What Drives Bubbles in the NFT Market? A Feature Analysis Based on the SHAP Method

Mingjun GUO, Siran FANG, Yunjie WEI

China Journal of Econometrics ›› 2025, Vol. 5 ›› Issue (2) : 463-489.

PDF(1224 KB)
PDF(1224 KB)
China Journal of Econometrics ›› 2025, Vol. 5 ›› Issue (2) : 463-489. DOI: 10.12012/CJoE2024-0388

What Drives Bubbles in the NFT Market? A Feature Analysis Based on the SHAP Method

Author information +
History +

Abstract

Currently, the non-fungible token (NFT) market is experiencing significant price volatility. This study aims to detect the bubble phenomena in the NFT market and analyze the key features and mechanisms affecting NFT price bubbles. Firstly, the study focuses on the NFT market and three important sub-markets, utilizing the Generalized Supremum Augmented Dickey-Fuller (GSADF) test to identify the occurrence, duration, and dissipation of NFT price bubbles. Secondly, traditional financial asset prices, market sentiment indices, and cryptocurrency prices are incorporated as features to analyze NFT price bubbles using multiple decision tree machine learning models. Finally, the SHapley Additive exPlanation (SHAP) method is employed to visualize the mechanisms influencing NFT price bubbles. Empirical results indicate that there were five instances of bubbles in the NFT market during the observation period, with a significant increase in the duration of bubbles across sub-markets in 2021. Among the three machine learning models, the CatBoost (Categorical Boosting) model demonstrated the best performance in fitting NFT price bubbles. SHAP analysis revealed that gold, the US Dollar Index, and crude oil prices significantly impact bubble formation, whereas the S&P 500 has a relatively weak influence. Additionally, market sentiment indices such as the Chicago Board Options Exchange Volatility Index (VIX) and Google Trend show opposite trends in their influence on bubbles. By incorporating multiple features, this study enhances market participants' understanding of NFT price bubble characteristics and provides datadriven market insights.

Key words

NFT market / rational bubbles / bubble prediction / SHAP analysis

Cite this article

Download Citations
Mingjun GUO , Siran FANG , Yunjie WEI. What Drives Bubbles in the NFT Market? A Feature Analysis Based on the SHAP Method. China Journal of Econometrics, 2025, 5(2): 463-489 https://doi.org/10.12012/CJoE2024-0388

1 引言

2009年1月3日, 随着比特币网络上创世区块(genesis block)的成功挖掘, 比特币及区块链技术宣告诞生, 开启了区块链技术应用的新纪元. 该技术的迅猛发展, 不仅为数字资产铺设了一条安全、透明、去中心化且不可篡改的技术路径, 还为加密资产的流通与交易提供了高效且可靠的技术支持. 加密货币、非同质化代币(NFT)、去中心化金融(DeFi)等已成为当前的加密资产市场中重要的组成部分.
非同质化代币(non-fungible tokens, 简称NFT), 作为一种独一无二、不可替代的数据单元, 在区块链上代表并证明了特定数字资产(如图像、音乐或视频)的所有权(苏刚, 2021). 因此, NFT在数字经济领域中, 扮演了至关重要的数字产权证书角色. 依托区块链技术, NFT具备了不可复制性、不可篡改性、可追溯性及去中心化等关键属性, 从而有效解决了数字资产确权与流通的问题(王娟娟和陈昊, 2022). 正因如此, NFTs将艺术品、音乐、视频、虚拟房产、游戏道具等数字内容的独特性与所有权具象化, 为数字经济提供了新型商业模式和创作机遇(Gunay and Kaskaloglu, 2022).
随着数字经济的持续繁荣, NFT产业呈现出了强劲的增长态势. 然而, 其发展路径并非一帆风顺, 伴随着显著的不确定性与波动性. 过去几年中, NFT市场经历了爆发式的增长, 吸引了大量投资者和创作者的关注. 据统计, 2019年全球NFT市场的总价值约为2.1亿美元, 而到了2021年, 这一数字急剧增长至超过400亿美元. 但是到了2022年, 市场却遭遇了急剧的萎缩. 最新数据显示, 2023年NFT市场开始逐步复苏, 交易量呈现回升趋势.
NFT市场的波动性不仅动摇了投资者的信心, 引发了对市场资产泡沫的担忧, 同时也激发了学术界对其波动原因的深入探讨. 在传统金融资产市场中, 资产价格通常随供求关系变化围绕其内在价值波动. 相较之下, NFT作为一种新兴的数字资产, 其价值判定与传统金融资产如股票、债券等存在显著差异, 其价格形成及波动受到多种因素的综合影响.
首先, NFT通常采用比特币、以太坊等加密货币进行交易, 这些货币本身的价格波动性高, 易受政策监管、宏观经济状况等影响, 容易诱发市场泡沫(江哲丰和彭祝斌, 2021; 魏丽婷等, 2022). 其次, NFT的价值在很大程度上取决于买卖双方的主观意愿和预期, 其内在价值难以准确评估, 这导致其市场波动幅度进一步扩大. 第三, NFT市场的炒作行为日益频繁, 进一步加剧了价格的波动性(赵子龙, 2021; 谢波和韩梓龙, 2023). 投资者可能通过高杠杆交易和短期投机来追求高额回报, 这种过度投机行为可能会使NFT价格偏离其真实价值, 导致市场出现泡沫. 第四, 有学者指出, 区块链技术赋予NFT “稀缺性”和“唯一性” (王功明, 2021), 使得不同NFT之间无法进行等价交换. 收藏者因获取这种独特性和稀缺性而愿意支付高于其内在价值的溢价, 增加了市场的不确定性.
NFT作为一类独特的数字资产, 其价值影响因素显著不同于传统金融资产(吴一楷, 2022). 特别是, 加密货币的高度波动性、对NFT价值的主观评估、市场炒作行为以及NFT固有的稀缺性等因素共同作用, 可能引发异常的价格波动乃至市场泡沫. 泡沫的破裂不仅可能导致投资者遭受重大损失, 还可能削弱市场对NFT及其底层区块链技术的信心, 从而对市场的长期健康发展构成威胁.
本研究旨在使用一种更为全面的方法论框架, 深入探讨NFT价格泡沫的存在性, 并量化分析导致NFT价格泡沫形成的相关因素及影响机制. 本文的主要贡献和创新点包括: 第一, 本研究首次将GSADF方法应用于NFT的艺术品、收藏品和游戏细分市场. 通过对比分析, 揭示了NFT细分市场的风险特性与泡沫行为, 填补了现有文献在细分市场层面关于NFT价格泡沫研究的空白. 第二, 本文创新地构建了一套融合金融市场、市场情绪和加密货币等因素的多维度指标体系, 以更加综合的视角预测NFT价格泡沫, 填补了现有文献中NFT价格泡沫预测指标框架的空缺, 并为NFT价格泡沫的早期识别和风险管理提供了重要工具. 第三, 本文采用基于决策树的梯度提升方法(XGBoost、LightGBM、CatBoost)等先进机器学习模型, 提高了NFT价格泡沫预测的精确度和可靠性. 特别地, 本研究首次对NFT价格泡沫进行了二元分类预测, 开创性地将这些模型应用于金融市场泡沫的预测场景中, 填补了加密市场泡沫预测的研究空白. 第四, 本文首次将SHAP方法引入NFT价格泡沫的影响机制分析, 通过对NFT价格泡沫形成的影响因素进行定量分析和重要性排名可视化, 提供了分析NFT价格泡沫影响机制的新视角, 填补了相关研究空白.
本文深入探讨了NFT市场中泡沫的存在及NFT泡沫形成的多元影响因素, 不仅在理论上丰富了对于NFT市场中泡沫现象的认识, 而且在实证上为泡沫的检测与管理提供了重要的依据. 此外, 本文通过分析影响NFT价格泡沫的关键因素, 对于有效监测市场风险、预防泡沫的产生、保护投资者权益、维护市场秩序以及促进加密资产市场的稳健发展, 具有重大的实践意义. 因此, 本文的研究成果不仅为政策制定者和市场参与者提供了关键的策略建议, 也为未来在该领域的相关研究奠定了坚实的学术和实践基础.
本文的剩余部分安排如下: 第二部分是文献综述, 以建立研究背景和理论基础; 第三部分是实验设计及研究方法, 详细介绍分析框架及数据处理过程; 第四、五部分是实证研究, 包括实证结果和主要发现; 最后, 第六部分总结本研究的关键结论, 并就理论和实践层面提出启示.

2 文献综述

本文致力于探索NFT市场中泡沫的影响机制, 旨在实现以下四个研究目标: 1)对NFT市场及三个重要的子市场进行价格泡沫检测; 2)深入分析影响NFT价格泡沫的多重因素; 3)将多因素纳入机器学习模型, 实现对NFT价格泡沫的建模分析; 4)评估多因素对NFT资产泡沫影响的重要性排序和作用方向, 为市场参与者和政策制定者提供有力的决策支持. 为此, 本部分将对相关领域文献进行系统性综述, 以提供全面而深入的分析.

