数据揭示2023年NFT市场增长背后的支持力量

2023 年 NFT 市场增长背后的支撑力量，究竟是场内资金的内卷，还是新资本的加持？我们利用链上数据分析和地址聚类算法，揭示了这一问题的答案。

我们通过链上数据分析和地址聚类算法，研究了 2023 年整个 NFT 市场内新旧地址实体的交易量和投入资金占比，以及交易和资金增量的来源，从而揭示 NFT 市场的活跃度和新增动能主要来自旧玩家还是场外的新进入者。

自 2022 年 6 月底，NFT 市场进入熊市，但 Blur 于 2022 年底推出 Airdrop 激励机制之后，NFT 市场的交易量有所改善（图一）。在 Blur 的空投活动期间，可以看到其对于整个 NFT 市场交易量的贡献不断增大（图一）。

Blur 空投的奖励机制以及代币的成功发行，无疑是 2023 年 NFT 交易量暴涨的最大因素。但交易量暴涨的背后，整个 NFT 市场的真实形势到底如何；换言之，NFT 的场内资金是否有实际增量，以及是否有新的资本流入市场，还是主要是旧资金的内卷？

我们 1) 探究了二季度相对于一季度，整个 NFT 市场新增交易量以及资金的来源；2）对比了 Blur 一季度和二季度空投活动期间，整个 NFT 市场不同地址实体的交易量以及投入资金的占比。

研究过程

1. 得出各个地址的交易量数据

首先，我们选定研究的时间区间为时间段 A（2022 年 10 月 19 日 -2023 年 2 月 14 日）和时间段 B（2023 年 2 月 15 日 -2023 年 5 月 31 日）¹；
其次，我们从 buyer 的角度进行交易量和资金量的研究，这是因为研究重点在于「NFT 市场参与者对于 NFT 的投入」；
再者，研究时间段内 NFT 市场的参与者众多，但是数据显示，贡献整个 NFT 市场交易量 / 资金量 90% 的 Top 交易量地址个数仅占全部地址个数的 8%。因此，为了便于分析，我们把研究对象范围定义为「每个时间段内对于交易量 / 资金量合计贡献九成的 Top 交易量地址」，由此筛选出总共 7w 多个地址；
最后，我们剔除了洗盘交易（wash trades）²，得到各个地址的真实交易量和交易笔数。

[1] 时间段 A 即对应 Blur 一季度空投，时间段 B 即对应 Blur 二季度空投，以 2 月 14 日 BLUR 代币发行当天为分界线，这是因为 BLUR 的发行明显快速带动了 NFT 市场的活跃度。

[2] Wash trades 剔除规则：buyer=seller、buyer 和 seller 有共同 EOA 资金来源。

2. 基于交易量和交易笔数得出投入资金情况

基于先前得到的各个地址的交易量和交易笔数，分别计算每个 buyer 为不同 NFT collection 中的各个 token_id 投入的金额³；
将每个 buyer 所有投入金额加总，得到各个地址投入 NFT 的资金量。

[3] 当 token_standard=erc721 时，各个 token_id 对应同一个 token，因此为每个 token_id 投入金额为买入该 token_id 支付的平均价格（平均价格=支付金额总和 / 买入笔数）；当 token_standard=erc1155 时，各个 token_id 可以对应多个 token，因此我们假设每个 token_id 投入金额为买入该 token_id 花费的总金额。

3. 基于地址聚类算法划分不同实体

基于资金关联的逻辑，把高度可能属于同一实体操控的地址划分为一个群，从而按实体的维度研究两个时间段交易量和资金量的来源。

我们规定聚类基于以下准则⁴：1）地址之间曾有 eth 或者稳定币的转移；2）两个地址之间必须互相转过账，次数为：一个方向>=3 笔，另一个方向>=1 笔；3）只限制在地址之间 2023 年的交易。
利用算法按照上述准则进行地址聚类，得到不同的地址群，并用 s1_ind 和 s2_ind 对地址是否在时间段 A 和时间段 B 参与过 NFT 交易进行标识⁵。其中，若地址群中至少包含一个 s1_ind=1 的地址，则该地址群为旧实体；若地址群中地址 s1_ind 均为 0，则该地址群为新实体。

[4] 我们的算法可以识别钱包之间直接或间接的关联。「直接」是指两个 NFT 玩家之间的交互满足标准。而当多个 NFT 玩家曾与同一地址（无论该地址在不在分析范围）进行交互并且交互满足上述标准时，这些 NFT 玩家之间就会形成「间接」链接。

[5] s1_ind=1 且 s2_ind=1 说明该地址在两个时间段都参与了 NFT 交易；s1_ind=1 且 s2_ind=0 说明该地址仅在时间段 A 参与了 NFT 交易；s1_ind=0 且 s2_ind=1 说明该地址仅在时间段 B 参与了 NFT 交易。

研究结果与分析

1. 数据结果⁶（buy volume 为「交易量」，capital 为「资金量」；Season 1 对应时间段 A，Season 2 对应时间段 B）

1.1）两个时间段分别的交易量和资金量：