Ein durch maschinelles Lernen unterstütztes kooperatives Spiel-Framework für Blockchain- und nicht-fungible, tokenbasierte Kunsthandel mit Zero-Knowledge-Beweisen

Summary

Diese Studie verbessert den NFT-basierten Handel mit digitalen Vermögenswerten in Smart-City-Umgebungen, indem ML in ein CoGTT-Framework integriert wird. Implementiert mit Smart Contracts auf einer öffentlichen Blockchain und unterstützt durch Zero-Knowledge-Beweise, verbessert das Framework Fairness, Anpassungsfähigkeit und Transparenz und erreicht eine Handelsabschlussrate von 84 %, während die Ausführungskosten dezentraler Systeme berücksichtigt werden.

Abstract

Im Kontext von Smart Cities transformieren Non-Fungible Tokens (NFTs) digitale Kunstmärkte, indem sie sichere, dezentrale Transaktionen ermöglichen. Mit dem Wachstum des NFT-Handels wird die Integration von Intelligenz und Anpassungsfähigkeit entscheidend – wodurch die Integration von maschinellem Lernen (ML) unerlässlich ist. Bestehende Modelle, insbesondere Cooperative Game Theoretic Trading (CoGTT)-Frameworks, nutzen ML jedoch in allen Handelsphasen zu wenig. Wesentliche Lücken sind begrenzte Echtzeitanpassungsfähigkeit, suboptimale Verhandlungsstrategien und unzureichende Käufer-Verkäufer-Matchmaking. Diese Forschung adressiert diese Lücken, indem ML in ein dreiphasiges CoGTT-Framework integriert wird – ML-gesteigertes Naives Trading, Min–Max-Preisverhandlung und Equilibrium-Based Trading –, um Entscheidungsfindung und Preisgestaltung zu verbessern. Die Methodik verwendet ML-Algorithmen wie Entscheidungsbäume, Clustering und Reinforcement Learning (Q-Learning) in einer öffentlichen, blockchainbasierten Simulationsumgebung mithilfe von Smart Contracts. Die Simulation verwendet einen individuell angepassten Datensatz, der sowohl Marktdynamik als auch die Glaubwürdigkeit der Künstler widerspiegelt. Der Datensatz wird synthetisch generiert, um einen NFT-Marktplatz zu emulieren und gleichzeitig kontrollierte experimentelle Bedingungen zu gewährleisten, was die direkte Anwendbarkeit auf volatile reale Märkte einschränken kann. Zero-Knowledge-Beweise (ZKPs) werden eingesetzt, um die Privatsphäre zu wahren. ZKPs werden eingesetzt, um die Privatsphäre zu wahren. Eine vergleichende Analyse von ML-Modellen zur Preisschätzung von NFTS und strategischem Bidding zeigt die Wirksamkeit der Kombination prädiktiver Algorithmen mit Reinforcement Learning. Lineare Regressions- und Random Forest-Modelle schätzen beide die NFT-Preise genau, wobei Random Forest eine höhere Echtzeit-Vorhersagegenauigkeit erzielt (R² = 0,9920). K-Means Clustering segmentiert effektiv Marktteilnehmer, um gezielte Verhandlungen zu unterstützen, und erreicht einen Silhouettenwert von 0,8178. Die Integration von Q-Learning mit Random Forest ermöglicht dynamische Bieterstrategien, die die Lücke zwischen empfohlenen und tatsächlichen Preisen minimieren. Der diskrete Aktionssatz (verringern, verbleiben, erhöhen) unterstützt interpretierbare, Echtzeit-Anpassungen der Gebote. Diese Ergebnisse unterstreichen das Potenzial ML-gesteuerter NFT-Handelssysteme, skalierbare, datenschutzkonforme digitale Marktplätze in Smart Cities zu unterstützen und das Handelsverhalten durch automatisierte, datengetriebene Prozesse an die Marktanforderungen anzupassen.

Introduction

Die Konvergenz von Blockchain-Technologie und Non-Fungible Tokens (NFTs) hat ein transformatives Modell für den Besitz und den Handel digitaler Vermögenswerte eingeführt, insbesondere innerhalb von Smart Cities. In diesem Umfeld ermöglicht ein Digital Artwork Trading Framework Künstlern, ihre Kreationen zu monetarisieren, und bietet Sammlern durch dezentrale Infrastruktur nachweisbare Eigentumsverhältnisse. Dies passt gut zu Smart-City-Zielen wie Transparenz, Rückverfolgbarkeit und Automatisierung. Mehrere Faktoren, wie hohe Transaktionsgebühren, eingeschränkte Interoperabilität und unzureichende Urheberrechtsdurchsetzung, behindern die Verbreitung und Skalierbarkeit dieser Systeme.