2.1 NFT价格泡沫检测

在资本市场泡沫的理论研究中, 主要分为理性泡沫理论与非理性泡沫理论两大类. 由于非理性泡沫的定量描述具有一定的挑战性, 学术界普遍采用基于理性泡沫理论的实证方法来量化资产泡沫. 目前广泛应用的泡沫检验方法包括方差界检验法(Shiller, 1981)、二步检验法(West, 1987)、单位根-协整检验法(Diba and Grossman, 1988)、马尔可夫转移单位根法(Evans, 1991) 以及 Phillips et al. (2015)提出的广义单位根检验法(GSADF). 近些年来, GSADF方法凭借在更长的时间跨度上检测多周期泡沫的能力更强、标记出的泡沫存续期更贴合现实情况, 成为了学者们界定资产泡沫的主流方法.
随着加密市场的迅速发展, 学术界的关注焦点逐渐聚焦在其泡沫现象的研究. Cheah and Fry (2015)的研究发现, 比特币等代表性加密货币在交易价格中缺乏基本面支撑, 存在显著的投机性泡沫. Corbet et al. (2018)的研究指出, 在2017年底, 比特币和以太坊价格的剧烈波动展现了典型的资产泡沫特征. 为进一步探究加密货币泡沫, 多位学者对主流加密货币进行了泡沫检测、标注, 并分析了不同加密货币泡沫间的相关性.
尽管加密货币泡沫的研究相对成熟, 但关于NFT价格泡沫检测的探索还处于初步阶段. Maouchi et al. (2022)采用PS方法研究了在COVID-19疫情背景下, NFT和DeFi市场中数字资产的泡沫现象. 他们发现, 在疫情期间, NFT和DeFi市场确实存在价格泡沫, 尽管这些泡沫不如传统加密货币那样频繁, 但其爆发的幅度更大. Wang et al. (2022)同样研究了NFT和DeFi市场中的泡沫行为, 采用SADF和GSADF方法检测泡沫, 并发现NFT和DeFi市场都存在泡沫行为, 且都包含着显著的投机成分. 他们的研究进一步表明, 相比DeFi市场, NFT市场的泡沫出现更为频繁, 其爆发强度也普遍更大. 此外, 这些研究还发现, 市场炒作行为、加密货币市场的不确定性与NFT价格泡沫的形成存在密切的关联.

2.2 影响NFT价格泡沫的关键因素

NFT价格泡沫的形成受到多种因素的影响, 作用机制复杂多样. 经过对NFT市场及资产泡沫相关文献的系统梳理, 归纳出以下三个主要影响因素:
1) 加密市场内部因素. Urom et al. (2022)的研究表明, 比特币价格上涨可能会导致NFT市场回报下降. Dowling (2022)Akkus and Dogan (2023)的研究发现加密货币和NFT市场之间存在有限的波动溢出效应, 并通过小波相干分析揭示了两组市场之间的协同运动. 此外, Wang (2022)的研究指出, 加密货币市场对NFT市场波动的影响显著高于股票、商品、债券和黄金市场.
2) 传统金融市场因素. Bouoiyour et al. (2019)发现, 比特币与黄金的市场回报率之间存在显著且强烈的正相关关系. Aharon and Demir (2022)发现, NFT与传统资产类别(如黄金、股票、石油、债券和美元指数)之间的相关性相对较弱, 但与以太坊等其他加密资产的相关性相对较强.
3) 市场情绪因素. Corbet et al. (2018)认为市场参与者的过度乐观和羊群效应可能会导致加密市场价格虚高, 并最终在市场中形成价格泡沫, 引发市场崩溃. Urom et al. (2022)的研究发现石油、股票和黄金市场的不确定性指数(OVX、VIX、GVZ)以及美国经济政策不确定性指数(EPU)可以有效预测Cryptopunks和加密市场的回报, 强调了市场情绪在预测NFT价格泡沫方面的重要作用.
综上所述, NFT价格泡沫的形成可视为多元因素相互作用的结果, 既包括加密市场内部的动态变化, 也涉及到传统金融市场因素与市场情绪的影响. 这些因素共同形成了NFT价格泡沫形成的复杂影响机制.

2.3 NFT价格泡沫预测模型

在加密资产价格泡沫预测与分析的领域, 现有研究数量相对有限. Gerlach et al. (2019)Shu and Zhu (2020)采用对数周期幂律奇点(LPPLS)模型对比特币价格泡沫进行研究, 旨在实时识别泡沫的不同阶段. 研究结果显示, LPPLS信心指数能有效地揭示泡沫的存在并预测其崩溃时机. 相较之下, 针对NFT价格泡沫的实证分析在学术界尚处于起步阶段, 特别是缺乏针对NFT价格泡沫进行分类分析的研究.
对加密货币价格的预测分析则更为广泛, 涵盖了计量经济学方法、人工智能技术及其混合应用等多种方法.
在计量经济学方法, 如差分自回归移动平均模型(ARIMA)、向量自回归模型(VAR)以及广义自回归条件异方差模型(GARCH), 多基于时间序列的统计方法, 并依赖历史数据进行预测. Klein et al. (2018)运用BEKK-GARCH模型研究比特币与黄金价格的相关性, 而 Munim et al. (2019)发现ARIMA模型能够有效地预测高波动性的比特币价格.
人工智能方法包括人工神经网络(ANN)、反向传播神经网络(BPNN)、支持向量机(SVM)、随机森林(RF)、长短时记忆网络(LSTM)、极端梯度提升(XGBoost)、CatBoost、轻型梯度提升机(LightGBM)等. 这些模型通过学习大量历史数据, 适应非线性和非稳态趋势, 用于预测波动性高的金融资产价格. 例如, McNally et al. (2018)利用RNN和LSTM模型预测比特币价格, 显示出高于ARIMA模型的预测精度. Poongodi et al. (2020)采用SVM模型预测以太币价格, 证明其精度优于传统计量经济学方法. 孙少龙等(2022)方思然等(2023)通过结合舆情信息和多种人工智能方法, 提高了汇率价格的预测精度.
混合方法结合了多种预测模型, 旨在提高预测准确性. 例如, Guo et al. (2021)采用MRC-LSTM混合模型, 结合了多尺度残差卷积神经网络(MRC)和长短期记忆(LSTM)来实现比特币收盘价预测. Quek et al. (2022)使用新模糊时间序列模型(QFTS)和ANN结合的混合模型预测九种加密货币的收盘价和交易量, 证实其效果优于单一模型.

2.4 可解释AI方法SHAP

在加密资产价格泡沫预测的学术研究中, 机器学习模型由于其计算过程的复杂性和参数的难以解释性, 常被视为“黑箱” (洪永淼和汪寿阳, 2021; Raihan et al., 2023). 为了提高机器学习模型的预测结果的可解释性, SHapley Additive exPlanation (SHAP)框架逐渐成为一种广泛应用于各类机器学习模型的解释性工具. SHAP的核心思想基于博弈论中的Shapley值原理, 其方法是将机器学习模型的预测结果视为多变量函数的输出, 并借助Shapley值对特征进行重要性排序, 从而揭示哪些特征对预测结果有积极或消极的影响(曹睿等, 2021; 谭本艳等, 2022; 肖争艳等, 2022). SHAP的应用广泛, 使研究者能够更好地理解复杂机器学习模型的预测机制, 识别关键特征, 发现预测中的关键因素.
在加密货币领域, 已有研究应用SHAP来解释机器学习模型的预测结果. 例如, Goodell et al. (2023)使用SHAP解释比特币价格预测模型, 分析了影响比特币价格的金融和宏观经济因素, 还研究了俄罗斯-乌克兰战争对加密货币市场的影响, 以及气候政策不确定性、通货膨胀、衰退的公众关注、Twitter不确定性和新闻情绪等因素的作用. Jana et al. (2022)则应用神经网络算法预测比特币挖掘过程的能耗和电子废物生成, 使用SHAP和LIME解释特征对预测结果的影响. 然而, 尚未有研究将SHAP应用于NFT市场预测的解释.
通过对现有文献的梳理, 我们发现尽管NFT市场近年来获得越来越多的关注, 但对其价格泡沫的深入探究仍存在较大空白. 特别是在NFT价格泡沫的检测、预测以及影响因素分析方面, 现有研究非常有限. 第一, 关于NFT价格泡沫检测的研究相对缺乏, 特别是在国内学术领域, 这一议题尚未得到充分探索. 第二, 现有NFT价格泡沫研究主要聚焦于泡沫存在性检验及泡沫存在时间的标记, 对于其预测方面的研究尤为缺乏. 第三, NFT价格泡沫预测是一个涉及多个宏观经济因素和市场情绪的复杂任务, 目前尚未建立一个全面的NFT价格泡沫预测指标体系. 因此, 对于影响NFT价格泡沫因素的探索仍处于起步阶段, 仅有少数研究尝试探讨了特定因素的作用. 同时, 对于哪些因素在促进或抑制NFT价格泡沫方面起关键作用也存在一定的研究空白. 基于此, 本文希望填补以上研究空白, 全面检测NFT市场的价格泡沫, 并分析致使其产生的宏观经济因素及市场情绪因素. 本文还通过预测NFT价格泡沫的形成并应用可解释AI方法, 探讨各个影响因素的重要性排序和影响方向.
本研究通过引入先进的分析方法和构建综合的指标体系, 旨在为市场参与者和政策制定者提供关于NFT价格泡沫的深刻见解, 为投资决策和市场监管提供理论与实践的坚实基础.

