Heterogeneous rarity patterns drive price dynamics in NFT collections

https://arxiv.org/pdf/2204.10243.pdf

Hipoteza

Na cenę NFT wpływa rzadkość wstępowania jego cech w ramach kolekcji NFT.

Definicje

atrybut - każdy NFT może mieć wiele atrybutów - np. wielkość, “ma czapkę?”, “kolor brody” etc.

trait - konkretna wartość jaką może przyjąć atrybut - np. duży, “nie ma czapki”, zielony

trait rarity score dla cechy $t$: $R_t=\frac{N}{r}$ gdzie $N$ - liczba NFT w kolekcji; $r$ - ile NFT ma cechę $t$

NFT rarity score: $R_{NFT}={\sum }_t{R}_t$ czyli jest to suma rarity score wszystkich jego cech. W dodatku w ramach kolekcji normalizujemy ten score od 0 do 100 przez min-max normalizację: $R_{norm}=100\cdot (R_{NFT}-R_{min})/(R_{max}-R_{min})$

NFT rarity rank - ranking najrzadszej cechy NFT. Ranking cechy, tzn. układamy cechy od najpopularniejszej (od małego rarity score) do najrzadszej (do dużego rarity score).

Obserwacja

Rozkład wartości rarity score w ramach kolekcji najlepiej charakteryzuje Rozkład log-normalny (90% kolekcji). Przykłady: Rozkłady rarity score są heterogeniczne, tzn. niejednolite (dalekie od rozkładu jednostajnego).

Wnioski

Rzadkość jest pozytywnie skorelowana z ceną i negatywnie skorelowana z liczbą transkacji. Sprawdzili to na wielu różnych kolekcjach. W dodatku rzadkość jest pozytwnie skorelowana z procentowym zwrotem z inwestycji oraz negatywnie skorelowana z p-stwem negatywnego zwrotu z inwestycji: