以太坊:NFT 流动性难题或可解,CoinFund 创始人解读价格发现机制潜力_以太坊交易平台

本文发布于链闻,作者为JakeBrukhman,CoinFund创始人,并由PerryWang编译。

目前多数追踪关注非同质化代币NFT的人士都注意到,这是一种流动性很差的资产类别,并大家应该会同意,这种情况可能会一直保持下去。不过,有可能大家没有看到,在区块链的加密经济机制的背景下,「流动性」仅仅是一个正在迅速可以被解决的机制设计问题。

在本文中,我想深入探讨一下如何利用加密经济模型在NFT领域实现「金融化」,改善其流动性,以及随着时间的推移,如何将该技术扩展到其他非流动性资产领域。

NFT资产类别的金融化

NFTfi.com?将NFT作为贷款抵押,以此实现NFT的金融化

回溯一下区块链领域的早期阶段,可替代代币可能需要数月甚至数年的时间,才能实现显著的流动性。代币发行人在中心化交易所上币交易,支付高额费用并跳过监管手段。但是市场采用了智能合约和加密经济机制来解决可替代产品的流动性问题。时至今日,通过流动性挖矿的魔力和自动化做市商AMM的独创性,ERC20代币获取流动性所需的时间几乎可以缩短至零,去中心化交易所DEX的每日交易额可能超过20亿美元,同时去中心化金融DeFi市值达到440亿美元。

相比之下,即使2020年经历了NFT的成交总额GMV急剧上升的一年,今天在二级市场上出售任何个人NFT的前景仍然黯淡。在我个人的上一篇?文章?中,我提议将NFT设计成随着「流动知识产权IP」。随着NFT的范围涵盖越来越多的数字内容,流动IP观点隐含了一个假设前提,即NFT本身就是一种新的金融资产类别。

随着NFT的金融属性越来越强,它们将需要新型的交易所、贷款协议和衍生品。因此,我宣称价格发现是NFT领域中的下一个主要问题。具备资本效率的价格发现机制能够更快地促成交易,通过代币化来提高流动性,允许NFT无需订单簿即可作为抵押品,并创建大量以NFT为基础的衍生品。换句话说,价格发现将使NFT资产类别的金融化成为可能。

所以这一切应该怎样实施?正如我们在这篇文章中所阐述的那样,新的价格发现机制将创造关键的创新,从而解决NFT和其他非流动资产的流动性问题。

了解当前的价格发现机制

如今,在NFT领域中只有几种价格发现方法。首先了解这些机制,将有助于我们形成一个如何思考价格发现问题的框架。

SuperRare?用户的销售和拍卖偏好(来源:DuneAnalytics)

销售机制。?Rarible?和多数其他NFT市场使用销售的方法,其中估值是通过公开市场公开销售进行的。随着NFT通过销售进行交易,市场会注意到其历史价格和资产出处。如果没有庞大的市场参与者,这一默认机制不会提供太多有关定价的信息,届时市场流动性很差。就像我们会注意到,销售首当其冲是一种资本低效方式:主要缺点是,对于每一美元的估值,实际上必须有人实际付出一美元才能创造出来。

拍卖机制。?不管是好是坏,多数市场买卖双方实际上更青睐通过拍卖来对NFT定价和买入。Async.art?的原生画廊采用永久性拍卖,SuperRare?也是如此。Beeple的20幅个人数字艺术作品曾创造传奇般的350万美元拍卖佳绩,表明拍卖总体来说非常活跃,而且能扬名立万。值得注意的是,拍卖非常适合艺术品销售,在艺术品拍卖中,资产的内在价值往往更具主观性,由赏识者给出价格。但是从整个NFT资产的资本效率角度来看,拍卖属于次优选择。已进入生产阶段的多数区块链拍卖机制都不是Vickrey拍卖机制,而后者会激励参与者竞标其真实价值。即使是Vickrey拍卖机制,它们的资本效率也将比销售机制还要差:这要求竞拍者锁定资本。在拍卖中,对于每一美元的估值,该机制可能需要多倍美元的竞标资金。

分割机制。?NFT的分割,以?Niftex?做法为先驱,是NFT价格发现领域向着创造资本效率迈出的第一步创新。Ark、WrappedPunks、WG0和NFTX.org也分别贡献了不同的分割机制,将一个或多个NFT分割成一种ERC20代币,能在DEX或中心化交易所中产生流动性。任何人可以买进任何数量的代币,以帮助提升NFT的整体估价,降低单个用户的估价成本。分割机制还带来了与利益相关者治理相关的挑战,以及管理对应NFT宇宙的众多ERC20资产的难题。

对现有方法的讨论引发了以下问题:是否存在可以显著改善价格发现问题的资本效率的方法。我们将在下一章节中介绍其中一些方法。

资本效率是让价格发现具备颠覆性

根据截至目前的讨论,评估价格发现机制的一个基本框架正在衡量其资本效率。让我们将P定义为商品x的发现价格,并将C定义为定价参与者所需的总成本支出。然后针对一系列资产集,我们可以将某一种机制的价格发现效率宽泛定义为E=P/C。在此框架中,销售机制的效率始终为E=1,拍卖机制的效率为E≤1,而分割机制我们为E≥1,本文就暂时略过具体分析。问题是,我们能否还得做得比分割机制更好,答案是肯定的。

