作者：舟舟 tovarishch.eth @c_hongzhou, 0xWeiCai @0xWeiCai

*作者按：本文 How Information Manipulation on Social Media Influences the NFT Investors’ Behavior: A Case Study of Goblintown.Wtf（https://doi.org/10.1109/TCSS.2023.3234183*）成文于2022年10月，于2023年5月发表于IEEE Transactions on Computational Social Systems （该期刊于2014年由IEEE SMC Society和IEEE Computer Society共同创刊，上一任主编为王飞跃教授，现任主编为胡斌教授。该期刊内容涵盖社会计算、社会系统建模与仿真、社会网络动力学、社会智能与认知、社会系统设计与架构、社会文化建模与表现、计算行为建模及其应用等。目前该期刊为SCI Q1，IF 4.747）。

我们认为，NFT及其应用对Web3促进社会进步具有十分重要的意义。但不可否认，在上一轮NFT发展周期中，市场经历了从热火烹油，不谈NFT都不好意思说自己是Web3er，到各种项目泡沫破裂，市场跌到谷底的“过山车”。其中，各种Rug跑路和信息操纵层出不穷。因此，在市场噪声退却、强基固本的当下，分析NFT市场中的信息操纵，揭示其内在运作机制和用户行为模式，对未来Web3健康发展具有现实意义。

本文成文得到SeeDAO大力支持和SeeDAO Insight & Research公会研究者们的鼓励和启发。

人们喜爱非同质化代币（NFT）是因其可证明数字资产所有权并促进社交交互。投资者热衷于购买和使用 NFT 图片作为社交媒体头像，并参与围绕 NFT 组建的在线社区。然而，NFT 市场的信息操纵往往导致投资者损失惨重。我们的工作通过探索社交媒体账户与以太坊地址的对应关系，研究了 NFT 市场的微观结构。以 Goblintown.wtf 为例，我们分析了推特上信息操纵在NFT市场中的影响。我们发现在信息操纵下的 NFT 市场中存在五种类型的投资者：初级投资者、业余投资者、狂热投资者、短期理性投资者和长期理性投资者，并揭示了他们的行为模式和投资回报。我们认为，投资者在参与 NFT 在线社区时更有可能消耗他们的有限注意力，这将制约他们做出理性的判断。

关键词：信息操纵、投资者行为、NFT、社交媒体

ERC-721 协议催生了非同质化代币 (NFT)的诞生和火热 [1]。与比特币、以太坊或其他加密货币不同，每个 NFT 都是独一无二，并且可以具有独有特征。人们可以在星际文件系统 (IPFS) 中存储数字文件，并将它们链接到 NFTs。因此，NFT 是证明所有权和保护知识产权的解决方案 [2]。NFT 的常见用途包括艺术品、头像(PFP)、护照、视频等，这些都可以促进社交互动。NFT 的技术 - 社会特性在2021年点燃了商业繁荣，一枚 NFT 的价格飙升至百万美元，且有许多知名人士购买了如 CryptoPunks、BAYC、Azuki等蓝筹收藏品。

然而，NFT 投资者面临着重大的财务风险。Dowling [3] 发现，NFT 市场效率低下，这意味着在社交媒体上操纵市场信息可以获取额外利润。2022年5月，因为一条关于Azuki的负面新闻在推特上疯传，一周内该NFT的价格下跌近60% [4]。此外，许多 NFT 收藏品都是庞氏骗局，投资者最终得到的只是一张毫无价值的“JPEG”图像 [5]。因此，我们好奇社交媒体中的信息操纵如何影响 NFT 投资者的行为。但在查阅相关作品后，我们并未找到满足我们好奇心的答案。

因此，我们选择了 Goblintown.wtf （以下简称为 goblintown），一个依赖推特信息传播实现商业成功的 NFT 作为我们的研究对象。Goblintown 包括 10000 个“goblin” NFT，于 2022 年 5 月 20 日推出。该收藏品的官方网站和推特页面由手绘图像和“胡言乱语”组成。此外，它的匿名团队明确表示该项目没有路线图、Discord 服务器和实用性（Utility）。通常，这样的项目意味着这将是一个Web3骗局。然而，goblintown 的地板价在短短十天内猛增至近10000美元。官方推特账号的关注者超过120K。分析师认为 goblintown 的成功来自关于该收藏品与蓝筹 NFT 和知名人士有关的谣言 [6]。

对于Goblintown和NFT市场信息操纵，我们的第一个研究问题是：**RQ1 社交媒体中的 NFT 市场相关信息是如何被操纵的？**为了回答 RQ1，我们将其细化为三个子问题：RQ1.1 谁参与了讨论并形成了 NFT 在线社区？ RQ1.2 谁的信息以及哪种类型的信息更可能被传播？ **RQ1.3 社交媒体上广泛传播的信息如何影响 NFT 社区？**在从社交媒体端研究 NFT 市场的信息操纵之后，我们希望进一步从市场方面进行分析。因此我们的第二个研究问题是：RQ2 在信息操纵下，NFT 投资者是否呈现出特定的市场行为模式？

我们从推特、以太坊、以及推特账户和区块链地址之间的对应关系中收集数据来回答这些问题。我们收集了与 goblintown 相关的推文并识别了独立账户。通过遍历他们的头像图片，我们挑选出在推特资料中使用 goblintown NFT 的 goblintown 粉丝，并将他们视为 goblintown 推特社区的社交媒体社区成员。然后，通过去重和筛选这些成员的资料，我们识别出最有影响力的核心成员，他们可能至少持有一个 goblintown NFT。此外，我们从 goblintown 智能合约中检索了交易和相关地址。最后，通过链接谁在使用特定的 NFT 作为他们的头像和谁持有该 NFT，我们得到了上述推特账户和以太坊地址之间的对应关系。