3 实验设计及研究方法

3.1 实验设计

本研究基于对现有文献的全面梳理, 发现在NFT价格泡沫检测及其影响因素分析方面存在研究空白. 因此, 我们旨在深入剖析NFT市场的泡沫特性, 并分析多种影响因素对泡沫的作用机制.
在研究过程中, 我们面临的主要挑战包括: 首先, 资产泡沫通常被理解为市场价值显著超过内在价值的现象, 但加密资产的内在价值评估存在广泛争议, 这要求我们找到一种能够绕过传统“内在价值”评估同时有效识别价格泡沫的方法. 其次, 对于具有高风险和高波动性的加密资产, 如NFT, 选择合适的模型来对其泡沫建模拟合至关重要, 这有助于市场参与者更有效地识别风险并进行风险管理. 最后, 考虑到传统机器学习模型作为“黑箱”的计算特性, 挖掘模型预测中自变量对因变量影响程度的明确信息变得尤为复杂, 这限制了其在提供市场分析和决策支持方面的应用.
因此, 鉴于上述诸多挑战, 本研究旨在提出一种创新的方法论, 通过图 1所描绘的五个主要步骤, 来预测和分析NFT价格泡沫. 这一方法论从以下五个方面展开:
图1 实验设计

Full size|PPT slide

1)数据搜集: 本文搜集了NFT市场的日度价格数据, 不仅包括整体市场, 还包括艺术品(art)、收藏品(collectible)、游戏(game)三个关键子市场. 此外, 为构建预测模型, 我们还收集了传统金融资产价格、市场情绪指标和加密货币价格等自变量数据.
2)泡沫检测: 在此阶段, 我们采用GSADF和BSADF方法处理全品类NFT及其子市场(艺术品、收藏品、游戏)的数据, 进而生成了表征NFT价格泡沫的哑变量序列, 包括全品类泡沫(all segment dummy)、艺术品泡沫(art dummy)、收藏品泡沫(collectible dummy)、游戏泡沫(game dummy). 在这些序列中, 泡沫存在的日期标记为1, 否则为0, 这些序列将作为后续模型预测的因变量.
3)数据集平衡性处理: 本研究采用SMOTE过采样技术对泡沫哑变量序列进行平衡处理, 增加泡沫样本的比例, 以解决原始数据集中类别不平衡的问题, 从而为模型的训练提供了均衡的数据基础.
4)模型预测与评估: 本部分构建了四种预测组合, 因变量包括全品类NFT市场泡沫及艺术品、收藏品、游戏类泡沫, 自变量包括传统金融资产价格、市场情绪指数和加密资产价格. 预测模型采用基于决策树的梯度方法的三种机器学习模型: XGBoost、LightGBM和CatBoost. 通过比较准确率、精确率、召回率等性能指标, 选出预测效果最佳的CatBoost模型, 用于NFT价格泡沫的预测.
5) SHAP分析: 为解析NFT价格泡沫预测过程中的“黑箱”问题, 并识别影响泡沫形成的关键因素, 本文采用了可解释人工智能方法——SHAP. 通过SHAP方法的可视化分析, 识别出对NFT价格泡沫形成起促进或抑制作用的主要特征, 从而为利用传统金融市场数据、市场情绪指数及加密货币价格拟合NFT价格泡沫的形成提供新的见解.

3.2 GSADF与BSADF模型

为了检测NFT市场中是否存在泡沫, 以及泡沫的开始和结束时间, 我们采用 Phillips et al. (2015)提出的generalized supremum augmented dickey-fuller test (GSADF检验). 该模型利用递归滚动窗口的方法, 能够在一个特定时间段内识别出多个潜在的轻微泡沫现象.
GSADF模型的基础是supremum augmented dickey-fuller (SADF) test, 核心递归回归方程式是:
ΔPt=α+βPt1+i=1jφiΔPt1+εt,
(1)
其中, Pt是时间点t的资产价格的自然对数; α是常数截距项; βφ是回归系数; j是根据贝叶斯信息准则(bayesian information criterion, BIC); εt是在正态分布假设下的误差项. 此模型的原假设是β=0, 表明存在单位根, 即无泡沫; 备择假设是β>0, 表明存在泡沫行为.
GSADF模型是对方程(1) 的对数子样本以递归的方式进行重复估计, 可以更敏锐的捕捉到泡沫的存在. 方程是:
GSADF(r0)=supADFr1r2r2[r0,1]r1[0,r2r0].
(2)
BSADF模型基于右尾ADF test, 用于确定每个泡沫的起源和破裂, 是ADF统计量序列的上限值. 方程是:
BSADF(r0)=supADFr1r2r1[0,r2r0],
(3)
其中r0为最小窗口大小; r1是起始点, 其范围是从0到r2r0; r2是终点, 其范围是从r0到1. 根据 Phillips et al. (2015)提出的公式最小窗口大小r0可以通过公式r0=0.01+1.8/t确定. 当BSADF统计量超过临界值时, 标志着泡沫的产生; 当其小于临界值时, 泡沫消失.

3.3 XGBoost模型

XGBoost模型, 由陈天奇于2016年开发, 是基于梯度提升决策树的一种改进算法, 整合了线性规模求解器和树学习算法(谢勇等, 2019). XGBoost在GBDT算法仅使用一阶导的基础上, 对损失函数进行了二阶泰勒展开, 并引入正则项以控制模型的复杂度并防止过拟合. XGBoost模型的表达式如下:
y^l=k=1Kfk(xi),fkF.
(4)
对于给定数据集D={(xi,yi):i=1,2,,n,xiRP,yiR}, 其中n为样本个数, 每个样本有P个特征. 假设给定k (k=1,2,,K)个回归树, xi为第i个数据点的特征向量, fk是一个回归树, F是回归树的集合空间.
XGBoost的目标函数如下所示:
Xobj=inl(y,y^l)+k=1KΩ(fk)
(5)
Ω(fk)=γT+12λj=1Tωj2,
(6)
其中, inl(y,y^i)用来衡量预测值和真实值之间的差异; k=1KΩ(fk)是正则化项. T表示叶子节点数量, ω是叶子节点的权重值, γ是叶子树的惩罚系数, 用于控制模型复杂度.
XGBoost使用梯度提升策略, 即多次添加新的回归树到原有的模型中, 迭代过程如下所示:
{y^l=0,y^l(1)=f1(xi)=y^l(0)+f1(xi),y^l(t)=y^l(t1)+ft(xi).
(7)
每次迭代, 目标函数会更新为:
Xobj(t)=i=1nl(yi,y^l(t1)+ft(xi))+Ω(ft).
(8)
将目标函数进行二阶泰勒展开, 并引入正则项:
Xobj(t)i=1n[l(yi,y^l(t1)+ft(xi))+12hift2(xi)]+Ω(ft).
(9)
将每个数据的损失函数值加总, 得:
Xobj(t)i=1n[gift(xi)+12hift2(xi)]+Ω(ft),
(10)
其中, gi=y^(t1)l(yi,y^(t1)), hi=y^(t1)2l(yi,y^(t1)).

3.4 LightGBM模型

LightGBM是一种梯度提升决策树模型, 其核心目标在于利用集成基分类器(即决策树)来建立最优模型. 与同类模型(如XGBoost)相比, LightGBM在处理多维度大数据集时表现出更高的计算效率和可扩展性. 为解决大数据集和高维度特征带来的挑战, LightGBM引入了两项关键技术: 单边梯度采样算法(GOSS)和互斥特征捆绑算法(EFB). 这些技术的应用使得LightGBM在大规模数据集下拥有更快的计算速度, 并且能够更好地处理高维度特征. 因此, LightGBM模型在各种数据挖掘和机器学习任务中得到了广泛应用.
梯度单边采样算法是一种平衡减少数据量和保证准确性的算法. 它通过保留梯度较大的数据, 剔除大部分权重较小的样本, 仅保留对信息增益有贡献的样本. 在数据采样过程中, GOSS根据梯度的绝对值大小对待分割的特征进行排序, 并选取具有最大绝对值的一部分数据和随机选取的一部分数据, 再使用常数来平衡梯度较小的样本. 这一策略旨在保留重要的梯度信息的同时, 保持数据分布的平衡, 从而提高算法的效率.
特征互斥算法则针对高维度数据中的稀疏性问题而设计. 该算法基于互斥原则, 即仅在两个特征的数值均非零时才进行特征捆绑. 通过衡量特征间的矛盾比例, EFB算法能够将部分非完全互斥的特征结合起来, 实现无损降维. 这种方法可有效降低特征维度, 同时不影响最终模型的精确度.

3.5 CatBoost模型

CatBoost算法由Yandex团队开发, 于2017年首次推出, 是一种基于梯度提升决策树的机器学习算法, 用于应对各种复杂的数据挖掘和预测任务. CatBoost的名称源自“Categorical Boosting”, 强调了其在处理分类特征上的优势. 其设计目标是在提高预测性能的同时, 最大限度地减少人工调参的需求, 并处理广泛的数据类型, 包括数值特征、分类特征和文本特征. CatBoost模型的表达式如下:
xi,j=k=1n[xk,j=xi,j]Yk+αPk=1n[xk,j=xi,j]+α,
(11)
其中, xi,j代表第j个特征的第i个类别的取值, Yk表示相应的标签值. 分子表示在第j个特征的第i个类别的取值下, 所有对应标签值的总和, 分母表示第j个特征的第i个类别的样本数量. 在此基础上, 引入了先验项P, α是一个大于0的权重系数. 添加先验分布项有助于减少数据中的噪音, 并克服低频类别数据对模型的影响.
CatBoost算法的优势体现在多个方面. 首先, 它采用了一种特殊的自然梯度提升(natural gradient boosting)方法, 能够更有效地利用梯度信息进行模型优化. 其次, CatBoost在处理分类特征时具有独特的处理方式, 能够直接处理原始的类别特征, 而不需要进行独热编码等预处理操作, 从而避免了维度爆炸和信息损失. 此外, CatBoost还引入了一种基于对称叶节点分裂(symmetric tree based splitting)的新型树节点分裂策略, 有助于构建更加鲁棒和泛化能力强的决策树模型.

