باعث می شود عملکرد مدلهای کمی نسبت به سایر کلاسهای دارایی مانند سهام ، که در آن مورد استفاده گسترده قرار گرفته اند ، کمتر قوی تر شوند.

یکی از اصلی ترین مضرات تجزیه و تحلیل اساسی-نسبت به مدلهای کمی داده محور-توانایی محدودی برای در نظر گرفتن روابط پیچیده ، غیرخطی و چند متغیره است. مزیت مدلهای کمی در ویژگی های قیمت گذاری به طور دقیق تشکیل شده است زیرا این امر برای تحلیلگران انسانی نسبتاً دشوار خواهد بود. با هزاران ترکیب ویژگی ممکن برای قیمت گذاری ، این یک تمرین دشوار برای انجام دستی است. مدل های کمی همچنین می توانند یک روش سیستماتیک محور را ارائه دهند که در آن می توانید استدلال کنید که کمتر "تعصب" ، قوام بیشتر و عینیت بیشتر وجود دارد-اگرچه لازم به ذکر است که هر مدل فرضیات و تعصبات ذاتی خود را دارد.

تکنیک های مبتنی بر داده مانند یادگیری ماشین به ویژه برای پردازش داده های بدون ساختار (بزرگ) مانند پست های رسانه های اجتماعی ، تصاویر ، متن و غیره مفید بوده است. لازم استبه منظور پردازش صحیح این نوع داده های بدون ساختار ، تعداد زیادی زیر مجموعه در یادگیری ماشین مانند پردازش زبان طبیعی (NLP) و بینایی رایانه ایجاد شده است. برای اهداف مالی از آن برای ساخت شاخص های احساسات ، تجزیه و تحلیل گزارش های سالانه ، تجزیه و تحلیل تماس های کنفرانس ، تجزیه و تحلیل رسانه های اجتماعی ، تجزیه و تحلیل رویدادهای خبری و غیره استفاده شده است. NLP می تواند برای تجزیه و تحلیل احساسات در مجموعه های NFT در توییتر و اختلاف نظر استفاده شود. چشم انداز می تواند برای تجزیه و تحلیل داده های پیکسل در مجموعه های PFP استفاده شود.

کوانتینی: Quant X بنیادی

تجزیه و تحلیل بنیادی و مدلهای کمی لزوماً جایگزین نیستند و می توانند یکدیگر را تکمیل کنند. به عنوان مثال ، بیشتر مدیران دارایی از هر دو تجزیه و تحلیل اساسی و کمی استفاده می کنند ، و رویکرد کوانتومی که ترکیبی از چارچوب های کمی با پوشش انسانی است ، محبوبیت پیدا کرده است. تحلیلگران می توانند با محققان همکاری کنند و به منظور استفاده از نقاط قوت هر دو رویکرد ، با مدلهای کمی ارتباط برقرار کنند.

مدلهای کمی قیمت گذاری NFT می توانند تخمین های پایه را با طیف وسیعی از آمار ارائه دهند تا تحلیلگران بتوانند تصمیمات آگاهانه تری بگیرند. یادگیری ماشین می تواند به انسان کمک کند تا درک بهتری از روابط پیچیده ، غیرخطی و چند متغیره در قیمت ها داشته باشند. یک انتقاد شایع در برابر یادگیری ماشین به شکلی می آید که الگوریتم ها یک جعبه سیاه هستند و بنابراین نمی توان از آن برای درک بازارهای NFT استفاده کرد. با این حال ، ما می خواهیم این ادعا را بر اساس دو جبهه رد کنیم. در مرحله اول ، پیشرفت گسترده ای در روش های تفسیر مدل و AI قابل توضیح (XAI) انجام شده است که به تحلیلگران و محققان اجازه می دهد تا نتایج را درک کنند. روشهای تفسیر مدل یادگیری ماشین ، درک آنچه را که متغیر هدف را از نظر اهمیت ویژگی هدایت می کند ، فراهم می کند. با اجازه دادن به الگوریتم ها برای جستجوی ویژگی هایی که بهترین پدیده را توضیح می دهد ، تحلیلگران می توانند از این به عنوان نقطه شروع برای ساختن یک تئوری یا یک چارچوب استفاده کنند. ثانیا ، روشهای یادگیری ماشین می توانند بینش های عمیق تری ارائه دهند - به عنوان مثال ،. به روابط غیرخطی چند متغیره - که باعث می شود آن را به عنوان یک ابزار تجزیه و تحلیل برای تحلیلگران انسانی مناسب کند. گرفتن روابط پیچیده ابعادی بالا در نتایج مختصر تر و قابل درک تر به خودی خود ارزش دارد ، حتی اگر این روش ممکن است یک جعبه سیاه (یا خاکستری) باشد.