Eine wachsende Menge grundlegender Forschung untersucht diese Themen aus mehreren Blickwinkeln. Vujicic et ^al.1 und Kumar et ^al.2 bieten technische Übersichten über dezentrale Finanzen und innovative Vertragsmechanismen, die dem NFT-Handel zugrunde liegen. Ante et ^al.3 und Guan et ^al.4 untersuchen das wirtschaftliche Verhalten und die Nutzererfahrungen von NFT-Marktplätzen und heben Volatilität und strategisches Verhalten der Stakeholder hervor. Anwendungen über digitale Kunst hinaus – wie Abfallmanagement⁵, sicherer KI-Handel⁶ und rechtliche Compliance⁷ – zeigen die Vielseitigkeit und den wachsenden Nutzen von NFT-Plattformen in dezentralen Ökosystemen.

Interdisziplinäre Ansätze sind ebenfalls entstanden, um diese Plattformen zu verbessern. Spieltheorie wurde eingesetzt, um Anreizstrukturen, Eigentumsstreitigkeiten und regulatorische Compliance zu adressieren, wie in Arbeiten von Sun et ^al.8, Gao et ^al.9 und Shao et ^al.10 zu sehen ist. Diese Studien entwerfen gleichgewichtsbasierte und strafgetriebene Modelle, um faires Verhalten und eine effiziente Ressourcenzuteilung zu fördern. Gleichzeitig werden maschinelles Lernen (ML)-Techniken eingeführt, um die Betrugserkennung, Preisprognose und Inhaltsbewertung in NFT-Ökosystemen^{zu verbessern 11,12 und} bieten datenbasierte Strategien zur Optimierung der Handelseffizienz ^9,10. Jüngste Studien haben begonnen, die Preisvorhersage von NFTS mithilfe von Deep Learning und visuellen Funktionen zu untersuchen. Seyhan und Sefer¹³ schlugen ein Deep-Learning-Modell zur Vorhersage sowohl primärer als auch sekundärer NFT-Verkaufspreise vor und zeigten eine verbesserte Genauigkeit gegenüber Baseline-Modellen. Ähnlich setzten Pala und Sefer¹⁴ Transferlernen auf bildbasierte NFT-Attribute ein, um Verkaufsmerkmale vorherzusagen und betonten die Bedeutung visueller Merkmale bei der Preisbestimmung. Diese Arbeiten ergänzen unseren Ansatz, indem sie alternative Datenmodalitäten betonen, während unser Framework maschinelles Lernen mit spieltheoretischer Verhandlung für dynamischen und adaptiven Handel integriert.

Neuere Literatur unterstreicht den wachsenden Einfluss von Blockchain- und NFT-Technologien bei der Sicherung digitaler Ökosysteme und der Umstrukturierung der Marktdynamik. Die Integration der Blockchain verbessert die Sicherheit von Vermögenswerten, Betrugsschutz und dezentrales Eigentum auf digitalen Plattformen, insbesondere in Gaming- und virtuellen Volkswirtschaften¹⁵. Gleichzeitig offenbaren NFT-getriebene Krypto-Ästhetik und dezentrale Kunstmärkte komplexe soziotechnische Interaktionen, die künstlerischen Wert, Eigentum und kulturelle Produktion verändern¹⁶, während empirische Studien zeigen, dass NFT-Preisgestaltung überwiegend von Knappheit, dem Ruf der Schöpfer und^{Marktdynamiken bestimmt} wird. Quantitative und netzwerkbasierte Analysen zeigen zudem, dass strategische Optimierung und strukturierte Interaktionsnetzwerke wirtschaftliche Ergebnisse, Stabilität und Erfolgsmuster in dezentralen Marktplätzen und verwandten Systemen maßgeblich beeinflussen^19,20.

Trotz dieser Fortschritte bleiben die aktuellen NFT-Handelsrahmen – insbesondere jene, die auf Cooperative Game Theoretic Trading (CoGTT) basieren – in ihrer Anpassungsfähigkeit und Entscheidungsfähigkeit eingeschränkt. Abbildung 1 zeigt das architektonische Diagramm des vorgeschlagenen ML Augmented Cooperative Game Theoretic Trading (CoGTT)-Frameworks. Bestehende Modelle sind überwiegend statisch und stützen sich oft auf heuristische oder regelbasierte Strategien, die komplexe, dynamische Marktbedingungen und Nutzerverhalten nicht berücksichtigen. Dies führt zu ineffizienten Trades, schlechten Preisstrategien und begrenzter Transaktionsfairness.