3.6 SHAP方法

SHAP方法由 Lundberg and Lee (2017)提出, 基于条件期望和Shapley值的博弈论原理, 构建了一种加性特征解释方法. 该方法将所有特征视为对模型预测的贡献者, 并计算各特征的贡献值, 其总和即为SHAP方法下的预测值(陈曦泽等, 2023). 此方法可用于分析多种机器学习模型的预测结果, 包括LightGBM, NGBoost, CatBoost, XGBoost和Scikit-learn等(Jabeur et al., 2021).
对于本文的XGBoost这一梯度提升模型, 其特征集合N包含n个特征用于预测输出值. SHAP方法中, 特征i的贡献为ϕi, 对模型输出的贡献v(N)以其边际贡献分配. SHAP值计算方法如下:
ϕi=SN{i}|S|!(n|S|1)!n![v(S{i})v(S)].
(12)
基于加性特征归因方法, 二进制特征g的线性函数如下:
g(z)=ϕ0+i=1Mϕizi,
(13)
其中z{0, 1}M, M是输入特征的数量, 且ϕiR.

4 NFT价格泡沫检测与预测建模

4.1 实验数据

本文使用了2018年4月5日到2022年8月1日的四类日度数据: (1) NFT价格、(2)传统金融资产价格、(3)市场情绪指数以及(4)加密货币价格共1580个观测点.
1) NFT价格: 我们从世界上最大的NFT资源库 https://nonfungible.com/获得NFT的每日平均价格(以美元为单位). 具体而言, NFT数据包括全品类NFT数据的All Segment, NFT市场中主流的三个类别Art, Collectible, Game. 这一数据集层次丰富, 能够全面且稳健地揭示NFT市场的泡沫特征.
2) 传统金融资产价格: 本文选用了多个传统金融资产的价格, 包括WTI原油价格(WTI)、黄金价格(GOLD)、标普500指数(SP-500)、美元指数(USDindex)的日度数据, 数据来源于investing.com.
3) 市场情绪指数: 本文选用了三个指标作为市场情绪指数. 芝加哥期权交易所波动性指数(VIX)通常用于反映市场恐慌情绪, 指数值越高意味着市场对未来波动的预期越大(Whaley, 2000). 全球经济政策不确定性指数(GEPU)的波动可以反应全球经济政策的不确定程度(Li et al., 2020). 此外, 本文还使用了Google Trend数据来衡量市场对“NFT”和“Non-fungible tokens”关键词的关注度, 以此作为市场情绪的代理指标.
4) 加密货币价格: 鉴于加密货币市场日益增长的多样性, 本文纳入了多种加密货币, 以最大限度地反映市场的多样性. 数据来源于 https://coinmarketcap.com, 包括市值排名靠前的加密货币每日收盘价(以美元计): 比特币(Bitcoin)、以太坊(Ethereum)、瑞波币(Ripple)、莱特币(Litecoin)、NEM、达世币(Dash)和恒星币(XLM).
考虑到传统金融市场在非工作日不开盘的情况, 数据集中存在部分缺失. 为保证后续泡沫检测和预测的准确性, 我们采用线性插值法对缺失值进行补全. 补全后数据的描述性统计见表 1.
表1 描述性统计
分类 指标 样本量 均值 标准差 最小值 中位数 最大值
NFT价格 All Segment 1580 420.72 631.96 5.55 42.76 3608.81
Art 1580 1190.26 2069.50 1.28 160.05 17838.57
Collectible 1580 853.09 1441.91 1.44 17.46 8694.45
Game 1580 157.45 266.33 4.45 40.00 2588.89
传统金融资产价格 WTI 1580 62.89 20.51 37.63 61.11 123.70
GOLD 1580 1615.03 252.81 1184.00 1721.90 2069.40
SP-500 1580 3446.81 564.30 2237.40 3446.81 4796.56
USDindex 1580 95.57 2.93 88.71 95.57 108.03
市场情绪指数 VIX 1580 21.16 8.66 10.85 19.15 82.69
GEPU 1580 264.71 55.84 162.13 263.61 437.24
Google Trend 1580 10.22 19.38 0.00 0.00 100.00
加密货币价格 Bitcoin 1580 21018.02 18054.03 3228.70 10309.15 67527.90
Ethereum 1580 1139.34 1282.78 85.20 388.57 4807.30
Ripple 1580 0.50 0.31 0.14 0.37 1.84
Litecoin 1580 97.98 60.16 23.46 75.47 386.45
NEM 1580 0.13 0.11 0.03 0.10 0.80
Dash 1580 136.28 84.40 39.87 107.66 530.13
XLM 1580 0.19 0.13 0.03 0.14 0.73

4.2 基准方法和预测评价准则

本文采取了多种二分类问题的预测精度评价指标作为预测模型性能的评估标准. 具体来说, 本文使用了常见的评价指标为准确率、精准率、召回率和F1值.
准确率(Accuracy)是分类器正确预测的样本数量与总样本数量之比, 是对分类器整体性能的评估. 计算公式为:
Accuracy=TP+TNTP+TN+FP+FN.
(14)
准确率衡量了分类器对所有样本的分类准确性, 是分类器整体性能的重要指标.
精确率(Precision)是分类器在预测为正例的样本中真正为正例的比例. 计算公式为:
Precision=TPTP+FP.
(15)
精确率衡量了分类器在正例预测中的准确性, 即被分类为正例的样本中, 有多少是真正的正例.
召回率(Recall)是分类器正确预测为正例的样本数量与实际为正例的样本数量之比. 计算公式为:
Recall=TPTP+FN.
(16)
召回率衡量了分类器找出所有正例的能力, 即实际为正例的样本中, 有多少被成功地预测为正例.
F1分数(F1 Score): 是精确率和召回率的调和平均值, 提供了综合考虑精确率和召回率的指标. 计算公式为:
F1=2×P×RP+R.
(17)
F1分数将精确率和召回率结合在一起, 适用于需要综合考虑精确率和召回率的应用场景. 其取值范围在0和1之间, 值越接近1表示模型的预测精度越高.
其中, TP (true positives)指的是预测结果和真实值都为正类, FP (false positives)指的是预测结果为正类而真实值为负类, TN (true negatives)指的是预测结果和真实值都为负类, FN (false negatives)指的是预测结果为负类而真实值为正类.
ROC曲线(receiver operating characteristic curve)和AUC (area under the ROC curve)是用于评估二分类模型性能的重要工具. ROC曲线是一种以假阳率(false positive rate, FPR)为横轴, 真阳率(true positive rate, TPR)为纵轴的图形, 其曲线下方的面积即为AUC.
根据二分类问题的混淆矩阵, 我们可以通过计算得到真阳率和假阳率.
真阳率(TPR)表示被正确分类为正例的样本在所有实际正例样本中的比例, 计算公式为:
TPR=TPTP+FN.
(18)
假阳率(FPR)表示被错误分类为正例的样本在所有实际负例样本中的比例, 计算公式为:
FPR=FPFP+TN.
(19)
图 2所示, ROC曲线的纵轴为TPR, 横轴为FPR, 横纵坐标都在[0,1]范围内. ROC曲线上的每个点对应于分类器在不同阈值下的TPR和FPR. 通常来说, ROC曲线越靠近左上角(0,1), 分类器的性能越好.
图2 ROC曲线和AUC面积示意图

Full size|PPT slide

AUC即ROC曲线下方的面积, 它的取值范围在0到1之间, 表示分类器将正例排在负例前面的概率. AUC值越接近1, 说明分类器性能越好; AUC值为0.5时, 表示分类器的性能与随机猜测无异.
ROC曲线和AUC提供了一种评估二分类预测精度的方法, 可用于定量比较不同分类器的预测性能.

4.3 数据集平衡性处理

经过NFT泡沫检验环节, 我们发现本数据集是一个不平衡数据集. AllSeg中, 泡沫标识为1的有53个(占比为3.35%), 泡沫标识为0的有1527个(占比为96.65%); Art类中, 泡沫标识为1的有31个(占比为1.96%), 泡沫标识为0的有1549个(占比为98.04%); Collectible类中, 泡沫标识为1的有53个(占比为3.35%), 泡沫标识为0的有1527个(占比为96.65%); Game类中, 泡沫标识为1的有43个(占比为2.72%), 泡沫标识为0的有1537个(占比为97.28%). 本文的数据集中由于泡沫检测为1的样本数量较少, 在二分类过程中, 容易导致大量少数类被错误分类. 因此, 为提高分类器预测性能, 减少样本的不平衡程度, 符合二分类方法的分类前提, 本文采用SMOTE过采样方法, 对原始数据集进行处理. SMOTE算法通过人工合成新的少数类样本, 通过插值方法, 生成介于真实少数类样本之间的新样本, 以实现数据集的平衡.
本文通过使用Python编程中的imblearn.over_sampling模块来实现SMOTE过采样方法. 处理前和处理后的数据集频数展示在表 2中, 经过数据集平衡性处理, 泡沫标识为0和泡沫标识为1的占比各达到50%, 数据集不平衡问题得到解决.
表2 数据集平衡处理结果频数表
变量 选项 处理前 处理后
频数 百分比(%) 频数 百分比(%)
AllSegDummy 0 1527 96.65 1527 50
1 53 3.35 1527 50
ArtDummy 0 1549 98.04 1549 50
1 31 1.96 1549 50
CollectibleDummy 0 1527 96.65 1527 50
1 53 3.35 1527 50
GameDummy 0 1537 97.28 1537 50
1 43 2.72 1537 50