针对 RQ1，我们对数据进行了网络可视化、话题框架和自然语言处理（NLP）分析。我们的主要发现包括：1）在推特上的信息传播主要涉及四类重要节点：goblintown 团队、社区核心成员、关键意见领袖（KOLs）和仿盘项目。最广泛传播的信息的主要来源是 KOLs 和仿盘。核心成员和 goblintown 团队参考（转推、回复）了这些来源并成为信息的传播者；2）NFT 社区的讨论话题主要与谣言和“错过恐惧症”(FOMO)消息有关；以及 3）在信息操纵下，所有讨论参与者的情绪变得狂热，但随后回归理性。然而，NFT社区成员依然保持了狂热状态。针对 RQ2，我们运用了网络可视化和 K-means 算法来得出答案。我们的主要发现包括：1）头部 goblintown 卖家的利润非常高，但几乎不参与讨论和在线社区互动；2）当他们更多地参与相关讨论并成为社区成员时，顶级买家的亏损更大；和 3）NFT市场中有五类投资者。我们将他们描述为初级投资者（低频交易，低回报，和低推文发布量），业余投资者（低频交易，低回报，和高推文发布量），狂热投资者（高频交易，低回报，和高推文发布量），和理性投资者。在理性者中，我们将他们分类为短期理性投资者（高频交易，高回报，和低推文发布量），和长期理性投资者（低频交易，高回报，和低推文发布量）。有趣的是，当我们单独对 NFT 社区成员进行聚类时，并未发现理性投资者。

我们的发现将市场信息操纵下的投资者分类结果 [7] 扩展到了 NFT 市场。我们还使用行为金融学（Behavioral Finance）理论来解释理性投资者在 NFT 社区中消失的原因：人类的注意力是有限的。当投资者参与 NFT 社区时，他们的注意力被项目团队和 KOLs 提供的杂乱信息所消耗。他们热情地传播，但不能做出理性的判断。对于具有社会属性的投资目标，如 NFT，社交媒体放大了信息操纵的效果，引导投资者做出错误的投资决策。我们的工作为 NFT 投资者提供了实用指南。他们应当避免过于参与信息传播流程，以免消耗过多的注意力。此外，他们应该考虑短期投资，以免在操纵市场信息的噪音中受到损失。我们的研究还为政策制定者提供了对NFT市场信息操纵的见解。他们应该对 NFT 市场和社交媒体的交互进行更深入的研究，以防止类似的金融风险。

信息操纵在金融市场中是一种普遍现象。为了提高股票价格 [8]，工作晋升 [9] 或薪资收入 [10]，公司和项目的管理者可能会系统地控制内部信息或相关新闻的披露。信息操纵的常见方法包括直接发布谣言、伪造报告、与第三方媒体和分析师勾结发布假声明等 [11]。

社交媒体促进了信息的传播，因此被广泛用于市场操纵，例如通过雇用推广员 [12] 或机器人 [13] 发送大量的股票相关推文，或在蓝筹股推文中提到垃圾标的 [14]，以推动相关价格。学者们也研究了关于加密资产的信息操纵。有些学者关注社交媒体消息的特征与加密货币的涨跌之间的关系 [15]，[16]。其他人则探讨了知名人士和关键意见领袖（KOLs），比如 Elon Musk，对代币价格的影响 [17]。还有人研究了机器人角色 [18] 以及骗子和受害者之间的互动 [19]。然而，由于区块链技术的匿名性，研究者无法构建社交媒体数据和市场数据之间的有效链接，这意味着很难研究某些特定个体投资者在信息操纵下的行为。因此，这些加密市场的宏观研究与传统股票市场的研究几乎无异。

考虑到 NFT 市场，主流的研究重点是使用社交媒体数据来评估 NFT 价格 [20]，[21]。最具代表性的一项研究是 Kong 和 Lin 的研究 [22]。他们的研究考虑了 NFT 的社交互动属性，并使用了享乐回归模型来评估最著名的 NFT 项目的价格和价值。他们的研究也证明了 NFT 具有强烈的社交互动属性。但是对 NFT 市场信息操纵的研究却很少。Dowling 发现 Decentraland NFT 市场效率低下，并假设 NFT 市场存在信息操纵 [3]。Maouchi 等人 [23] 和 Vidal-Tomás [24] 发现 NFT 市场对于欺诈行为反应弱。其他实证研究如 Tariq 和 Sifat [25] 证实了 NFT 市场中存在大量的“洗钱交易”。然而，与加密货币研究类似，现有的 NFT 市场信息操纵研究仍然没有脱离传统的金融分析方法，只能提供宏观视角的分析，而无法揭示全面的个人投资者行为。

如前所述，NFT 投资者购买 NFT，使用 NFT 来表达他们的身份，并形成 NFT 社区。Vasan 等人 [26] 揭示了 NFT 帮助艺术家、机构、收藏家和策展人建立更多的关系。Colicev [27] 指出 NFTs 可以在品牌和消费者之间创建双向连接。在热衷于讨论 NFT 问题的社交媒体上（如 Twitter 和 Discord），人们常常在他们的个人资料中使用 NFT 图片来表达他们的身份。这些行为聚集了志同道合的人，并在社交媒体上围绕特定的 NFT 形成了虚拟社区 [28]。通过研究 18 个流行的 NFT 收藏，Casale-Brunet 等人 [29] 揭示了一个 NFT 社区可以聚集超过 10000 名 Twitter 用户，在一年中孜孜不倦地互动并发布成千上万的相关推文。根据股票和加密货币市场的先前研究，NFT 投资者的热情为信息操纵提供了更加可行的条件。更重要的是，由于社交互动属性，我们可以将 NFT 投资者的投资行为与他们在社交媒体上的身份联系起来，这使我们有可能从更微观的角度深入研究信息操纵和投资者行为。

