Wie wirken sich NFT-Merkmale auf den Seltenheitswert aus?

Kernmechanismus der merkmalsbasierten Seltenheitsbewertung

1. Jeder NFT in einer Sammlung enthält einen definierten Satz von Attributen – wie Hintergrund, Kleidung, Gesichtsausdruck oder Accessoires – kodiert in seinen Metadaten.

2. Der Seltenheitswert wird berechnet, indem die Häufigkeitsverteilung jedes einzelnen Werts über alle Merkmale in der gesamten Sammlung analysiert wird.

3. Ein Merkmalswert, der nur in 0,5 % des Gesamtvorrats vorkommt, erhält ein Seltenheitsgewicht von 200 (1 ÷ 0,005), während ein Merkmalswert, der in 20 % der Token vorhanden ist, nur 5 (1 ÷ 0,2) ergibt.

4. Diese einzelnen Seltenheitsgewichte der Merkmale werden mithilfe arithmetischer Summierung aggregiert, um einen zusammengesetzten Seltenheitswert pro Token zu erstellen.

5. Token mit identischen Merkmalskombinationen weisen identische Bewertungen auf, es sei denn, dynamische On-Chain-Modifikatoren oder zeitbasierte Prägebedingungen greifen ein.

Auswirkungen der Merkmalsgruppierung und -hierarchie

1. Projekte wie der Bored Ape Yacht Club weisen hierarchische Gewichtungen zu: „Fell“ und „Augen“ haben aufgrund der insgesamt geringeren Variationszahl oft einen höheren Grundlinieneinfluss als „Hintergrund“.

2. Untermerkmale – wie etwa „Goldfell“, das unter „Fell“ verschachtelt ist – führen zu granularen Seltenheitsschichten, die die Seltenheit verstärken, wenn sie mit niederfrequenten Primärmerkmalen kombiniert werden.

3. Merkmalsgruppen mit sich überschneidenden Exklusivitätsregeln (z. B. „Holographische Augen“ können nicht mit „Kybernetisches Implantat“ koexistieren) unterdrücken die kombinatorische Wahrscheinlichkeit und erhöhen die gemeinsamen Seltenheitsmetriken.

4. Einige Sammlungen implementieren Merkmalsabhängigkeitslogik, bei der das Vorhandensein eines Attributs andere deaktiviert und so die in Raritäts-Engines verwendeten statistischen Verteilungsannahmen direkt verändert.

5. Tools wie Rarity.tools normalisieren Merkmalsnamen über Varianten hinweg (z. B. „Red Shirt“ vs. „Crimson Top“), um künstliche Inflation durch inkonsistente Kennzeichnung zu vermeiden.

Datenquellen und Parsing-Zuverlässigkeit

1. Off-Chain-Metadatendateien – normalerweise JSON, gehostet auf IPFS oder zentralisierten Servern – werden analysiert, um Merkmalstyp- und Wertepaare für jede Token-ID zu extrahieren.

2. Unvollständige oder fehlerhafte Metadaten führen zu fehlenden Merkmalseinträgen, was zu unterzählten Häufigkeiten und künstlich überhöhten Seltenheitswerten für betroffene Token führt.

3. Die On-Chain-Trait-Codierung über ERC-1155 oder benutzerdefinierte Logik umgeht Off-Chain-Abhängigkeiten, erfordert jedoch eine kompatible Indexierungsinfrastruktur, um von gängigen Seltenheitsrechnern erkannt zu werden.

4. Mit Zeitstempeln versehene Metadatenaktualisierungen – wie z. B. die Enthüllung von Merkmalen nach der Prägung – lösen Neuberechnungskaskaden über alle abhängigen Seltenheitstools aus, was zu einer Volatilität der Punktzahl in frühen Sammelphasen führt.

5. Funktionen zur Merkmalsaufzählung auf Vertragsebene müssen deterministische Ausgaben zurückgeben. Nicht deterministische oder gasbegrenzte Implementierungen führen zu Analysefehlern in automatisierten Rarity-Pipelines.

Diskrepanzen beim Seltenheitswert zwischen den Plattformen

1. Traitsniper wendet eine multiplikative Gewichtung auf seltene Merkmalskombinationen an, während Rarity.tools eine einfache Summierung verwendet, was zu unterschiedlichen Rankings für Token mit asymmetrischen Merkmalsverteilungen führt.

2. Icy.tools führt eine liquiditätsbereinigte Seltenheit ein, indem es das 30-Tage-Handelsvolumen und die Mindestpreisabweichung berücksichtigt und so die reine statistische Knappheit vom Marktverhalten entkoppelt.

3. Einige Plattformen schließen Merkmale mit der Bezeichnung „undefiniert“ oder „keine“ von der Berechnung aus, während andere sie als gültige Werte mit einheitlichen Häufigkeitszahlen behandeln.

4. Die manuelle Kuratierung von Merkmalen – bei der Projektteams kanonische Merkmalsdefinitionen einreichen – setzt die algorithmische Analyse außer Kraft und führt zu verlässlichen Bewertungen, die im Widerspruch zu den Interpretationen der Rohdaten stehen können.

5. Die plattformübergreifende Bewertungsvarianz übersteigt 40 % für die oberen 5 % der Token in Sammlungen mit mehr als 10.000 Einheiten, hauptsächlich aufgrund unterschiedlicher Normalisierungsschwellenwerte und Richtlinien zur Behandlung von Ausreißern.

Häufig gestellte Fragen

F: Kann ein NFT eine hohe Seltenheit, aber einen niedrigen Marktpreis haben? Ja. Seltenheitswerte spiegeln die statistische Verteilung wider – nicht die Nachfrage, den Nutzen oder die kulturelle Resonanz. Einem Token mit äußerst seltenen Merkmalen fehlt möglicherweise das Käuferinteresse, wenn er mit einem schwachen Engagement der Community oder einer schlechten visuellen Umsetzung verbunden ist.

F: Beeinflussen animierte oder interaktive Merkmale die Seltenheitswertung? Nicht von Natur aus. Sofern sie nicht explizit als diskrete Merkmalswerte codiert werden (z. B. „Animierter Flammeneffekt: Ja/Nein“), bleiben dynamische Eigenschaften für Standard-Seltenheitsparser, die auf statischen Metadaten basieren, unsichtbar.

F: Warum weisen einige Token auf bestimmten Plattformen einen Seltenheitswert von Null auf? Dies geschieht, wenn auf Metadaten nicht zugegriffen werden kann, Merkmalsfelder leer sind oder der Indexer der Plattform den Metadatenstandard des Vertrags nicht erkennt – häufig bei nicht ERC-721-konformen Bereitstellungen.

F: Ist der Seltenheitswert nach seiner Berechnung fälschungssicher? Nein. Die Bewertungen hängen vollständig vom Eingabedatensatz ab. Wenn Metadaten nach der Erstellung geändert oder mit geänderten Werten erneut gehostet werden, verschieben sich die neu berechneten Bewertungen – insbesondere bei Projekten, die veränderliche Merkmale unterstützen.