Diese Forschung schlägt ein Machine Learning–Augmented CoGTT-Framework für dezentrale digitale Vermögenshandelsplattformen vor, um diese Einschränkungen zu beheben. Das Framework ist in drei progressive Phasen gegliedert – ML-verstärktes Naives Trading, Min-Max-Preisverhandlung und Gleichgewichtsbasiertes Trading – und nutzt überwachte, unüberwachte und Reinforcement-Learning-Techniken, um Marktanalyse, strategische Verhandlung und Gleichgewichtserkennung zu verbessern. Konkret werden Klassifikationsmodelle (z. B. Entscheidungsbäume), Clustering-Algorithmen (z. B. K-Means) und dynamische Lernmethoden (z. B. Q-Learning) verwendet, um Handelsmatching, Preissetzung und Verhandlungsstrategie zu optimieren.

Diese ML-augmentierte Architektur wird über die Smart-Contract-fähige Blockchain-Plattform (hier die Ethereum-Blockchain) bereitgestellt und gewährleistet eine dezentrale, transparente und autonome Ausführung von Trades. Um Benutzerdaten zu schützen und die Vertraulichkeit zu wahren, sind ZKPs integriert, was eine kryptographisch sichere Validierung von Transaktionen ermöglicht, ohne sensible Informationen preiszugeben. ML-basierte Erkenntnisse beeinflussen die Smart-Contract-Logik direkt, indem sie vorhergesagte Preise und adaptive Schwellenwerte einbetten, die auf Echtzeit-Marktdynamiken reagieren.

Zusammenfassend stellt diese Studie ein skalierbares, datenschutzfreundliches und intelligentes Handelsframework vor, das auf einer öffentlichen Blockchain mit einer Gasgebühr- und Bereitstellungskostenberechnungstabelle in Tabelle 1 eingesetzt wird und die Effizienz (wie in Tabelle 2 und Tabelle 3 widerspiegelt), die Vertrauenswürdigkeit und Anpassungsfähigkeit von NFT-Handelssystemen erheblich verbessert. Durch die enge Integration von maschinellem Lernen mit spieltheoretischer Logik und Blockchain-Infrastruktur entspricht die vorgeschlagene Lösung den Zielen der Smart Cities – einer sicheren, fairen und nutzerinklusiven Plattform für den Austausch digitaler Vermögenswerte.

Diese Studie schlägt einen hybriden Rahmen vor, der maschinelles Lernen mit kooperativem spieltheoretischem Handel (CoGTT) integriert, um Preisgestaltung, Verhandlung und Entscheidungsfindung in NFT-basierten digitalen Kunstmärkten zu unterstützen. Prädiktive Modelle werden mit Smart Contracts kombiniert, um Prozessautomatisierung, Fairness und Sicherheit in Handelsumgebungen zu verbessern. Um Datenschutz- und Compliance-Anforderungen zu erfüllen, werden ZKPs für Preisabgleich, Eigentumsvalidierung und Authentizitätsprüfung eingesetzt. Das Framework verwendet eine dreiphasige Struktur, bestehend aus maschinellem Lernen unterstütztem naivem Handel, Min-Max-Preisverhandlung und gleichgewichtsbasiertem Handel, und bietet einen koordinierten Ansatz für skalierbare NFT-Marktplatzoperationen.

Die vergleichende Analyse in Tabelle 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32^, 33,34,35,36,37,38 hebt die Integration von Blockchain, NFTs, maschinellem Lernen und spieltheoretischen Modellen in dezentralen Bereichen wie digitalen Märkten, IoT-Sicherheit und Energiesystemen hervor. Frühere Studien zeigen, dass die Kombination fortgeschrittener Lernmodelle und Blockchain-Mechanismen die Preisgenauigkeit, Sicherheit, Transparenz und Gleichgewichtsoptimierung verbessert. Empirische und analytische Belege zeigen Verbesserungen bei Effizienz, Betrugsminderung, Kostensenkung und fairer Anreizverteilung durch hybride ML–Blockchain-Frameworks.

Protocol

Das Framework für den blockchain-basierten NFT-Kunsthandel ist als mehrschichtiges Protokoll strukturiert, das Smart Contracts, datenschutzmechanismen, spieltheoretische Modellierung, maschinelles Lernen, Verstärkungslernen und Gaskostenbewertung in einer einheitlichen Architektur integriert.