Goblintown 作为由匿名团队发布的个人头像（PFP）NFT，并没有公布发展路线图、没有 Discord 服务器、也没有实际应用，一般这种NFT最有可能的命运就是价格归零，被市场遗忘。然而，Twitter 上的Rumors和信息操纵却推高了它的价格。自从5月20日发布以来，有人在 Twitter 上系统地传播关于 goblintown 的Rumors和 FOMO信息。图 1 以时间顺序展示了影响力较大的谣言。我们遵循美国股票市场的颜色方案习惯（绿色代表看涨，红色代表看跌），将积极的市场信息圈设置为亮绿色，负面的市场信息圈设置为红色。时间线的形状则指示了 goblintown NFT 的价格变化。

5月20日 (a)，goblintown NFT以“免费铸造（Free-mint）”模式正式发布，但参与的投资者寥寥无几。然而，情况在21日 (b) 发生了变化。在一位具有影响力的 Twitter KOL “mdudas” 发推说他已经铸造了一些 goblintown 之后，这个系列快速售罄。然后，一场基于模棱两可信息和Rumor的信息操纵狂潮开始了。5月22日 (c)，大量推文怀疑 goblintown 属于 NFT 的蓝筹团队 Yuga Labs。许多 Twitter 用户相信了这一消息并涌入市场。然后到了5月25日 (d)，有关 goblintown 与著名音乐人 Steve Aoki、顶级加密艺术家 beeple、3D 艺术家 Frederic Duquette 和说唱歌手 Uncle Snoop 有关系的谣言在 Twitter 上出现。5月30日 (e)，Twitter 用户大量传播 goblintown 将参加世界上最重要的 NFT 会议，NFT.NYC的信息。这些谣言持续了大约10天，将 goblintown 的平均价格推高到了$7,837.3，而团队通过收取版税赚取了超过350万美元。然而，团队在6月7日 (f) 正式否认了之前的所有谣言。他们在6月10日 (g) 单方面宣布将与 Lee Kum Kee 合作。这条信息并未产生重大影响。7月2日 (i)，一个仿盘项目“goblinwomen”通过以高价购买一个 goblintown 吸引了人们的注意。许多错过 goblintown 的投资者再次加入市场，将goblintown系列价格推高到了最高点。随后，在7月2日 (j)、20日 (k) 和29日 (l)，其他 KOLs 和仿盘发布了一系列 FOMO 推文，这些推文引发了广泛的讨论，但对市场的影响并不大。

如图 2 所示，我们从 Twitter、以太坊网络以及 Twitter 账户和区块链地址之间的对应关系中收集数据以进行研究。由于对 NFT 市场研究信息操纵研究较少，且 Twitter API 有严格的检索限制，我们在这项工作中只使用了具有代表性的 goblintown 作为案例。

Goblintown没有Discord官方服务器，其官方信息及主要讨论都在Twitter上进行。我们使用Twitter Academic Research API 来获取与goblintown相关的社交媒体数据。因为第一个相关推文出现在2022年5月17日，所以我们所有的数据范围都是从2022年5月17日到2022年7月31日，且使用“goblintown”作为关键词。由于英语是加密行业的主要交流语言，我们只收集了以英语发布的相关推文。我们也删除了被暂停的账户推文。最后，我们从Twitter上收集了491643条推文。这些数据包括用户名、文本、时间戳、类型（原创/转推/引用/回复）以及参考关系（如果一条推文不是原创的，参考关系意味着它在转推/引用/回复哪条推文）。我们从这些推文中识别出136758个独立用户。我们还收集了所有这些参与用户的关注者数量、Twitter头像以及他们开始使用这些头像的时间。

使用相同的时间范围（5月17日至7月31日），我们通过Etherscan从goblintown NFT的智能合约中收集交易数据。这些数据包括交易双方的地址、区块时间戳、以ETH（以太坊的代币）和美元计价的交易值以及相关NFT的id。删除不完整的交易和去重后，我们收集了29887笔交易和14543个相关投资者的地址。从这些数据中，我们获得了4509个持有goblintwon NFT的钱包地址，以及2022年7月31日的NFT分布（特定地址持有哪些goblintown NFT）。然后，我们从Opensea获取了每个goblintwon NFT链接的图片。

我们共获取了3549个Twitter账户和以太坊地址之间的对应关系，以研究社交媒体上NFT市场信息的操控。首先，我们关注了那些在Twitter上使用goblintown作为头像的用户。使用Python中的OpenCV 套件，我们比较了在本文4-A和4-B部分获取的头像图片和NFT图片。这个过程帮助我们识别出3587个账户作为goblintown的粉丝，他们在Twitter头像中使用了来自这个集合的NFT。因为使用NFT作为头像是表达个人社交媒体身份和聚集其他志同道合的人的一种方式，我们将这3587个用户视为Twitter上的goblintown社区。然而，即使他们不拥有NFT，人们也可以下载NFT图片作为头像参与到社区中。因此，我们找到了使用同一NFT图片的Twitter账户，并只保留每个重复使用NFT的最多关注者的账户作为所有者（比如账号A和账户B都是用#1 NFT，账户A拥有粉丝100K，账户B拥有粉丝500，则我们认为账户A为#1 NFT实际拥有者）。通过去重，我们确定了1417个在社交媒体上最有影响力的goblintown核心Twitter社区成员，他们可能至少持有一个goblintown NFT。同时，通过这些NFT图片，我们确定了这些核心成员的以太坊地址。

我们试图通过以太坊名称服务（ENS）获取更多的对应关系。一个ENS通常以人类可识别的单词开始，以“.eth”结束（例如goblinking.eth）[30]。作为以太坊地址的简短域名，许多Twitter用户喜欢将ENS作为他们的Twitter用户名，这也是在加密领域展示身份的一种社交行为[31]。由于解析用户的ENS名称可以揭示他们的以太坊地址，我们使用ENS API处理在4-A中获取的Twitter用户名和交易地址中的ENS名称。我们确定了另外2132个Twitter账户和以太坊地址之间的对应关系。