4.4 机器学习模型的参数设置

本文采用Python编程语言作为实现预测模型的基础平台. 模型的参数设置详见表 3, 这些模型参数的设置旨在实现最优的预测性能, 同时保持模型的泛化能力和计算效率. 以下是各个模型的参数配置细节:
表3 模型参数设置
模型 参数名称 参数值
XGBoost 学习率(learning_rate) 0.01
最大树深度(max_depth) 4
树的数量(n_estimators) 100
最小子节点权重(min_child_weight) 30
样本子采样(subsample) 0.6
L1正则化参数(reg_alpha) 0.1
L2正则化参数(reg_lambda) 0.7
目标函数(objective) binary: logistic
LightGBM 学习率(learning_rate) 0.01
最大树深度(max_depth) 4
树的数量(n_estimators) 100
最小子节点权重(min_child_weight) 30
样本子采样(subsample) 0.6
L1正则化参数(reg_alpha) 0.1
L2正则化参数(reg_lambda) 0.7
目标函数(objective) binary
CatBoost 学习率(learning_rate) 0.01
最大树深度(max_depth) 4
树的数量(n_estimators) 100
最小子节点权重(min_child_samples) 30
样本子采样(subsample) 0.6
L2正则化参数(l2_leaf_reg) 0.1
损失函数(loss_function) logloss
特征随机采样比例(rsm) 0.8
1) XGBoost模型: 该模型采用二分类的逻辑回归作为目标函数. 学习率设置为0.01, 最大树深度为4, 树的数量为100, 最小子节点权重为30, 样本子采样率为0.6. 此外, 采用L1正则化参数为0.1, L2正则化参数为0.7. 目标函数为binary: logistic.
2) LightGBM模型: 该模型采用传统的梯度提升决策树算法作为提升类型, 并设置了二分类的目标函数, 以更贴合NFT价格泡沫的哑变量预测. 学习率设置为0.01, 最大树深度为4, 树的数量为100, 最小子节点权重为30, 样本子采样率为0.6. 此外, 采用L1正则化参数为0.1, L2正则化参数为0.7.
3) CatBoost模型: 该模型的目标函数设为Logloss, 适用于二分类问题. 学习率设置为0.01, 最大树深度为4, 树的数量为100, 最小子节点样本数为30, 样本子采样率为0.6. 此外, 采用L2正则化参数为0.1. 损失函数为logloss, 特征随机采样比例为0.8.

4.5 实证结果

根据前述的实验设计, 本文首先对NFT价格进行泡沫检测并标注泡沫发生的具体日期, 接着基于多源数据预测NFT价格泡沫, 最后进行SHAP分析以洞察预测结果的深层原因. 具体而言, 第4.5.1节展示了NFT价格泡沫检测的结果, 第4.5.2节讨论了基于传统金融资产价格、市场情绪指数、加密货币价格的NFT价格泡沫预测结果, 而第4.5.3节则探讨了SHAP分析对预测分析的启示.

4.5.1 NFT价格泡沫检测结果

表 4展示了所有的泡沫标注结果, 包括泡沫开始的日期、结束的日期及泡沫持续的时长. 总体而言, 全品类NFT和不同类别的NFT价格泡沫展现出不同的特征.
表4 NFT市场泡沫检测结果
NFT市场 起始日期 结束日期 持续时长(天)
AllSeg 1 2020/7/25 2020/8/4 11
2 2020/8/14 2020/8/20 7
3 2020/9/22 2020/10/1 10
4 2021/1/31 2021/2/11 12
5 2021/2/13 2021/2/25 13
Art 1 2021/3/9 2021/3/18 10
2 2021/8/20 2021/9/9 21
Collectible 1 2020/9/11 2020/9/21 11
2 2020/9/22 2020/10/1 10
3 2021/1/31 2021/2/11 12
4 2021/2/13 2021/2/25 13
5 2021/7/27 2021/8/2 7
Game 1 2019/9/7 2019/9/16 10
2 2021/1/26 2021/2/11 17
3 2021/8/12 2021/8/21 10
4 2022/6/26 2022/7/1 6
注: 本表显示了至少持续5天的泡沫情况.
在本文的观察期间, 全品类NFT市场经历了五个显著的价格泡沫期, 展现了泡沫的动态变化特征. 具体而言, 2020年的泡沫平均持续约9天, 而到了2021年, 这一数字增加至13天. 这种变化揭示了一个引人注目的趋势: NFT市场在2021年显现出更加持久的泡沫现象. 尤其值得注意的是, 这一期间, NFT市场的泡沫持续时间明显增长, 符合2021年NFT市场爆发增长的现实情况, 这一年被普遍视作NFT市场的“元年” (Guo et al., 2023). 众多高价值NFT的交易频繁出现在媒体报道和公众视野中, 特别是自2021年2月起, 市场增长显著, NFT交易额激增, 成为市场热度的一个重要标志.
在艺术(Art)类别的NFT市场中, 尽管泡沫出现的频次较低, 但其泡沫的平均持续时间最长, 体现了艺术类NFT的独特市场动态. 特别在2021年3月, 艺术家Beeple的作品《Everydays: The First 5000 Days》以6930万美元的价格售出, 这一事件不仅标志着艺术类NFT市场达到了一个高峰, 同时也激发了公众对艺术类NFT交易的广泛关注(秦蕊等, 2021; 郭春宁, 2021). 此外, 2021年8月至9月期间, 艺术类NFT出现了一次持续20天的显著泡沫, 该泡沫期间OpenSea平台在2021年8月的交易额达到34.25亿美元, 环比增长高达950%, 反映了市场的极高热度.
对于收藏品(collectible)类别的NFT, 我们发现其价格泡沫的出现频率最高, 但平均持续时间相对较短. 这一现象表明, 尽管收藏品类别的市场活跃度高, 但其泡沫的形成和消散较为迅速. 值得注意的是, 2020年末至2021年初的三次泡沫期与全品类NFT市场的泡沫时期高度吻合, 这一现象暗示了收藏品类别在整个市场中占据了主导地位. 尤其在2021年, Art类与Collectible类NFT的销售额合计占据了市场总销售额的90%以上, 凸显了这两大类别在NFT市场中的重要性和影响力.
游戏(game)类别的NFT市场在2019年便率先经历了价格泡沫, 预示着其市场热度先行于其他类别的市场. 值得注意的是, 2022年该类别经历了一个为期6天的独立泡沫, 这一现象在整体市场泡沫活动减少的情况下尤为显著. 这一发现不仅凸显了区块链游戏市场的持续吸引力和独特性, 而且表明即便在整体市场泡沫趋势放缓的大环境下, 游戏领域依旧能保持显著的市场活力和吸引力.
综上所述, NFT市场的泡沫特征与市场动态密切相关, 不同类别的NFT呈现出独特的泡沫行为. 这些泡沫的出现与市场热度、主流媒体关注度以及特定事件(如高价值NFT交易)紧密相关. 我们的分析不仅揭示了NFT市场泡沫的复杂性, 也反映了市场参与者对不同类别NFT价值认知的变化, 为理解和预测NFT市场的未来趋势提供了宝贵的视角.

4.5.2 模型预测性能比较

为了评估不同决策树模型在预测NFT价格泡沫方面的性能, 我们对数据集进行了划分, 其中70% 作为训练数据, 剩余的30% 用于预测. 因变量为通过GSADF方法得到的四种NFT价格泡沫的哑变量时间序列, 分别是All Segment Dummy、Art Dummy、Collectible Dummy、Game Dummy. 自变量则包括传统金融资产价格(WTI、GOLD、SP-500、USDindex)、市场情绪指数(VIX、GEPU、GoogleTrend)及加密货币价格(Bitcoin、Ethereum、Ripple、Litecoin、NEM、Dash、XLM). 通过对XGBoost、LightGBM、CatBoost这三种机器学习模型的综合比较, 我们得到了表 5所示的预测性能结果, 涵盖了准确率、精确率、召回率、F1值、AUC值以及KS值等关键指标, 以便全面评估模型性能.
表5 机器学习模型对NFT价格泡沫分类效果对比表
指标 模型 Allseg Art Collectible Game
训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集
准确率 XGBoost 0.949 0.955 0.991 0.985 0.963 0.964 0.919 0.934
LightGBM 0.958 0.961 0.992 0.990 0.965 0.977 0.927 0.937
CatBoost 0.948 0.953 0.995 0.990 0.959 0.971 0.940 0.953
精确率 XGBoost 0.914 0.922 0.983 0.975 0.945 0.945 0.867 0.884
LightGBM 0.931 0.932 0.985 0.983 0.936 0.956 0.897 0.912
CatBoost 0.907 0.916 0.991 0.981 0.925 0.944 0.895 0.913
召回率 XGBoost 0.992 0.993 0.999 0.996 0.984 0.985 0.991 0.996
LightGBM 0.991 0.993 0.999 0.998 0.999 1.000 0.966 0.965
CatBoost 0.999 0.996 1.000 1.000 1.000 1.000 0.999 1.000
F1 XGBoost 0.951 0.956 0.991 0.985 0.964 0.964 0.925 0.937
LightGBM 0.960 0.961 0.992 0.990 0.966 0.977 0.930 0.938
CatBoost 0.951 0.954 0.995 0.990 0.961 0.971 0.944 0.955
AUC值 XGBoost - 0.993 - 0.999 - 0.998 - 0.992
LightGBM - 0.992 - 0.999 - 0.997 - 0.989
CatBoost - 0.991 - 0.999 - 0.998 - 0.997
KS值 XGBoost - 0.950 - 0.978 - 0.963 - 0.955
LightGBM - 0.950 - 0.981 - 0.974 - 0.909
CatBoost - 0.918 - 0.991 - 0.987 - 0.963
在本研究中, 我们通过横向对比分析了三种先进的机器学习模型(XGBoost, LightGBM, 和CatBoost)在不同NFT市场细分领域内的性能表现. 首先, 针对整体NFT市场的预测性能评估表明, LightGBM模型以0.961的测试集准确率, 略高于XGBoost的0.955和CatBoost的0.953, 展示了其在处理全品类NFT数据时的轻微优势. 同时, LightGBM模型以0.932的测试集精确率、0.961的F1值高于其他模型. 这一结果体现了LightGBM在综合NFT市场分析中的适用性.
进一步地分析具体细分市场, 我们发现在艺术品NFT市场中, CatBoost模型以0.990的测试集准确率和1.000的完美召回率领先于其他模型的预测效果, 证明了其在捕捉艺术品NFT市场泡沫动态方面的卓越能力. 此外, 在收藏品和游戏类NFT市场的预测中, CatBoost模型也几乎在所有评价指标上展现了优异的性能. 特别值得注意的是, 在游戏类别中, CatBoost不仅保持了0.953的高准确率, 而且实现了1.000的召回率, 凸显了其在处理具有复杂特征集的数据时的显著优势.
尽管三种模型在全品类NFT市场预测中表现相近, 但CatBoost在艺术品和游戏细分市场中的表现尤为突出, 这可能源于其高级模型结构和算法优化, 使其能够更准确地适应这些细分市场的特征和泡沫动态. 选择CatBoost作为预测模型后, 本研究发现艺术类别在各子市场预测结果中精度最高, 其次是收藏品类别. 我们认为这一现象的原因主要有二: 一是艺术类NFT的泡沫动态主要集中在2021年, NFT市场的关键年份, 该年份市场交易量激增, 艺术类NFT与其他市场的关联性相对更强; 二是艺术类和收藏品类NFT占市场份额超过90%, 其中包括大众熟知的CryptoPunks等产品, 其市场动态与其他市场形成联动, 因此提高了预测精度.
综合来看, 虽然三种模型均展现了良好的预测性能, 但CatBoost在多个细分市场中的表现最为一致和突出. 尤其在艺术品和游戏类别的NFT市场中, 其高准确率和召回率的组合不仅证明了其预测能力的优越性, 也为NFT价格泡沫的预测提供了有力的工具.