Der Prozess beginnt mit der Entwicklung von Smart Contracts, die Kernfunktionen wie Teilnehmerregistrierung, Asset-Listing, Auftragsabgabe und Transaktionsausführung definieren. Diese Verträge ermöglichen das Onboarding der Nutzer, die Registrierung von Vermögenswerten und eine sichere Auftragsabwicklung. Um Korrektheit und Effizienz zu bewerten, wurde die Vertragslogik getestet und die Ausführungskosten unter verschiedenen Transaktionsgeschwindigkeitseinstellungen erfasst.

ZKPs werden integriert, um die Authentizität des Kunstwerks zu überprüfen, ohne sensible Details preiszugeben. Jede Transaktion unterzieht sich einer doppelten Verifizierung durch On-Chain-Prüfungen und ZKP-Validierung, um Vertraulichkeit und Datenintegrität sicherzustellen. Das modulare ZKP-Design funktioniert unabhängig von den Haupt-Smart Contracts und ermöglicht Integration und Unterstützung von Bereitstellung im großen Maßstab. Die Erstellung von Beweisen und die Verifikationslatenz wurden bewertet, um die Machbarkeit zu beurteilen.

Eine webbasierte Oberfläche wurde mit einem allgemeinen Framework implementiert. Die Benutzeroberfläche umfasst Module wie eine Landingpage, ein Künstler-Dashboard und eine Handelsplattform. Wallet-basierte Authentifizierung ermöglicht das Signieren von Transaktionen, während Upload- und Minting-Funktionen es Künstlern ermöglichen, digitale Werke zu tokenisieren.

Auf Marktdesignebene verwendet das Modell des kooperativen Spiel-Theoretikhandels (CoGTT) einen strukturierten dreiphasigen Verhandlungsmechanismus. Die erste Phase wendet eine direkte Preisanpassung auf Basis der eingereichten Gebote und Angebote an. Unmatched Teilnehmer gehen in die zweite Phase über, die ausgehandelte Min-Max-Preisstrategien einschließlich Midpoint-Bewertungsmethoden verwendet. Wenn keine Einigung erzielt wird, gelangen die Trades in die dritte Phase, in der Nash-Gleichgewichtsprinzipien angewendet werden, und iterative Verhandlungen gehen weiter, bis gleichgewichtskonvergente Preise erreicht sind. Diese Phasen werden als modulare Algorithmen umgesetzt: naives Matching (Algorithmus 1), Midpoint-Brokering (Algorithmus 2), Nash-Gleichgewichtshandel (Algorithmus 3) und integrierter Workflow (Algorithmus 4).

Maschinelle Lernmodelle sind in den Handelsprozess integriert, um Entscheidungen zu unterstützen. Marktmerkmale wie Gebote, Briefe, Handelsvolumen, historische Preisdaten und Reputationswerte werden für die prädiktive Modellierung verwendet. Die lineare Regression (Algorithmus 5) schätzt faire Preise, wobei die Leistung mittels mittlerer quadratierter Fehler (MSE) bewertet wird. K-Means Clustering (Algorithmus 6), unterstützt durch Merkmalsnormalisierung und PCA-basierte Dimensionalitätsreduktion, segmentiert die Nutzer in Cluster, die anhand des Silhouettenwerts bewertet werden. Random Forest (Algorithmus 7) liefert zusätzliche Preisprognosen, die sowohl durch MSE als auch durch R² validiert werden. Ein integrativer Algorithmus (Algorithmus 8) kombiniert Regression, Clustering und Random Forest-Ausgaben zu einem dynamischen Entscheidungsfluss für adaptiven Handel.

Verstärkungslernen durch Q-Learning wird eingesetzt, um Bieterstrategien zu optimieren. Der Zustandsraum wird durch aktuelle Preisniveaus und Gebotswerte definiert, während Aktionen Erhöhung, Verkleinerung oder Behalten umfassen. Ein Q-Agent wird anhand von Feedback aus Random Forest-Vorhersagen geschult und lernt Richtlinien, die Preisfehler reduzieren und den Nutzen der Teilnehmer erhöhen. Simulationen werden durchgeführt, bis die Konvergenz zu gleichgewichtsorientierten Richtlinien erreicht ist, und die Ergebnisse werden in simulierten Handelsumgebungen validiert.

Der Gasverbrauch für jede Vertragsfunktion wird systematisch erfasst, wobei die Transaktionskosten unter unterschiedlichen Geschwindigkeitseinstellungen berechnet werden. Zum Beispiel verbrauchte die Funktion registerArtist() 90.123 Gaseinheiten, wobei entsprechende Kosten mit den Marktpreisen von ETH verglichen wurden. Diese Bewertungen identifizieren Abwägungen zwischen Kosten und Ausführungseffizienz.