这一部分我们首先介绍如何对goblintown 相关的推文和交易网络进行可视化分析。其次，描述了我们对Twitter讨论的主题框架分析和情感变化的NLP分析方法。最后，我们介绍如何应用K-means方法从利润、交易频率和发布的goblintown推文中捕捉用户群体。

如第4-A部分所述，我们获取了goblintown推文的引用关系。此外，我们还有该NFT系列的交易数据。清理和预处理后，这些数据课进行网络可视化分析。基于图论，网络可视化可以描述人类行为，并揭示群体和市场之间的复杂关系[32]，[33]。当使用这种方法分析复杂网络时，人们被视为节点，他们之间的关系或交互作为边。

我们使用Gephi (0.9.7版本) 进行网络可视化。在输入时间序列数据后，Gephi可以可视化网络并揭示其背后的趋势和故事，广泛用于网络研究[34]。对于RQ1中的Twitter数据，Twitter账户是可视化中的节点。为简化研究过程，账户从其他人那里接收的参考关系（转推/引用/回复）都等同于边。对于RQ2中的交易数据，每个goblintown NFT交易者都是可视结果中的节点。交易关系显示为边。我们使用有向图模式来可视化网络，因为Twitter和NFT市场都遵循非对称原则：在Twitter上，一个账户的推文可能会被转推，但不必由这个账户再转推回来（NFT交易也是如此）。最后，我们使用“Force Atlas”和“Fruchterman Reingold”模式的默认参数来布局我们的网络。

我们使用Python中的NLTK套件预处理了收集到的推文文本，将大写字母转为小写，去除停用词，标点等。对于RQ1.2，我们首先使用Python套件wordcloud来获取goblintown相关讨论的概览。然后，为了揭示具体的话题，我们引入了由KH Coder提供的语义网络分析，这是一个开放获取的定量内容分析工具，用于对推文文本进行框架研究。这种方法避免了人为编码者的主观影响[36]，并广泛用于在线话语的文本主题研究。我们使用goblintown的月推文中前100个频繁共现的关键词来聚类框架，并保留最小生成树。关键词的定位基于Fruchterman和Reingold算法。每个框架中的词揭示了一个主题。关键词之间的相关性通过Jaccard系数计算并通过边连接。

为了研究RQ1.3，我们使用另一个NLP套件，TextBlob，来获取每个预处理后的推文的情感极性和客观性。我们对3个月的数据进行了情感分析。为了便于定性比较，我们定义了情感百分比SP = (Num.S/ Num.T)%。在这个等式中，Num.T Num.S表示具有某种极性（正面/中性/负面）或主观性（主观性/中性/客观性）的推文数量。Num.T表示同一时期的总推文数量。我们可以通过比较推文极性和客观性的百分比月度变化来确定人们的情绪变化。

在RQ2的分析中，我们使用K-means算法研究NFT市场投资者的行为。作为一种无监督的机器学习方法，K-means通过计算点与其最近的簇中心之间的平方距离的最小和来对数据进行聚类[37]。这种方法简单、直接，不需要多次随机初始化，适合于多维聚类。我们使用Python中的sklearn套件进行聚类。每个goblintown NFT投资者的交易频率、利润（收入减去成本）和发表的推文数量作为输入。最后，我们在一个三维坐标中可视化聚类结果。

如上所述，参与goblintown讨论并使用相关NFT作为Twitter头像的用户是goblintown社区的成员。通过使用goblintown头像，他们在社交媒体上公开了自己的身份，并建立了一个虚拟社区进行交流和互动。然而，并非所有goblintown社区的成员都是goblintown NFT的持有者。我们定义那些在Twitter社区中实际拥有goblintown NFT的成员为核心成员。相应地，只下载了NFT图像并没有所有权的社区成员被称为goblintown粉丝。

我们首先关注goblintown NFT的所有者。图3显示了10000个goblintown NFT的4509个所有者的分布。前500个地址持有了整个集合的50.42%，剩下的地址包含了49.58%。图也显示了前十个地址的分布。分布中存在聚集现象，但不显著。因此，整个集合并没有被少数几个巨大的鲸鱼所占据，我们基于goblintown对投资者行为的研究是可行的。考虑到我们识别出的goblintown社区成员，他们占据了所有交易中的31.43%，并持有了集合中的5526个NFT，占据了总供应量的55.26%。因此，goblintown Twitter社区在社交媒体上具有影响力，并对goblintown NFT市场至关重要。

如图4所示，我们统计了核心成员和粉丝加入goblintown社区的日期。通过将这两种类型的社区成员的加入情况与通过Twitter传播的关于goblintown的重要市场信息进行比较，我们发现，无论是核心成员还是粉丝，都易受市场信息的影响。尽管只是传言，但当出现正面的市场信息时，许多Twitter用户加入了goblintown社区[如(c),(d)和(e)]。相比之下，当出现负面的市场信息时，新成员的数量减少[如(f)]。此外，社区新加入粉丝相对于所有新社区成员的百分比线显示，早期的正面市场传闻主要吸引了核心成员。随后，新成员主要由只下载goblintown NFT图片作为头像的粉丝主导。

在图5中，三个子图分别可视化了5月、6月和7月在Twitter上goblintown相关信息的传播网络。节点表示Twitter账户，边表示它们之间的参考（转发/引用/回复）交互。表I显示了这三个网络的统计描述。根据表格，Twitter上的传播网络在3个月内几乎有相同的图形特征。每个用户与一个以上的其他用户进行互动，并通过一些关键节点连接，形成网络可视化中的社区。这些社区分别以浅紫色、绿色、蓝色、橙色和灰色表示，根据它们在网络可视化中的百分比顺序。属于一个社区的节点之间有更密切的信息交互。