5 模型可解释性分析

本部分深入探讨了SHAP方法在解释NFT价格泡沫形成过程中的应用. SHAP方法基于其后验解释框架, 通过计算Shapley值量化了不同特征对模型预测结果的贡献程度, 从而提供了一种精确评估模型特征重要性的途径. 经过对比分析多种模型的预测性能后, 本文选定了CatBoost作为最优预测模型. 此模型被用于识别和评估影响NFT价格泡沫形成的关键驱动因素. 进一步地, 本文通过对比分析, 揭示了影响全品类NFT及三个子市场价格泡沫形成的因素差异, 为理解NFT市场的波动性提供了新的视角.

5.1 特征重要性分析

在对NFT价格泡沫形成过程的影响因素进行系统性排序与分析的研究中, 图 3表 6展示了各因素根据其重要性的排序结果. 首先, 黄金(Gold)在NFT市场总体及收藏品子市场中占据显著地位, 暗示了黄金作为传统的避险资产, 其价格波动对NFT市场, 尤其是作为投资资产的收藏品市场有着深远的影响. 此外, 比特币(Bitcoin)在游戏子市场中影响力的主导地位凸显了加密货币, 特别是比特币在游戏相关NFT交易中的核心作用, 这一发现与当前数字货币市场的活跃度及其对游戏产业的渗透密切相关.
图3 SHAP特征重要性排序图

Full size|PPT slide

表6 NFT市场总体及子市场特征重要性排序对比
排序 Allseg Art Collectible Game
1 Gold Google Trend Gold Bitcoin
2 USDindex XLM Google Trend Google Trend
3 VIX Dash NEM WTI
4 WTI GEPU GEPU GEPU
5 Google Trend WTI USDindex Gold
6 Ethereum Litecoin VIX NEM
7 GEPU Bitcoin Ripple SP-500
8 XLM NEM Bitcoin Litecoin
9 Ripple Ethereum WTI XLM
10 NEM SP-500 Ethereum Ethereum
11 Bitcoin Ripple Litecoin Dash
12 SP-500 Gold XLM Ripple
13 Litecoin USDindex Dash VIX
14 Dash VIX SP-500 USDindex
值得注意的是, Google Trend作为一个反映网络搜索趋势和公众兴趣的指标, 在艺术、收藏品和游戏三个子市场中均显著影响NFT的价值, 这一点突出了互联网趋势对于NFT市场动态的普遍影响力. 这表明, 随着数字时代的发展, 网络舆情和公众关注度成为影响NFT价值的关键因素.
进一步地, 我们观察到加密货币在所有市场中的普遍重要性. 不同类型的加密货币, 如XLM (恒星币)、Dash等, 在艺术品NFT市场中重要性排名靠前, 这不仅反映了加密货币与艺术品交易之间的紧密联系, 也显示了数字货币在NFT艺术品类投资中的增长趋势.
同时, 经济和金融指标如美元指数(USDindex)和波动率指数(VIX)对全品类NFT市场和收藏品NFT市场的影响力均不容忽视, 这些因素反映了宏观经济环境和全球金融市场的变动对NFT价值的影响. 特别是全球经济政策不确定性指数(GEPU)在各个子市场中的显著性, 进一步强调了全球经济环境对NFT市场波动的影响.
最后, 通过横向比较我们发现, 尽管每个NFT子市场都有其独特的影响因素, 但如Google Trend、Gold和特定的加密货币(尤其是Bitcoin)等因素在不同市场中具有普遍的重要性. 这些共性和差异为理解NFT市场提供了重要视角, 对于未来的市场预测和策略制定具有指导意义. 同时, 每个子市场的特异性也提示市场参与者需深入分析各自市场的特定动态, 以制定有效的市场策略和决策.

5.2 基于SHAP的模型解释性结果

为了深入探究多元特征如何影响NFT价格泡沫的形成, 本研究采用SHAP特征贡献图进行了详尽的分析. 该图提供了一种直观的方式, 以识别和解释各特征在价格泡沫形成过程中的重要性排序及作用方向.
在SHAP特征贡献图中, 其纵向布局(y轴)按照特征的重要性进行排序, 其中重要性较高的特征被置于图的上端, 而重要性较低的特征则位于下端. 这一排序机使得我们可以直观地识别特征的重要性, 使得我们能够迅速区分出在预测NFT价格泡沫形成中起决定性作用的关键因素.
其横轴(x轴)则详细刻画了特征对预测结果的具体贡献方向. 通过观察Shapley值, 我们可以发现每个特征的的作用方向: 正值表示该特征对预测结果有正向贡献, 即推高NFT价格泡沫产生的可能性; 负值表明特征对预测结果产生负向影响, 即降低NFT价格泡沫形成的风险. 每个点围绕垂线的横向分布直接反映了其Shapley值的大小, 即每个特征的贡献度.
通过观察SHAP特征贡献图, 我们不仅能够识别出在NFT价格泡沫形成过程中起主导作用的特征, 还能深入理解这些特征是如何通过不同的机制影响并形成最终的预测结果. 这种分析方法为我们提供了一种强有力的工具, 以洞察复杂预测模型背后的动态关系, 进而增强了机器学习模型的解释性和决策过程的透明度.
图 4呈现了NFT市场总体中特征因素的SHAP值贡献度. 首先, 黄金作为一种传统避险资产却表现出对NFT价格泡沫的促进作用, 这可能表明投资者在面对市场不确定性时, 趋向于将加密资产(如NFT)视为一种新兴的避险工具或通胀对冲手段. 同时, 黄金价格的上升也可能是投资者风险偏好上升的信号, 推动资金流向包含NFT在内的高风险资产.
图4 NFT市场整体SHAP特征贡献图

