作者：Banksea Finance

1、介绍

近年来，NFT市场有变得非常火热，越来越多的用户选择对NFT进行投资。在这些NFT项⽬中，Degenerate Ape Academy项目非常具有代表性，Degenerate Ape Academy是位于 Solana 区块链上的 NFT 品牌。 该品牌由 10,000 个退化猿 NFT 组成。根据solanart市场平台的统计，该项⽬项目的交易总量到达1.11M SOL。在这篇分析报告中，我们使用退化猿项目的历史成交数据，对交易数据进行统计分析，探究退化猿项目的交易行情，为希望购买的用户提供⼀些参考。

Banksea Finance开发了NFT AI Oracle来评估NFT价格，提供了一个基于资金池的NFT抵押贷款解决方案。通过使用NFT Oracle，用户可以获得实时的NFT 价格评估。Banksea是Solana Ignition全球黑客马拉松的获奖者之一，并与Parrot, Moonbeam, Slope等项目建立合作。

2、数据说明

本次分析数据从Solanart交易市场获取，获取了 Degenerate Ape Academy 项⽬从 2021-11-21到2022-03-19期间的17985条成交数据，覆盖其中7936个活跃的NFT。通过对这些活跃NFT进行分析，探究其活跃属性的稀有度、NFT流通性和升值潜力等信息。

SOL—Solanart交易市场-DAPE系列交易情况

3、NFT分析初探

3.1 交易数据分析

⾸先，我们清洗和处理了NFTs历史交易数据，并计算聚合数据，包括交易次数、交易均价、交易间隔、稀有度和属性热度值等指标，相关解释如下：

活跃属性稀有度(active_attribute_rarity),取值范围0-1。active_attribute_rarity 表示活跃 NFT 属性的稀有百分⽐。因为仅仅统计有交易历史的NFT，所以稀有度会比 solanarpopularityt.io中的稀有度低，但是更接近于真实的市场状况。

活跃属性稀有度(active_attribute_rarity)越低，表示该属性越稀有。

3.2 Pearson相关系数介绍

在统计学中，Pearson相关系数来衡量两组数据之间的线性相关性。它是两个变量的协⽅差与其标准差的乘积之比；因此，它本质上是协方差的归⼀化后的数值，因此结果始终具有介于-1和 1 之间的值，我们可以通过Pearson相关系数对统计特征进行相关性分析，找到特征之间的线性关系，探究特征之间的关联性。

皮尔逊相关系数在应用于总体时，通常由希腊字母 ρ (rho) 表示，可称为总体相关系数或总体皮尔逊相关系数。给定⼀对随机变量 (X, Y)，ρ的公式为：

其中：

cov是协方差

σx是X的标准差

σY是Y的标准差

ρ可以用均值和期望来表示。

3.3 交易数据相关性分析

根据历史交易数据，我们可以计算出⼀些统计指标，包括交易次数、均价、交易时间间隔、稀有度和热度等，然后通过Pearson相关系数，计算出指标之间的相关性，具体结果如下图所示：

统计结果为⼀个正方形矩阵的X和Y轴都表示的统计指标，对从左上角到右下角的角线表示全为1，表示属性的自相关为1，分别按水平或者竖直的方向去看，分别表示与其他特征的相关系数，系数为-1到1之间，1表示完全线性正相关，-1表示完全负相关，具体特征解释如下

结论：

交易次数(transaction_cnt) 与活跃属性稀有度(active_attribute_rarity)呈现显著的正相关,既属性约稀有,成交易次数越多,市场活跃度越高。

属性热度(attributes_popularity)与成交均价呈明显的负相关，与平均交易间隔天数 (days_between_transactions_avg)呈现显著负相关，既属性越稀有成交均价越高，且出售时间间隔越低。可以推断出，市场对稀有属性更加⻘睐，其流动性更强，且买家更愿意出高价。

交易均价(transaction_price_avg)和平均交易间隔天数 (days_between_transactions_avg）呈现明显的正相关，既对于大多数交易而言，价格越高，流动性越差，每次交易间隔的时间越⻓。当然这并不是⼀个完全线性的结论，因为还有很多其它因素也会对价格和流动性产⽣影响。

4、NFT 数据洞察

根据NFT交易历史数据，按照NFT属性的维度，分别对活跃属性的稀有度、属性的平均交易价格、属性的平均交易间隔天数进行统计，然后对统计数据进行线性拟合，找到存在低估的NFT属性。