شما می توانید از مدل های یادگیری ماشین به عنوان یک معیار تجربی برای مقایسه یک چارچوب ساده تر یا استفاده به عنوان پایه ای برای تجزیه و تحلیل اساسی استفاده کنید. The Statistician Box (1979) مشهور نوشت: "همه مدل ها اشتباه هستند ، اما برخی از آنها مفید هستند" که سودمندی چارچوب های ساده را ضبط می کند که می تواند به درک پدیده ها کمک کند. اگر می توانید نتایج به دست آمده توسط یک مدل ساده تر-که با درک انسان هدایت می شود-را به پویایی ایجاد شده توسط یک مدل پیچیده تر داده داده مقایسه کنید ، می توان از نتایج مدل های کمی احساس بهتری کسب کرد. همانطور که توسط Mullainathan and Spiess (2017) مورد بحث قرار گرفته است نیز می تواند برای آزمایش تخمین های ارزیابی انسانی با استفاده از معیارهای مبتنی بر یادگیری ماشین استفاده شود.

مزیت تجزیه و تحلیل اساسی شامل توانایی انسان در انجام ظرافت و تشخیص موقعیت های استثنایی و توانایی یادگیری و برقراری ارتباط با مقادیر محدود داده های گذشته است. به عنوان مثال ، یک کودک نو پا انسان می تواند فقط تعداد معدودی از سگ ها را مشاهده کند و بتواند سگ ها را در نژادهای مختلف بشناسد. یک الگوریتم یادگیری ماشین به هزاران نقطه داده نیاز دارد تا بتواند یک سگ را به درستی بشناسد. همانطور که توسط هاتسون (2018) مطرح شد ، انسان توانایی های ذاتی خاصی در قالب غرایز دارد که می تواند به عقل سلیم و توانایی یادگیری کمک کند. قیمت گذاری NFT های بسیار نادر نیز برای مدل های کمی دشوار است زیرا اطلاعات کافی در دسترس نیست و برای برآورد تقاضا و قیمت به دانش تخصصی بازار نیاز دارید. در این حالت ، تجزیه و تحلیل اساسی می تواند خروجی یادگیری ماشین را برای قیمت گذاری NFT تکمیل کند.

در مواقع تغییر رژیم ، تجزیه و تحلیل اساسی می تواند به حس بازار کمک کند. به عنوان مثال ، در طی سقوط بازار Covid ، بودجه کمی به طور کلی ضعیف عمل می کرد زیرا آنها نمی توانند رژیم جدید یا آنچه اتفاق می افتد را حس کنند زیرا این یک رویداد منحصر به فرد در بازار تاریخی بود. همانطور که توسط ABIS (2022) نشان داده شده است ، وجوه کمی تمایل دارند از بودجه اختیاری در زمان غیر بحرانی بهتر عمل کنند در حالی که انسان در رکود اقتصادی پیشی می گیرد. بنابراین می توانید تجزیه و تحلیل بنیادی را برای تولید مدل کمی تکمیل کنید وقتی تغییرات رژیم وجود داشته باشد (به عنوان مثال ، یک مجموعه یک نشانه ، به روزرسانی بازی را راه اندازی کرده است که در آن NFT ها دارایی های موجود در بازی و غیره را نشان می دهند).

نانسن (2022) مدل قیمت گذاری مبتنی بر یادگیری ماشین ، قیمت های منصفانه را مشخص می کند و در این مورد محدودیت هایی را ذکر می کند که صفات به درستی جوهر NFT را ضبط نمی کنند. در این حالت ، یادگیری فعال می تواند به طور بالقوه کمک کند. یادگیری فعال شاخه ای از یادگیری ماشین است که در طی فرآیند یادگیری تعامل با معلم وجود دارد. JP Morgan Machine Group (2019) از یادگیری فعال به منظور نمونه برداری از عدم اطمینان طبقه بندی ، برچسب زدن به نمونه هایی با حاشیه کوچک ، برچسب زدن به نمونه هایی با بالاترین آنتروپی ، برچسب زدن به نمونه هایی که در آن مدل های مختلف یادگیری ماشین در نتیجه مخالف هستند ، و برچسب زدن داده ها با داده ها باتراکم اطلاعات کوچکتر.

برای بینش بیشتر NFT در بازار ، از Hashcurve بازدید کنید که به طور مرتب منتشر می کنیم!

اگر می خواهید در مورد ایده های مربوط به NFTS ، Defi یا Design Protocol صحبت کنید ، در صورت تمایل به من پیام دهید! hashcurvekris