Full size|PPT slide

与黄金这一传统的避险资产不同, 美元指数的上涨抑制了NFT价格泡沫的产生. 这种现象可能反映了一个更广泛的经济现象: 美元指数的升高往往预示着全球资本流动性的收紧. 在这种环境下, 投资者倾向于减少对以美元计价的高风险资产(如NFT)的投资, 导致这类资产市场吸引力降低.
原油价格(WTI)对NFT价格泡沫有抑制作用. WTI起到抑制作用可能是由于以下原因: 首先, 原油价格上涨通常会增加运输和生产成本, 进而影响整个经济的消费能力. 对于NFT市场, 这可能意味着投资者和收藏家的可支配收入减少, 从而减少了对NFT的购买力, 导致对NFT的需求下降. 其次, 投资者风险偏好可能随着WTI的变化而改变. 原油价格的波动往往被视为全球经济不稳定的标志. 原油价格的上涨或高波动性通常预示全球经济的不确定性增加, 导致投资者可能会倾向于减少对风险较高资产的投资, 包括NFT, 尤其是那些被视为奢侈或非必需的艺术和收藏品NFT.
在市场情绪指数方面, 恐慌指数(VIX)的升高通常与市场不稳定性和预期波动性的上升相联系, 这在SHAP分析中则表现为对NFT价格泡沫的促进作用. 这一方面可能是由于VIX刻画的是金融市场中专业投资者眼中的不确定性(Enoksen et al., 2020). 作为一种新型资产类别, NFT在市场动荡期间吸引了专业投资者的关注. 另一方面, VIX的上升通常标志着市场波动性和不确定性的增加, 这促使投资者寻求新的投资渠道以规避传统市场的不稳定, 尤其是相对独立于传统股市波动的资产. 在这种背景下, NFT市场, 特别是收藏品领域, 因其独特性和稀缺性, 被视为可能在股市波动时期提供价值保全甚至增值的潜力. 因此, 市场不确定性的增加直接推高了对这些非传统资产的需求, 进而促进了价格泡沫的形成.
然而, 谷歌趋势对NFT价格泡沫的抑制作用则提出了一种相反的观点, 尽管NFT在互联网上获得了更高程度的关注, 但其价格并没有相应上升. 这一现象背后的原因可能有两方面: 首先, 随着公众对NFT的了解逐渐加深, 人们对于NFT市场出现泡沫的担忧也随之增加. 这种担忧可能导致投资者持谨慎态度, 不愿盲目追高, 从而抑制了NFT价格的进一步上涨. 其次, 谷歌趋势作为衡量网络搜索热度的指标, 其上升实际上反映了公众对NFT的强烈兴趣. 然而, 这种兴趣并不直接被认定为购买行为, 而是更多地体现为公众对市场动向和未来不确定性的关注. 因此, 谷歌趋势的增加在一定程度上地揭示了公众对NFT市场不确定性的情绪, 而并未助推其价格上涨.
关注加密货币市场, 我们发现以太坊对NFT价格泡沫体现出了抑制效应. 原因可能在于, 以太坊作为NFT的核心交易平台, 其价格变动直接影响交易成本. 在以太坊网络上, 每项NFT交易或智能合约的执行均需消耗以太坊(ETH)作为燃料费, 随着以太坊价格的上升, 这些交易成本相应增加. 因此, 以太坊价格的提高, 实质上提高了参与NFT市场的门槛, 对寻求低成本交易机会的投资者构成了阻碍. 这种交易成本的上升抑制了对NFT的过度投机, 从而对价格泡沫的形成起到了一定的遏制作用.
此外, 关于比特币、标准普尔500指数、莱特币以及达世币等其他变量, 它们在SHAP分析中显示的重要性相对较低, 导致其对NFT价格泡沫的具体影响机制难以明确界定. 这种现象可能源于这些变量与NFT价格泡沫之间关系的复杂性, 或者是因为在本文所分析的数据集中, 这些变量对NFT价格的影响呈现出不一致性. 这表明, 虽然这些金融指标和数字货币在全球市场上发挥重要作用, 它们对NFT市场的作用可能同时受到市场情绪、经济环境变动及其他宏观经济指标动态等多重因素的影响.
综合而言, SHAP分析结果揭示了在NFT市场总体价格泡沫形成中, 传统避险资产与新兴数字资产之间的相互影响, 以及全球经济指标变化和市场情绪波动共同导致了NFT价格泡沫的形成.
为了方便更直观了解NFT价格泡沫形成机制, 我们对全品类NFT的某日泡沫形成原因进行了刻画, 如图 5(a)所示. 其f(x)值大于零, 代表在该时点泡沫已经形成. 其中, 标红部分为泡沫形成后, 起到正向贡献作用的特征, 即Gold、Ethereum、Dash、GEPU等; 该时点NFT价格泡沫形成后, Google Trend等其他因素对其起到负向贡献作用. 最终由于正向作用大于负向作用, 该时点最终表现为存在泡沫现象. 图 5(b)中, f(x)值小于零, 代表在该点NFT价格泡沫并未形成. 尽管VIX、Dash和Gold对泡沫的形成起到正向贡献作用, 然而由于GEPU、Ripple、NEM等特征在更大程度上对NFT价格泡沫形成起到负向贡献作用, 最终表现为该时点并未形成NFT价格泡沫.
图5 SHAP单点特征分析图

Full size|PPT slide

SHAP分析深入揭示了NFT市场价格泡沫形成的复杂作用机制, 突出了传统避险资产与新兴数字资产之间的相互影响, 及全球经济指标波动和市场情绪变化的共同作用. 通过SHAP分析, 我们发现在全球经济体系中, 经济指标的变化和市场情绪的波动为NFT市场带来了综合影响. 具体而言, NFT价格泡沫的形成是由包括金融市场不确定性、投资者风险态度变化, 以及数字经济领域快速发展等多种因素共同作用的结果. 本文为理解NFT市场的复杂动态提供了新视角, 并为投资者、市场分析师和政策制定者提供了理论和实证支持.

6 本文小结

本文深入研究了多源数据对NFT价格泡沫的预测效果, 并通过SHAP方法对预测结果进行了系统性解释. 本文首先利用GSADF和BSADF方法处理NFT数据, 将泡沫时点转换为哑变量序列, 并用图表形式展示泡沫时段. 接着, 运用多种决策树模型, 包括LightGBM、XGBoost、CatBoost, 对四种自变量-因变量组合进行预测, 通过系列评价标准确定预测效果最佳的模型为CatBoost. 最后, 应用SHAP方法绘制了贡献度图、摘要图和时点贡献分析图, 以可视化方式分析各特征对NFT价格泡沫的影响.
基于实证研究, 本文得出以下结论: 1)传统金融市场资产价格、市场情绪指数和加密资产价格都会对NFT价格泡沫产生影响. 2)传统金融资产市场中, 黄金、美元指数和原油价格对NFT价格泡沫有显著影响, 而标普500这一股市指标对NFT价格泡沫影响微乎其微, 揭示了传统金融资产市场对NFT市场影响作用的差异性. 3)在市场情绪指数方面, VIX和Google Trend对NFT价格泡沫的影响显著但方向相反, 反映了这两种指数在市场情绪刻画上的差异性, 呈现出专业性与大众性的双重特点. 4)加密货币对NFT价格泡沫的影响力较小, 且表现出交错的影响属性, 促使我们重新审视加密货币价格波动与NFT价格泡沫序列之间的联动关系.

