本文来自 Forkast，原文作者：ANNDY LIAN，由 Odaily 星球日报译者 Katie 辜编译。
对金融人士来说，“洗盘交易”（wash trading）并不是一个新词。加密货币也以相同的买入和卖出手法来回进行“洗盘”， NFT 市场亦是如此。“洗盘交易”使得 NFT 爱好者很难衡量市场对某一系列的真正兴趣，还夸大和扭曲了交易量，对交易平台的分析也造成误导。
那如何用链上数据来识别“洗盘交易”，检测可疑活动呢？
洗盘交易是一种市场操纵形式，投资者同时买卖同一种金融产品，在市场中制造误导。
在 NFT 交易中，当同一用户作为 NFT 交易的买卖双方时，就会发生“洗盘交易”。与传统证券不同，NFT 市场不受政府监管，地址背后的真实身份难判别。因此，洗盘交易在 NFT 市场非常普遍。
NFT 领域“洗盘”的背后有两个主要动机。
获取平台奖励
一些 NFT 市场，如 X2Y2，根据活跃用户的交易量给予他们回报（以协议代币的形式），以此来奖励他们。洗盘交易者利用这一点，通过产生大量虚假交易量来最大化他们的回报。反过来，这很容易欺骗想要根据流动性定量分析 NFT 藏品或市场的用户。
创造价值或流动性的假象
为了制造一种流动性的假象和特定 NFT 藏品的虚高价值，一些无良创造者转向洗盘交易来欺骗买家。当真正的买家被骗以抬高的价格从他们那里购买 NFT 时，他们就会从中获利。这种类型的洗盘交易者用新的钱包地址隐藏他们的活动，这些地址由中心化交易所钱包自筹资金。这种类型的洗盘交易产生的交易量相对较小，对市场的破坏性不如第 1 类洗盘交易。
由于第一种“洗盘交易”对 NFT 交易数据的干扰性，我们用从链上数据来识别。要理解这种类型的洗盘交易，我们必须先理解 X2Y2 和 LooksRare 的代币奖励系统。X2Y2 和 LooksRare 每天根据地址的交易量（作为市场平台每日总交易量的一部分）向卖方和买方分发代币。代币奖励每天都是固定的，所以洗盘交易者可以进行洗盘交易，并在每日分配重置时重复获得奖励代币。
图 1 显示了 X2Y2 市场上的一个洗盘交易活动示例。
图 1——NFT 系列 Dreadfulz 的洗盘交易例子
从上图中我们可以看到，同一个 NFT（ID 164）相同的两个钱包之间在一天内多次来回购买，每笔交易的销售价格超过 300 ETH。2022 年 9 月 1 日，这两个地址交易了 19 次，产生了 7228 ETH 的交易量，支付了 36.14 ETH 的 X2Y2 平台费用。而 Dreadfulz 的版税费率并不是在 X2Y2 上设定的。因此，没有支付创作者费用。洗盘交易者将选择零版税费的系列，以最小化他们的交易成本。
我研究了一些分析平台的检测方式。根据我自己的了解和分析，以下是一份可疑数据和活动的清单：
某一特定的 NFT 在同一地址每天交易超过 X 次，而其他收藏品则保持不变；
同一地址正在以高频方式进行同一 NFT 交易；
在没有营销或促销支持的情况下，NFT 系列以高频的方式进行自销；
A 市场的平均历史交易价格是 B 市场的 X 倍；
NFT 的销售价格比可供销售的最低价格 NFT 高 X 倍；
同一个钱包为买卖 NFT 的所有可疑钱包提供资金；
持续异常高的交易量。
上述假设并不完善，我希望与研究人员合作开发一种更全面的“记分卡”，可以更有效地确定 NFT 趋势和行为。随着时间的推移，追踪多个钱包以识别不同层次的关系的能力也至关重要。
在图 2 中，Footprint Analytics 将他们的识别规则应用到 X2Y2 和 LooksRare 上交易量最大的 NFT 系列。
图 2——选定 NFT 系列的洗盘交易统计
根据他们的规则，他们已经检测到这些系列的 95% 或更多的交易量是洗盘交易。洗盘交易在这些收藏品的交易量中占了极高的比例，这对收藏品的历史交易量和销售活动造成了误导。
图 3——蓝筹 NFT 系列的洗盘交易统计
图 4——LooksRare 和 X2Y2 的洗盘交易数据
图 5——Opensea、LooksRare 和 X2Y2 未经过滤的交易数据
图 4 显示，LooksRare 和 X2Y2 上 94.71% 和 81.04% 的交易量是洗盘交易，这似乎与市场统计数据一致，如图 5 所示。我们可以从未经过滤的数据中看到，Looksrare 的每笔交易平均价格几乎达到 8.5 万美元，这是 OpenSea 均价的 90 倍左右，贵得离谱。
图 6——OpenSea、LooksRare 和 X2Y2 的月度 NFT 销量数据
从图 6 中可以看出，自 2022 年 1 月以来，几乎每个月 NFT 市场的月度交易统计数据的洗盘交易量占总交易量的比例都在 50% 以上。尽管总交易量较1月份的高点大幅下降，但 NFT 市场的洗盘交易量百分比每月保持相似。这强调了洗盘交易对准确的 NFT 交易数据的破坏性，以及“过滤”洗盘交易对的 NFT 数据分析的重要性。