NFTBank跟踪估计虚拟房地产,如?Decentraland?地块

价格计算。拍卖对于主观估值商品非常有用,而收藏品市场通常会根据稀缺性和明确定义的属性来定价。某些资产,例如CryptoKitties和虚拟房地产,可能具有简单计算就能得出的价格。NFTBank.ai?是最早提出精准的机器学习模型、以基于相似或相邻收藏品的过去价格来预测收藏品价格的初创企业之一。虚拟房地产定价可能会屈从于考虑了附近社区以往销售和创收的模型。在这种情况下,资本效率得以上升,因为我们可以认为该机制具有固定成本,即部署定价算法的成本c。因此,成本将在价格发现之间进行分摊,其效率值E=P/c,随着时间的流逝E将变为无穷大。尽管如此,对于像Beeple艺术品这样繁荣且具有主观价值的商品,机器学习是否能够很好地发挥作用尚无定论。

专家网络。要获得固定的价格发现成本,我们不一定需要构建机器学习模型。想象一下,每次定价我们会向五位专家支付固定的费用,他们会向我们提供有关商品市场公允价值的见解。随着商品升值,资本效率就随之提高。这种方法可以使用中心化服务或受激励的人群网络来进行评估。使用人工专家需要考虑的一个问题是规模化问题:我们真的有足够的专家来处理NFT领域可能产生的全部潜在商品数量吗?正如我们接下来要看到的那样,这种方法最好被敲定为链上的预言机网络,这自然会激励评估人参与估价鉴定,并有效地进行评估。

对等预测预言机。预言机最近最激动人心的发展是由?Upshot?率先将对等预测实现为一种链上机制。对等预测是一种合作游戏,可以激励参与者诚实地回答查询,而无需数据喂价或其他来源的客观事实。Upshot建议将对等预测与排序算法结合起来,为NFT领域创造具有资本效率的价格发现。在如此狭小的领域内,很难对对等预测是否公正做出判断,但从本质上讲,该机制与客观定价的收藏品或主观定价的艺术品无关——预言机将报告有根据的共识。最重要的是,Upshot对当今估价鉴定的资本效率做出了一些有趣的改进。首先,该机制的评估成本在大量商品中分摊,这一点类似于价格计算。其次,可以根据将来的收入评估协议的安全边际:如果某些评估人存在恶意或工作质量不高,则该协议通过不选择这些评估人参与任务,来积极减少其未来的现金流。通过削减其未来的现金流而不是让他们预先支付安全费用来惩罚这些评估人,这在整个加密经济协议中都是对资本效率的极大提高。Upshot的对等预测将是第一个广泛适用于NFT价格发现的链上机制,而NFT定价将是Upshot协议于2021年推出时的首个用例。

衍生品—隐含定价。NFTfi等公司展示的NFT贷款,以及?NFTX.org?预期推出的NFT指数,为NFT的价格发现创造了另一个向量——以NFT为底层资产的衍生品的隐含定价。常规衍生品,例如未来购买NFT的期权,或预测市场股份,将潜在产生NFT定价问题,同时将流动性的总成本委托给其他平台或机制。目前这一领域的发展非常稚嫩,会随着NFT金融化的趋势在未来数年不断发展。

Upshot提议采用对等预测和排序算法结合起来,以有效地探索NFT定价

NFT流动性的影响

总体而言,具有资本效率的价格发现机制将对现有NFT的流动性具有深远影响,进而覆盖到可被打包成链上NFT的任何非流动资产。未来几年,我们很可能会看到整个估价鉴定生态系统围绕价格发现问题而发展。我们还会看到,有些方法更适合于客观定价的商品,而另一些方法更适合于主观定价的商品。

以下是价格发现的一些实际应用:

创作者将能够创作作品,而有效的估价鉴定市场将以完全自动化的方式为该作品提供流动性。以这种方式将带来彻底颠覆性的机制,将创造力、内容和数字商品变现。

基于预言机的定价将用于评估NFT仓位和收藏,以发现新的价值。

NFT的「即时估价」可用于创建一个下限,当价格低于该下限,持有者可以自动清算其资产。Neolastics?提出了类似的机制,以及可能适用于更广泛的商品的其他价格发现机制。

任何使用NFT作为抵押的应用都可以依靠链上定价来控制风险。例如,贷款协议可以基于自动化的定价来设置清算保证金。或者在更技术性的应用中,OptimisticRollup运营商可能会使用此机制,来降低第2层NFT的roll-off成本。

投资者可以以建议的价格更快、更有效地做出购买决定。

我们可以创建由估价鉴定的安全性支持的区中心化NFT指数,而无需信托或抵押品。这可以为寻求投资NFT领域的投资者创造很高的效率,而无需逐项评估资产。

我希望听过你们对这一极具吸引力的新兴领域有何想法,请在Twitter关注我@jbrukh。

来源链接:medium.com

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。

大币网

[0:15ms0-6:594ms