References

曹睿, 廖彬, 李敏, 孙睿娜, 基于XGBoost的在线短租市场价格预测及特征分析模型[J]. 数据分析与知识发现, 2021, 5 (6): 51- 65.
Cao R , Liao B , Li M , Sun R N , Predicting Prices and Analyzing Features of Online Short-term Rentals Based on Xgboost[J]. Data Analysis and Knowledge Discovery, 2021, 5 (6): 51- 65.
陈曦泽, 贾俊峰, 白玉磊, 郭彤, 杜修力, 基于XGBoost-SHAP的钢管混凝土柱轴向承载力预测模型[J]. 浙江大学学报(工学版), 2023, 57 (6): 1061- 1070.
Chen X Z , Jia J F , Bai Y L , Guo T , Du X L , Prediction Model of Axial Bearing Capacity of Concrete-filled Steel Tube Columns Based on Xgboost-shap[J]. Journal of Zhejiang University(Engineering Science), 2023, 57 (6): 1061- 1070.
方思然, 郭明君, 魏云捷, 加入舆情信息是否可以有效提高汇率预测效果?[J]. 计量经济学报, 2023, 3 (2): 464- 486.
Fang S R , Guo M J , Wei Y J , Is the Inclusion of Public Opinion Information Effective in Improving Exchange Rate Forecasting?[J]. China Journal of Econometrics, 2023, 3 (2): 464- 486.
郭春宁, 元宇宙的艺术生成: 追溯NFT艺术的源头[J]. 中国美术, 2021 (4): 14- 19.
Guo C N , Art Generation in the Metaverse: Tracing the Origins of NFT Art[J]. Art in China, 2021 (4): 14- 19.
洪永淼, 汪寿阳, 大数据、机器学习与统计学: 挑战与机遇[J]. 计量经济学报, 2021, 1 (1): 17- 35.
Hong Y M , Wang S Y , Big Data, Machine Learning, and Statistics: Challenges and Opportunities[J]. China Journal of Econometrics, 2021, 1 (1): 17- 35.
江哲丰, 彭祝斌, 加密数字艺术产业发展过程中的监管逻辑——基于NFT艺术的快速传播与行业影响研究[J]. 学术论坛, 2021, 44 (4): 122- 132.
Jiang Z F , Peng Z B , The Regulatory Logic in the Development of the Cryptographic Digital Art Industry — A Study Based on the Rapid Spread of NFT Art and Its Industry Impact[J]. Academic Forum, 2021, 44 (4): 122- 132.
秦蕊, 李娟娟, 王晓, 朱静, 袁勇, 等. NFT: 基于区块链的非同质化通证及其应用[J]. 智能科学与技术学报, 2021, 3 (2): 234- 242.
Qin R , Li J J , Wang X , Zhu J , Yuan Y , et al. NFT: Blockchain-based Non-fungible Token and Its Applications[J]. Chinese Journal of Intelligent Science and Technology, 2021, 3 (2): 234- 242.
苏刚, 数字艺术收藏品及NFT迷局[J]. 中国美术, 2021 (4): 33- 37.
Su G , Digital Art Collectibles and the NFT Puzzle[J]. Art in China, 2021 (4): 33- 37.
孙少龙, 魏云捷, 黎建强, 基于在线外汇新闻情感挖掘的汇率预测研究[J]. 计量经济学报, 2022, 2 (2): 441- 464.
Sun S L , Wei Y J , Li J Q , Exchange Rate Forecasting with Online Forex News Sentiment Mining[J]. China Journal of Econometrics, 2022, 2 (2): 441- 464.
谭本艳, 吴艳, 甘子琪, 中国家庭债务风险测度及其预警研究[J]. 金融发展研究, 2022 (12): 38- 48.
Tan B Y , Wu Y , Gan Z Q , Measurement and Early Warning of Household Debt Risk in China[J]. Journal of Financial Development Research, 2022 (12): 38- 48.
王功明, NFT艺术品的价值分析和问题探讨[J]. 中国美术, 2021 (4): 38- 43.
Wang G M , Value Analysis and Issues of NFT Artworks[J]. Art in China, 2021 (4): 38- 43.
王娟娟, 陈昊, NFT数字藏品价值影响因素分析及评估框架——基于FM矩阵分解算法[J]. 中国资产评估, 2022 (7): 18- 28.
Wang J J , Chen H , Analysis and Evaluation Framework of Value Influencing Factors for NFT Digital Collectibles Based on FM Matrix Factorization Algorithm[J]. Appraisal Journal of China, 2022 (7): 18- 28.
魏丽婷, 郭艳, 贺梦蛟, 非同质化代币(NFT): 逻辑、应用与趋势展望[J]. 经济研究参考, 2022 (4): 130- 140.
Wei L T , Guo Y , He M J , Non-fungible Tokens (NFTs): Logic, Application, and Trends Outlook[J]. Review of Economic Research, 2022 (4): 130- 140.
吴一楷, 金融法维度下非同质化通证的属性研究与监管构建[J]. 上海金融, 2022 (11): 32- 41.
Wu Y K , Study on the Attributes of Non-fungible Tokens and Regulatory Framework from the Perspective of Financial Law[J]. Shanghai Finance, 2022 (11): 32- 41.
肖争艳, 陈衎, 陈小亮, 陈彦斌, 通货膨胀影响因素识别——基于机器学习方法的再检验[J]. 统计研究, 2022, 39 (6): 132- 147.
Xiao Z Y , Chen K , Chen X L , Chen Y B , Identification of Inflation Influencing Factors — A Re-examination Based on Machine Learning Methods[J]. Statistical Research, 2022, 39 (6): 132- 147.
谢波, 韩梓龙, 非同质化通证(NFT) 洗钱犯罪的生成逻辑与侦查路径探讨[J]. 中国人民公安大学学报(社会科学版), 2023, 39 (5): 22- 32.
Xie B , Han Z L , Discussion on the Generating Logic and Investigation Path of Money Laundering Crime with Non-fungible Tokens (NFTs)[J]. Journal of People's Public Security University of China (Social Sciences Edition), 2023, 39 (5): 22- 32.
谢勇, 项薇, 季孟忠, 彭俊, 黄益槐, 基于Xgboost和LightGBM算法预测住房月租金的应用分析[J]. 计算机应用与软件, 2019, 36 (09): 151- 155.
Xie Y , Xiang W , Ji M Z , Peng J , Huang Y H , An Application and Analysis of Forecast Housing Rental Based on XGBoost and LightGBM Algorithms[J]. Computer Applications and Software, 2019, 36 (09): 151- 155.
赵子龙, NFT艺术品: 风口还是泡沫?[J]. 艺术市场, 2021 (6): 30- 31.
Zhao Z L , NFT Artworks: An Opportunity or a Bubble?[J]. Art Market, 2021 (6): 30- 31.
Aharon D Y , Demir E , NFTs and Asset Class Spillovers: Lessons from the Period around the COVID-19 Pandemic[J]. Finance Research Letters, 2022, 47, 102515.
Akkus H T , Dogan M , Analysis of Dynamic Connectedness Relationships between Cryptocurrency, NFT and DeFi Assets: TVP-VAR Approach[J]. Applied Economics Letters, 2023, 31 (21): 2250- 2255.
Bouoiyour J , Selmi R , Wohar M E , Bitcoin: Competitor or Complement to Gold?[J]. Economics Bulletin, 2019, 39 (1): 186- 191.
Cheah E T , Fry J , Speculative Bubbles in Bitcoin Markets? An Empirical Investigation into the Fundamental Value of Bitcoin[J]. Economics Letters, 2015, 130, 32- 36.
Corbet S , Lucey B , Yarovaya L , Datestamping the Bitcoin and Ethereum Bubbles[J]. Finance Research Letters, 2018, 26, 81- 88.
Diba B T , Grossman H I , The Theory of Rational Bubbles in Stock Prices[J]. The Economic Journal, 1988, 98 (392): 746- 754.
Dowling M , Is Non-fungible Token Pricing Driven by Cryptocurrencies?[J]. Finance Research Letters, 2022, 44, 102097.
Enoksen F A , Landsnes C J , Lucivjanska K , Molnár P , Understanding Risk of Bubbles in Cryptocurrencies[J]. Journal of Economic Behavior & Organization, 2020, 176, 129- 144.
Evans G W , Pitfalls in Testing for Explosive Bubbles in Asset Prices[J]. The American Economic Review, 1991, 81 (4): 922- 930.
Gerlach J C , Demos G , Sornette D , Dissection of Bitcoin's Multiscale Bubble History from January 2012 to February 2018[J]. Royal Society Open Science, 2019, 6 (7): 180643.
Goodell J W , Ben Jabeur S , Saâdaoui F S , Nasir M A , Explainable Artificial Intelligence Modeling to Forecast Bitcoin Prices[J]. International Review of Financial Analysis, 2023, 88, 102702.
Gunay S , Kaskaloglu K , Does Utilizing Smart Contracts Induce a Financial Connectedness between Ethereum and Non-fungible Tokens?[J]. Research in International Business and Finance, 2022, 63
Guo M , Wang S , Wei Y , Bubbles in NFT Markets: Correlated with Cryptocurrencies or Sentiment Indexes?[J]. Applied Economics Letters, 2023, 1- 7.
Guo Q, Lei S, Ye Q, Fang Z. 2021. MRC-LSTM: A Hybrid Approach of Multi-scale Residual CNN and LSTM to Predict Bitcoin Price[C]// International Joint Conference on Neural Networks (IJCNN).
Jabeur S B , Mefteh-Wali S , Viviani J L , Forecasting Gold Price with the XGBoost Algorithm and SHAP Interaction Values[J]. Annals of Operations Research, 2021, 334 (1): 679- 699.
Jana R K , Ghosh I , Wallin M W , Taming Energy and Electronic Waste Generation in Bitcoin Mining: Insights from Facebook Prophet and Deep Neural Network[J]. Technological Forecasting and Social Change, 2022, 178, 121584.
Klein T , Thu H P , Walther T , Bitcoin is Not the New Gold — A Comparison of Volatility, Correlation, and Portfolio Performance[J]. International Review of Financial Analysis, 2018, 59, 105- 116.
Li X , Li S , Xu C , Price Clustering in Bitcoin Market-an Extension[J]. Finance Research Letters, 2020, 32, 101072.
Lundberg S M, Lee S I. 2017. A Unified Approach to Interpreting Model Predictions[C]// 31st Annual Conference on Neural Information Processing Systems (NIPS), 30: 4765-4774.
Maouchi Y , Charfeddine L , El Montasser G , Understanding Digital Bubbles Amidst the COVID-19 Pandemic: Evidence from DeFi and NFTs[J]. Finance Research Letters, 2022, 47, 102584.
McNally S, Roche J, Caton S. 2018. Predicting the Price of Bitcoin Using Machine Learning[C]// 26th Euromicro International Conference on Parallel, Distributed, and Network-Based Processing (PDP), 339-343.
Munim Z H , Shakil M H , Alon I , Next-day Bitcoin Price Forecast[J]. Journal of Risk and Financial Management, 2019, 12 (2): 15.
Phillips P C B , Shi S , Yu J , Testing for Multiple Bubbles: Historical Episodes of Exuberance and Collapse in the S&P 500[J]. International Economic Review, 2019, 56 (4): 1043- 1077.
Poongodi M , Sharma A , Vijayakumar V , Bhardwal V , Sharma A P , et al. Prediction of the Price of Ethereum Blockchain Cryptocurrency in an Industrial Finance System[J]. Computers & Electrical Engineering, 2020, 81, 106527.
Quek S G , Selvachandran G , Tan J H , Thiang H Y A , Tuan N T , et al. A New Hybrid Model of Fuzzy Time Series and Genetic Algorithm Based Machine Learning Algorithm: A Case Study of Forecasting Prices of Nine Types of Major Cryptocurrencies[J]. Big Data Research, 2022, 28, 100315.
Raihan M J , Khan M A M , Kee S H , Nahid A A , Detection of the Chronic Kidney Disease Using XGBoost Classifier and Explaining the Influence of the Attributes on the Model Using SHAP[J]. Scientific Reports, 2023, 13 (1): 6263.
Shiller R , Do Stock Prices Move too Much to be Justified by Subsequent Changes in Dividends?[J]. American Economic Review, 1981, 71 (3): 421- 436.
Shu M , Zhu W , Real-time Prediction of Bitcoin Bubble Crashes[J]. Physica A-Statistical Mechanics and Its Applications, 2020, 548, 124477.
Urom C , Ndubuisi G , Guesmi K , Dynamic Dependence and Predictability between Volume and Return of Non-fungible Tokens (NFTs): The Roles of Market Factors and Geopolitical Risks[J]. Finance Research Letters, 2022, 50, 103188.
Wang Y Z , Volatility Spillovers across NFTs News Attention and Financial Markets[J]. International Review of Financial Analysis, 2022, 83, 102313.
Wang Y Z , Horky F , Baals L J , et al. Bubbles All the Way Down? Detecting and Date-stamping Bubble Behaviours in NFT and DeFi Markets[J]. Journal of Chinese Economic and Business Studies, 2022, 20 (4): 415- 436.
West K D , A Specification Test for Speculative Bubbles[J]. The Quarterly Journal of Economics, 1987, 102 (3): 553- 580.
Whaley R E , The Investor Fear Gauge[J]. Journal of Portfolio Management, 2000, 26 (3): 12- 17.

Funding

National Natural Science Foundation of China(72171223)
National Natural Science Foundation of China(71988101)
Youth Innovation Promotion Association of the Chinese Academy of Sciences

RIGHTS & PERMISSIONS

All rights reserved. Unauthorized reproduction is prohibited.
PDF(1224 KB)

185

Accesses

0

Citation

Detail

Sections
Recommended

/