图像特征与元数据融合在NFT价格预测中的增量价值：基于BAYC和MAYC的实证评估

《Scientific Reports》：Evaluating image embeddings and metadata for NFT price prediction using temporal validation

　　

摘要

图像和分类特征为头像类非同质化代币（NFT）提供了密切相关的描述，使得图像嵌入的增量预测价值具有不确定性。我们使用八个回归族和七个视觉编码器，比较了仅元数据、仅图像、早期融合和加权晚期融合模型，研究对象为无聊猿游艇俱乐部（BAYC）和突变猿游艇俱乐部（MAYC）。模型基于2025年之前的数据进行选择，并回顾性评估了2025年1月至2026年4月的表现。所有四组中选定的模型均优于零对数相对价格基准。相对于仅元数据，早期融合在BAYC中将均方根误差（RMSE）降低了0.09%，在MAYC中降低了0.95%；晚期融合使BAYC的RMSE增加了0.07%，但使MAYC的RMSE降低了0.70%。敏感性分析评估了未见代币、匹配回归族、交易行加权与计数加权拟合，以及在更严格清洗条件下的完全重新选择。对于未见代币，探索性95%融合对比元数据区间在两个集合中均包含零。在MAYC中，仅元数据的偏最小二乘（PLS）优于CLIP–PLS早期融合。在两种更严格的清洗变体中，16个代表性配置中有13个相对于共同的基础清洗对照组发生变化；重新选择后，融合改进未得到一致支持。一些基于树的比较对实现方式敏感。结果并未证明图像具有一致的增益、独立的审美定价能力，或任一融合策略的优越性。