我们发现有四种重要的角色参与到Twitter上goblintown市场信息的操纵中，并用不同颜色的注释表示它们：goblintown团队（红色），仿盘（深黄色），KOLs（深蓝色），和goblintown社区成员（紫色）。此外，我们通过计算每个节点的入度和出度，确定了三个信息传播网络中的前十个信息源和传播者，用矩形和线条区分。矩形表示节点是信息源，意味着许多Twitter用户引用了该节点发布的推文。下面有一条线的节点表示它引用了许多推文，是信息的传播者。此外，通过将这些Twitter源和传播者与我们识别出的以太网地址结合起来，我们知道这些节点是否参与了goblintown的交易，并持有了收藏品。数据在表II和III中显示。我们忽略了仿盘项目的情况，因为他们的智能合约不会参与goblintown NFT的交易，并将它们表示为“-”。另外，“Y”/“N”表示地址是否参与了交易，而“？”表示我们没有找到对应的地址。

根据网络可视化分析可见，当市场表现良好时（5月、6月），信息的主要来源是KOLs。Goblintown Twitter社区的成员和团队扮演了传播者的角色。这个时候，goblintown团队和社区成员是网络的最大部分。他们传播了来自第二大组成部分，即KOLs的信息。当市场表现不佳时，KOLs、仿盘和goblintown团队是信息的主要来源。社区成员和goblintown团队是主要的传播者。同时，仿盘和KOLs成为了网络的主要组成部分。而且，团队可能想要扭转市场的下滑趋势，在这个时候充当了信息源和传播者的双重角色。关于交易，我们也发现，尽管KOLs是信息的主要来源，但他们几乎不参与goblintown的交易或持有NFT。这些网络中的重要社区成员恰恰相反，但他们的持有量很小。对于这种现象，我们推测KOLs可能可以直接得到项目团队的报酬，这与传统股市中的第三方媒体和分析师获得卖方资助，发布引导信息类似。因此，他们不需要参与到高风险性的NFT交易中。相比之下，社区成员因为狂热的情绪而不是直接经济动机而成为传播者。

接下来，我们想知道在Twitter上的信息操纵期间，什么样的信息最有可能被传播。因此，我们分析了我们收集的所有推文文本，使用最常见的100个词的词云（图6中goblin阴影部分）揭示了最常被传播的信息的大致概览。周围的框架展示了goblintown推文中最流行的话题。这些话题与该系列的发布模式“free-mint”，goblintown与一些蓝筹项目，如“larvae”和“BAYC”，以及知名人士“beeple”的模糊关系的传闻有关。一些重要的KOLs像“alqsyy”以及他们常见的推文传播方法“giveaway”也在这些框架中。此外，讨论参与者也传播与goblintown NFT社区相关的话题，如“goblinfollowgoblin”、“friends”和“vibe”。然而，在这些关键话题框架中也充斥着许多FOMO信息：人们谈论了goblintown NFT #9249的天价。而一些仿盘，如“goblinwomen”诱使投资者不要错过再次致富的机会，等等。因此，我们看到了一个有趣的情况：人们正在积极地围绕goblintown建立一个虚拟社区，但这个社区中的信息主要是传闻谣言和FOMO。

我们应用情绪分析来研究Twitter用户对信息操纵的反应。图7显示了NFT社区和所有参与讨论者在3个月内的情感极性和主观性变化。由于他们沉浸在大量的积极市场传闻中，Twitter讨论参与者和goblintown社区成员在6月份表现出相比5月更积极和主观的言论。较高的红色和棕色虚线表明在社区中的情况比在所有参与者中更显著。然后，在7月份，所有讨论参与者中的中立极性和客观主观性推文增加。然而，社区的情绪变化很小，依然保持了积极性和主观性。这一现象表明，信息操纵在NFT社区中取得了“良好”的效果。这也表明，投资具有强烈社会属性的资产（如NFT），可能会改变人们的理性原则。这种投资标的与社交媒体平台上的信息操纵可以说是非常般配。

从市场的角度考虑信息操纵，我们通过研究投资者的交易频率和利润来分析其影响。交易频率反映了投资者在对他们接触到的市场信息进行主观判断后做出的交易决定，利润可以检验投资者决策的结果。图8(a)显示了所有投资者和我们识别的goblintown NFT社区核心成员的交易频率分布。大部分投资者只做了一次交易（37.7% 的所有投资者和 37.1%的识别到的社区成员）。大多数投资者只参与了不到十次的交易（93.5% 和 85.6%）。然而，随着频率的增加，社区核心成员中相应投资者的百分比比所有投资者增加得更多[图8(b)]。因此，交易频率的分析揭示了goblintown社区的核心成员更倾向于参与这个NFT系列的交易。然后，我们使用小提琴图来显示参与了goblintown NFT的投资者在5月、6月和7月的利润分布（图9）。大多数投资者分布在(-30, 30)*1000 美元的范围内，平均值在0左右。然而，极少数的投资者有极高的收益/损失。

我们还可视化了交易网络，以找出重要的交易者（图10），其中节点代表goblintown NFT投资者，边代表他们之间的goblintown NFT买卖关系。我们统计了网络的特征如下：平均度1.93，直径26，平均路径7.82，模块度0.58，聚类系数0.007。网络结构的统计描述表明，每个交易者平均与其他人进行了大约两次交易，节点可以被划分到几个较大的社区。然而，很难绘制出清晰的网络结构。因此，我们选择了“Fruchterman Reingold”模式来布置可视化。并根据每个节点的进/出度，我们计算了前10的卖家和买家。如表4所示，只有一个顶级卖家我们没有确定其Twitter账号-以太坊地址对应关系。因此，我们使用其地址的缩写作为标签，并在其推文数量中使用“？”。除此之外，表格显示了这些重要投资者的Twitter和交易情况。我们发现那些既没有发布goblintown推文也没有持有goblintown NFTs的顶级卖家获得了正回报。此外，大多数盈利的卖家在Twitter上并不活跃。他们没有太多的粉丝，也很少参与社交互动。相反，积极参与相关Twitter讨论并拥有goblintown NFTs的卖家损失严重。在顶级买家中也发生了同样的现象。