4.1 数据统计

活跃属性稀有度Top10

属性平均交易价格Top10

平均交易间隔天数Top10

4.2 稀有度&交易均价分析

根据上述分析，我们已知⼀个NFT的属性约稀有，其交易均价越高，呈现显著的负相关。那我们对其进行线性拟合，然后找到偏离拟合曲线，且被存在低估的属性（既在拟合曲线下方的属性）。这些属性发生交易时候，成交均价低于平均的拟合价格，存在价格低估的可能。比如通过简单的筛选条件，筛选活跃稀有度（active_attribute_rarity）<0.04，交易均价<100 SOL以下的属性，然后去选购包含此属性的NFT。

4.3 稀有度&交易间隔时间分析

根据上述分析，我们已知⼀个NFT的属性越稀有，其价格会越高，但是过高的价格又会抑制交易的发⽣，使得交易的时间间隔变长，流通性下降。所以我们需要找到那些稀有度和估价尚可，但是流通性强（交易时间间隔短）的属性值，既然偏离拟合曲线，并且处于拟合曲线左边的属性，然后筛选出流通性强的属性进行购买。

结合上述价格&流通性&稀有度的分析，进⾏如下筛选:

活跃稀有度(active_attribute_rarity)<0.4

交易天数(days_between_transactions_avg)<0.5 day

交易均价(transaction_price_avg)<100 Sol

下图是筛选过后的部分数据截图，详细完整数据请查看文末数据获取方式。

部分字段的解释说明

根据上述的分析结果，在solanart平台中筛选包含对应属性的NFT,然后根据自己的喜好进行购买。

Degenerate Ape Academy NFT购买链接

4.4 交易者分析

持有者出售效益

NFT出售的时候，只有13%的交易过程是亏损出售的，大部分是在上涨盈利的时候进行出售的，也就是说大部分nft持有者都是盈利的，同时也是比较认可NFT价值的坚定持有者，能等待时机进行有效盈利。

NFT总盈收Top20的持有者总营收和交易出⼊度情况(买⼊卖出数量)

在盈收最多的20⼈中，有很多是只卖不买的持有者，可以⼤概率推测是NFT制造者，这部分交易者看起来零成本，但是并不是整个交易市场的最⼤收益者。最⼤收益者来

⾃于那些极端的投机者，只买卖或持有少数⼏个NFT，但是在⼀段时间内卖出了天价。所以，在某种程度上来说，NFT和彩票类似，买对了确实可以带来巨⼤的收益。

NFT总盈收Top20的持有者卖出的每个NFT盈收情况

盈利排名前二十的⼈员盈收大部分集中在0~1000之间，单个NFT的盈利大于1000的比较少。那么我们在选购NFT的时候，如果仅仅作为价值投资，成本可以限定在1000以   内，因为NFT本身的盈利区间就那么大，真正能暴涨的NFT数量只占极少数，如果稳步投资，也能进⼊到盈收榜单的前20。

NFT平均收益率Top20的持有者

总盈收最高的不⼀定是最佳的投资者，从上⾯的分析可以看到，很多交易量极⼩的投资者获取到的收益远远大于⼀些NFT的制造者。这类投资者要么有更好的眼光，要么有更好的运⽓,当然也有可能有着更强的舆论控制和分析能力，那么这类投资者持有NFT有可能可以成为其他投资者的风向标，研究这类投资者的交易特征，可以帮助投资者更有效的选择NFT。通过NFT平均收益率可以比较清晰找出这类投资者，如果要进⾏价值投资，可以持续关注这类NFT持有者的⼀些投资情况。

比如筛选:

平均收益率(average_income)>500

投资回报能力(effective_revenue)>0.8

5、NFT分析进阶

根据上述分析，对NFT属性特征进行聚合，统计出NFT的相关统计指标，为NFT选购者提供数据参考。

属性相关字段：

NFT相关字段：

TODO

上文只结合市场数据进行了简要的分析，还有很多待分析维度

• 亏损出售是在什么时间段进行抛售的，是否存在恐慌盘情况，是否是风险期?亏损出售的nft是否存在价值被低估的情况?
• 高收益者比较倾向于选择拥有哪些属性的nft?
• 大量买进的交易者最后的营收情况如何?
• 有哪些持有者卖出的NFT最后呈现出较大的潜力?平均收益率最高的持有者所买NFT有何特点?

总结

根据对退化猿NFT系列的分析，可以发现，最终交易的价格、稀有度、流通性都存在非常强的相关性，⼀定程度上会影响最终的成交价格，对NFT的选购有⼀定的参考意义，但是影响NFT价格的因素很多，若要得到⼀个合理的NFT估值，除了交易数数据外，还需要结合币价市场波动、社交媒体数据、社区舆论数据等数据，并构建实时的NFT估价模型，实时性预测和监控价格趋势，降低持仓风险。