為了追求鑽石定價的更大透明度和清晰度，OpenFacet進行了一項嚴格的內部研究，以檢驗算法邏輯，特別是基於經驗法則（ROT）的百分比調整，是否能提高我們基準定價模型的準確性。我們的目標始終是提供鑽石真實零售市場價格的最可靠快照，並以完全的客觀性和可追溯性實現這一目標。

這篇博客文章記錄了我們探索經驗法則計算的方法和基本原理，解釋了為什麼在經過仔細分析後，我們選擇嚴格依賴從零售平台收集的實際數據，而不引入人工規則或校正範圍。

假設：ROT能否平滑和校正零售價格數據？

研究的初始前提很簡單：如果零售市場存在噪聲、錯誤或可用性差距，或許一套經過充分研究的ROT（例如，“從VS1到VS2通常下降約12%”）可以用來平滑基準並填補異常值。團隊將ROT視為一種安全措施，用於在零售數據稀疏或不一致時自動校正或插值價格。

研究步驟

1. 相鄰對分析：我們使用經過驗證的數據，計算了不同淨度等級（例如，VVS1到VVS2）和顏色等級（例如，E到F）之間的實際價格差異，覆蓋多種克拉大小。例如，我們繪製了0.3克拉到5.0克拉的淨度轉換價格差異百分比，清晰地觀察到這些差異如何隨克拉大小變化。

   研究分析來源鏈接

2. 淨度和顏色ROT矩陣：從圓形明亮（RB）定價文件中，我們生成了淨度和顏色等級之間平均、最小和最大百分比下降的表格。這些表格被結構化以支持固定和基於範圍的ROT。我們還通過柱狀圖可視化了這些數據，展示了按等級和大小的百分比下降的變異性。

   研究分析來源鏈接

3. 與真實數據的驗證：為了測試ROT，我們將其複合預測（例如，從D/IF到E/VVS1的價格）與從不同大小（1克拉、2克拉、3克拉、5克拉）的圓形數據中檢索的實際價格進行了比較。在許多情況下，ROT與觀察到的數據密切一致（在2-5%範圍內）。這些比較被繪製成圖表，以顯示ROT預測值與實際值之間的偏差。

   研究分析來源鏈接

4. 墊形切割擴展：我們使用墊形改良明亮（CMB）鑽石的單獨數據集重複了研究。鑑於CMB的價格始終低於圓形鑽石，我們比較了CMB與RB的價格，並計算了每個單元的折扣百分比。推導出了折扣的ROT範圍，並按克拉大小繪製圖表，顯示出特別是在1克拉到3克拉之間的−20%到超過−45%的持續向下偏差。

   研究分析來源鏈接

5. 整合挑戰：雖然許多ROT值與觀察到的趨勢相符，但零售覆蓋的差距、流動性較低類別的不一致定價行為以及過度校正的風險讓我們提出了一個關鍵問題：任何公式都應該覆蓋真實世界的定價嗎？

團隊最終決定：信任數據，而非捷徑

在分析了數千個數據點並進行了廣泛的內部討論後，OpenFacet團隊得出結論，最佳的前進道路是相信數據本身，而不強制執行可能過時或與市場行為不一致的規則。

儘管ROT作為一種概念提供了價值，但我們觀察到，即使是設計良好的ROT系統也可能掩蓋真實的供需波動，並可能削弱我們對透明度的承諾。OpenFacet的使命不是將市場適應模型，而是揭示市場的真實行為。

在數據稀疏或不可用的地方，團隊採取了堅定的立場，通過擴大和加深零售數據收集的範圍，而不是依賴基於ROT的推斷。我們相信，擴大真實數據的覆蓋範圍是更原則性和可持續的解決方案。

對用戶的意義

我們的基準價格反映了最佳可用公共零售價格的純聚合，通過我們以披露為導向的算法進行過濾。沒有手動調整。沒有嵌入的假設。沒有人工平滑。

用戶可以放心，OpenFacet的定價：

• 由真實的、可觀察的市場清單支持
• 持續更新
• 不受商業或模型偏見的影響

結論

在一個長期受到不透明和主觀性困擾的行業中，OpenFacet選擇了更艱難的道路：僅依賴實時市場數據，無論其分散或不完美。通過避免人工校正，我們保持了定價模型的完整性和可信度。

一如既往，我們對發展保持開放。如果未來數據科學的進步能夠實現風險感知、統計上合理的校正，我們將重新評估。目前，真相存在於數據本身。