为了进一步研究在信息操纵下的NFT市场投资模式，我们对已经识别的3549个goblintown NFT投资者进行了K-means聚类。此外，由于1417个社区核心成员（前文通过推特信息识别得到）对于NFT社区来说是至关重要的，我们也单独研究了他们的表现。考虑到交易频率、利润和发布的goblintown推文数量，我们总结了五个类别。我们将他们描述为初级投资者（集群0），业余投资者（集群1），狂热投资者（集群2），短期理性投资者（集群3），和长期理性投资者（集群4）。图11(a)和(b)分别显示了已识别投资者和社区核心成员的聚类结果。图12显示了他们的利润，交易频率和发布的goblintown推文数量的分布情况。

**初级投资者（集群0）**指的是那些交易NFT次数较少、盈亏不多且在Twitter讨论中参与度较低的投资者。初级投资者在市场中占据多数（在已识别的投资者中占94.8%，在社区核心成员中占93.7%）。考虑到6-E节的分析，他们的投资表现处于平均水平。而且，由于他们并没有深度参与NFT社交互动，他们代表了被NFT的社会属性和Twitter上的信息吸引的最普通的投资者。尽管每个初级投资者并未参与许多交易，但他们庞大的人口仍然可以为信息操纵者提供重大利润。

**业余投资者（集群1）**指的是在NFT社区中更深入参与但交易次数和盈亏并不多的投资者。他们占识别投资者的2.8%和核心成员的5.3%。业余者在NFT交易利润和频率上与初级投资者（集群0）有类似的表现。但他们在推文热情上仅次于狂热者（集群2）。换句话说，他们更像是卷入NFT社区的初级投资者。但他们可能没有狂热者那么多的钱或者痴迷。表3中提到的一些重要信息传播者就属于这个类别。

**狂热投资者（集群2）**指的是最热衷于发布goblintown推文并参与NFT社区的投资者。他们在goblintown交易中也非常活跃。然而，他们的深度参与并未带来相应的回报。在识别的goblintown投资者和社区成员中，有0.9%和0.8%的狂热者。狂热投资者是损失最严重的类别，而且该类投资者几乎包括了所有重要的个人信息传播者。

**短期理性投资者（集群3）**指的是参与了大量交易并获得大量利润的投资者，但他们几乎没有参与NFT讨论。他们占所有投资者的0.3%，且没有出现在核心社区成员中。我们还发现，这些投资者在购买后没有保留任何goblintown NFT。例如，其中一位顶级卖家“Gobbbblinn_Guru”（0xa42...64a）参与了92次交易，赚了$448.9k，但没有发布相关推文也没有持有goblintown NFT。由于他们的交易频率最高，他们更有可能根据市场价格变动做出理性决策。此外，没有保留投资目标表明他们关注的是短期利益。

**长期理性投资者（集群4）**这个类别占所有已识别投资者的0.9%。像短期理性者（集群3）一样，他们也几乎没有参与NFT讨论，并从社区中消失。例如0xdca...339，其Twitter是“Mwis_NFT”，粉丝和推文都很少，没有参与goblintown相关的讨论也没有更换头像。但该投资者只进行了四次goblintown NFT的交易，赚了超过125k美元。与短期理性者（集群3）相比，长期投资者的持有NFT周期期更长。

在描述了我五种投资者后，我们可以简单分析一下哪种投资策略更好，更合理。首先，我们认为投资者应该积极参与NFT交易，因为它有可能带来高回报。其次，作为投资目标，大多数人在NFT投资中付出时间和本金后，期待相应的回报。因此，理性投资者的策略是有益的，因为他们平均获得的利润比其他投资者高得多。

以上分析发现，理性投资者（集群3，集群4）在goblintown NFT社区中是缺席的。这一现象促使我们进一步研究。首先，我们比较了理性投资者和goblintown核心成员之间的每日交易。图13（a）显示，理性投资者在传言传播之前就开始购买goblintown。那时，社区还没有形成。然后，正面的传言更明显地促使社区成员购买。当虚假信息传播时，如(i)和(l)，社区成员（受到信息操纵）也开始对goblintown进行购买。相比之下，理性投资者对信息不敏感。他们的购买行为更多地与价格变动相关，如在(d)。他们甚至没有对NYC.NFT(h)做出反应，且理性投资者在此之后几乎没有再购买。关于负面信息，如团队否认之前的传言(f)，理性投资者选择购买，而社区成员却犹豫不决。子图(b)显示，在传言初次传播后，理性投资者在好消息出现时，如(g)和(h)，更积极地卖出。同样，理性投资者更早地利用仿盘的FOMO信息卖出NFT。总的来说，理性投资者更早地参与了goblintown项目，并采取了更有策略的行动。他们更有可能将正面的传言视为卖出的机会，面对负面传言时也敢于购买。

此外，我们也想知道，NFT社区成员和理性投资者之间的投资行为差异是否只是特定于goblintown。因此，我们研究了这两组人在所有其参与的NFT项目中的交易情况。图14显示，理性投资者更倾向于参与更多的NFT项目并更频繁地交易。除了可能有更多的资本外，这可能是因为理性投资者把购买NFT视为一种投资行为。他们在购买后保留的NFT比社区成员少，同时也获得更高的利润。这个结果与在goblintown项目中发生的情况类似，这表明社区成员更容易被社交媒体上的NFT信息迷惑。相反，理性投资者远离NFT社区，只是把NFT视为投资标的，这为他们带来了更高的回报。

理性人假设认为，投资者会进行成本效益分析以确定决策是否合理。然而，goblintown社区成员的投资行为并不符合这个假设。这些投资者在Twitter NFT社区中表现狂热，信任被操纵的信息，忽视了他们的经济损失。实际上，社交网络通信对市场的影响已有漫长的历史[38]，行为金融学对该类研究最为突出。行为金融学研究者认为，做决策涉及到投资者对注意力的分配。对股票市场的研究证明，因为投资者的注意力有限，当面对过多的信息时，大脑会自动忽视大部分的信息[39]。这是我们的大脑的一种自我保护机制，但这也意味着投资者不会轻易相信收到的市场信息。然而，如果类似的信息反复出现，他们反而会变得轻信，并且很难再改变既定的认知[39]，[40]。社交媒体的出现加强了这种现象。我们对NFT市场投资者的研究与这些研究一致。当投资者被NFT吸引并参与到在线虚拟社区时，他们将被社交媒体上的热闹消息所围绕，这将干扰他们的理性投资决策。同时，NFT的社交互动属性是股票、房地产、加密货币等并不具备的。NFT与社交媒体有更强的自然契合性，有利于信息操纵。当一些社区成员因为反复暴露于谣言而改变了他们的认知时，他们很快就会变成谣言的传播者。所以我们看到，那些高利润的理性NFT投资者几乎没有参与NFT社区和Twitter讨论。

注意力分配的不同方式决定了投资行为模式的不同。Hong和Stein[7]首先将信息操纵下的投资者分为新闻观察者和动量交易者。新闻观察者根据他们从社交网络获得的信息预测股票的价值，并以此指导他们的投资，但他们忽视价格趋势。动量交易者只关注价格变动，忽视其他新闻。后续的学者在这个基础上提出了许多投资者的分类和定义，如套利者、噪声交易者等。我们更仔细地区分了利润、交易频率和社交媒体互动的交叉影响。我们所发现的两种理性投资者扩展了动量交易者的概念。业余投资者和狂热投资者则拓展了新闻观察者这一分类。因此，我们的工作将行为金融理论扩展到了NFT市场。

这项工作通过结合投资者的社交媒体与区块链交易数据分析了NFT市场。这种方法基于NFT的独特特性，提供了比传统股票或加密货币市场分析更微观的角度来研究投资者的行为。在此过程中，我们研究了NFT市场信息操纵的机制和四个角色（goblintown团队，仿盘项目，KOL和goblintown社区成员）。我们描述了五种NFT市场投资者：主要投资者，业余投资者，狂热投资者，短期理性投资者和长期理性投资者。通过行为金融理论，我们解释了他们的行为模式。

尽管我们的工作在研究信息操纵方面取得了一定创新，但仍有局限性。我们只研究了一个NFT系列，并排除了非英语的社交媒体数据。此外，我们的数据只覆盖了三个月的时间。然而，由于许多NFT在新兴的NFT市场中只有较短的生命周期，且英语是Web3中主要的交流语言，因此我们使用goblintown作为我们研究的第一步是合理的。在未来的工作中，我们计划通过其他NFT项目来扩展投资者社交账户和区块链地址之间的关系数据库。之后，我们可以开发自动工具来识别NFT市场信息操纵中的角色和事件。

[1] ETHEREUM. (Mar. 2021). ERC-721 Non-Fungible Token Standard. [Online]. Available: https://ethereum.org/en/developers/docs/standards/ tokens/erc-721/

[2] Q. Wang, R. Li, Q. Wang, and S. Chen, “Non-fungible token (NFT): Overview, evaluation, opportunities and challenges,” 2021, arXiv:2105.07447.

[3] M. Dowling, “Fertile land: Pricing non-fungible tokens,” Finance Res. Lett., vol. 44, Jan. 2022, Art. no. 102096.

[4] J. Gogo. (May 2022). Azuki NFTs Creator to Refund Investors After Admitting to Multi-Million-Dollar ‘Rug Pulls’. Beincrypto. [Online]. Available: https://beincrypto.com/azuki-nfts-creator-to-refund-investorsafter-admitting-to-rug-pulls/

[5] A. R. Chow, “The problem with NFTs: A crypto expert responds to a viral takedown,” TIME, Feb. 2022. Accessed: Sep. 20, 2022. [Online]. Available: https://time.com/6144332/the-problem-with-nfts-video/

[6] A. White-Gomez. (Jun. 2022). Goblintown NFT: How it REKT the Bear Market. [Online]. Available: https://www.one37pm.com/nft/goblintownnft

[7] H. Hong and J. C. Stein, “A unified theory of underreaction, momentum trading, and overreaction in asset markets,” J. Finance, vol. 54, no. 6, pp. 2143–2184, Dec. 1999.

[8] K. W. Chauvin and C. Shenoy, “Stock price decreases prior to executive stock option grants,” J. Corporate Finance, vol. 7, no. 1, pp. 53–76, Mar. 2001.

[9] J.-B. Kim, Y. Li, and L. Zhang, “CFOs versus CEOs: Equity incentives and crashes,” J. Financial Econ., vol. 101, no. 3, pp. 713–730, Sep. 2011.

[10] L. Jin and S. Myers, “R 2 around the world: New theory and new tests,” J. Financial Econ., vol. 79, no. 2, pp. 257–292, Feb. 2006.

[11] T. J. Putni¸nš, “An overview of market manipulation,” in Corruption and Fraud in Financial Markets: Malpractice, Misconduct and Manipulation, vol. 13. Hoboken, NJ, USA: Wiley, 2020.

[12] M. Siering, J. Muntermann, and M. Grˇcar, “Design principles for robust fraud detection: The case of stock market manipulations,” J. Assoc. Inf. Syst., vol. 22, no. 1, pp. 156–178, Jan. 2021.

[13] R. Fan, O. Talavera, and V. Tran, “Social media bots and stock markets,” Eur. Financial Manage., vol. 26, no. 3, pp. 753–777, Jun. 2020.

[14] S. Cresci, F. Lillo, D. Regoli, S. Tardelli, and M. Tesconi, “Cashtag piggybacking: Uncovering spam and bot activity in stock microblogs on Twitter,” ACM Trans. Web, vol. 13, no. 2, pp. 1–27, May 2019.

[15] M. Mirtaheri, S. Abu-El-Haija, F. Morstatter, G. V. Steeg, and A. Galstyan, “Identifying and analyzing cryptocurrency manipulations in social media,” IEEE Trans. Computat. Social Syst., vol. 8, no. 3, pp. 607–617, Jun. 2021.

[16] J. T. Hamrick et al., “The economics of cryptocurrency pump and dump schemes,” SSRN 3310307, 2018.

[17] L. Ante, “How Elon Musk’s Twitter activity moves cryptocurrency markets,” Technol. Forecasting Social Change, vol. 186, Jan. 2023, Art. no. 122112.

[18] L. Nizzoli, S. Tardelli, M. Avvenuti, S. Cresci, M. Tesconi, and E. Ferrara, “Charting the landscape of online cryptocurrency manipulation,” IEEE Access, vol. 8, pp. 113230–113245, 2020.

[19] M. Vasek and T. Moore, “Analyzing the Bitcoin Ponzi scheme ecosystem,” in Proc. Int. Conf. Financial Cryptogr. Data Secur. Berlin, Germany: Springer, 2018, pp. 101–112.

[20] A. Kapoor, D. Guhathakurta, M. Mathur, R. Yadav, M. Gupta, and P. Kumaraguru, “TweetBoost: Influence of social media on NFT valuation,” in Proc. Companion Web Conf., Apr. 2022, pp. 621–629.

[21] J. Luo, Y. Jia, and X. Liu, “Understanding NFT price moves through social media keywords analysis,” 2022, arXiv:2209.07706.

[22] D.-R. Kong and T.-C. Lin, “Alternative investments in the Fintech era: The risk and return of Non-Fungible Token (NFT),” SSRN 3914085, 2021.

[23] Y. Maouchi, L. Charfeddine, and G. E. Montasser, “Understanding digital bubbles amidst the COVID-19 pandemic: Evidence from DeFi and NFTs,” Finance Res. Lett., vol. 47, Jun. 2022, Art. no. 102584.

[24] D. Vidal-Tomás, “The new crypto niche: NFTs, play-to-earn, and metaverse tokens,” Finance Res. Lett., vol. 47, Jun. 2022, Art. no. 102742.

[25] S. A. Tariq and I. Sifat, “Suspicious trading in nonfungible tokens (NFTs): Evidence from wash trading,” SSRN 4097642, 2022.

[26] K. Vasan, M. Janosov, and A.-L. Barabási, “Quantifying NFT-driven networks in crypto art,” Sci. Rep., vol. 12, no. 1, pp. 1–11, Feb. 2022.

[27] A. Colicev, “How can non-fungible tokens bring value to brands,” Int. J. Res. Marketing, vol. 2022, pp. 1–8, Jul. 2022.

[28] V. Patel, “How to build trust in NFT communities: An analysis of strategies to build trust and commitment in NFT projects,” Univ. Missouri, Columbia, MO, USA, 2022.

[29] S. Casale-Brunet, M. Zichichi, L. Hutchinson, M. Mattavelli, and S. Ferretti, “The impact of NFT profile pictures within social network communities,” in Proc. Conf. Inf. Technol. Social Good, Sep. 2022, pp. 283–291.

[30] ENS. (Nov. 2021). ENS Documentation: Introduction. [Online]. Available: https://docs.ens.domains/

[31] P. Xia, H. Wang, Z. Yu, X. Liu, X. Luo, and G. Xu, “Ethereum name service: The good, the bad, and the ugly,” 2021, arXiv:2104.05185.

[32] M. Tsvetovat and A. Kouznetsov, Social Network Analysis for Startups: Finding Connections on the Social Web. Newton, MA, USA: O’Reilly Media, 2011.

[33] M. Sun, Y. Wang, and C. Gao, “Visibility graph network analysis of natural gas price: The case of North American market,” Phys. A, Stat. Mech. Appl., vol. 462, pp. 1–11, Jan. 2016.

[34] M. Bastian, S. Heymann, and M. Jacomy, “Gephi: An open source software for exploring and manipulating networks,” in Proc. ICWSM, Mar. 2009, vol. 3, no. 1, pp. 361–362.

[35] K. Higuchi, “A two-step approach to quantitative content analysis: KH coder tutorial using Anne of green gables,” Ritsumeikan Soc. Sci. Rev., vol. 52, no. 3, pp. 77–91, 2016.

[36] R. Vliegenthart and L. van Zoonen, “Power to the frame: Bringing sociology back to frame analysis,” Eur. J. Commun., vol. 26, no. 2, pp. 101–115, Jun. 2011.

[37] D. Steinley, “K-means clustering: A half-century synthesis,” Brit. J. Math. Stat. Psychol., vol. 59, no. 1, pp. 1–34, May 2006.

[38] D. J. Leinweber and A. N. Madhavan, “Three hundred years of stock market manipulations,” J. Investing, vol. 10, no. 2, pp. 7–16, May 2001.

[39] A. Gargano and A. G. Rossi, “Does it pay to pay attention?” Rev. Financial Stud., vol. 31, no. 12, pp. 4595–4649, Dec. 2018.

[40] P. Jiao, A. Veiga, and A. Walther, “Social media, news media and the stock market,” J. Econ. Behav. Org., vol. 176, pp. 63–90, Aug. 2020.