Die Leistung des Rahmens wurde anhand mehrerer Kennzahlen bewertet. Lineare Regression erreichte einen MSE von 4,54 × 10⁻²⁸, während K-Means-Clustering einen Silhouettenwert von 0,8178 ergab. Random Forest ergab einen MSE von 0,1311 mit einem^R2 von 0,9920. Q-Learning-Ergebnisse wurden auf Konvergenz und Gleichgewichtsausrichtung unter unterschiedlichen Preisbedingungen bewertet. Diese Ergebnisse zeigen die Machbarkeit des vorgeschlagenen Ansatzes zur Unterstützung des NFT-Kunsthandels unter blockchain-basierten Marktbedingungen.

Vorgeschlagenes kooperatives Game Theoretic Trading (CoGTT)-Framework für den digitalen Kunsthandel

Das innovative Hybrid Approach Cooperative Game Theoretic Trading (CoGTT) Framework kombiniert einen spieltheoretischen NFT-Handelsansatz mit zusätzlichen Preismechanismen und Nash-Gleichgewicht, um die Effizienz und Koordination der NFT-Märkte zu verbessern. Der vorgeschlagene Ansatz basiert auf einer Smart-Contract-fähigen Blockchain-Plattform. Der Ansatz nutzt fortschrittliche kryptografische Techniken und ZKPs, um eine sichere und private Verifizierung von Transaktionen sicherzustellen. ZKPs ermöglichen die Validierung von Eigentums- und Transaktionsdetails, ohne sensible Informationen über Käufer oder Verkäufer offenzulegen.

Dieser vorgeschlagene Ansatz führt strategische Interaktionen zwischen Schöpfern, Käufern und Zwischenhändlern innerhalb eines dezentralen Marktplatzes ein. Dieses Modell zielt darauf ab, Handelsergebnisse zu optimieren und Anreize für alle Teilnehmer auszubalancieren und dabei Wettbewerbs- und Kooperationsdynamiken zu berücksichtigen. Während der vorgeschlagene Rahmen sich hauptsächlich auf naives Gebot-Ask-Matching, Midpoint-basierte Verhandlungen und Nash-Gleichgewichts-basierte Abwicklung konzentriert, existieren auch andere Methoden wie Second-Price-Auktionen, die in NFT-Märkten weiterhin relevant sind. Beim Handel mit digitalen Kunstwerken bestimmt der Auktionator den Transaktionspreis anhand folgender Ansätze:

Verbrauchergebotspreis: Der Preis wird direkt basierend auf dem höchsten Gebot des Käufers festgelegt. Diese Methode spiegelt den maximalen Wert wider, den der Käufer für das Kunstwerk zahlt, und fördert so wettbewerbsfähige Angebote.

Durchschnittspreismethode: Der Preis wird als Mittelpunkt zwischen dem vom Käufer angebotenen und dem vom Verkäufer geforderten Preis berechnet, wodurch ein Gleichgewicht entsteht. Diese Gleichgewichtspreisberechnung:

Gleichgewicht (EPrice) = DArt_APrice + DArt_BPrice

Dieser Ansatz zielt darauf ab, die Interessen von Käufer und Verkäufer auszubalancieren und so zu einer fairen und für beide Seiten einvernehmbaren Transaktion zu führen. Diese Methoden bieten Flexibilität bei Preisstrategien und berücksichtigen vielfältige Präferenzen und Marktdynamiken im Ökosystem des digitalen Kunsthandels.

3-Phasen-spieltheoretisches, kooperatives Handelsmodell

Dieser Abschnitt stellt einen innovativen, dreiphasigen, spieltheoretisch basierten kooperativen Handelsansatz vor, der speziell für digitale Kunstwerke entwickelt wurde. Der Ansatz passt sowohl die Gebots- als auch die Angebotspreise dynamisch an, um die Handelseffizienz und Fairness zu optimieren, wie in Tabelle 2 und Tabelle 3 gezeigt, die von einem Broker unterstützt werden. Es zielt darauf ab, Fairness, Effizienz und Rentabilität in dezentralen NFT-Märkten zu verbessern und ein Gleichgewicht zwischen den Interessen von Kreativen und Kunstwerkkäufern zu schaffen. Abbildung 2 illustriert das vorgeschlagene 3-Phasen-Handelssystemmodell für digitale Kunstwerke, mit dem detaillierten Algorithmus aus Algorithmus 4. Das vorgeschlagene CoGTT-Framework schließt den Digital Artwork Trading effizient in drei Phasen ab: a) Naives Trading basierend auf Angebots- und Gebotspreisen, b) Handel basierend auf dem ausgehandelten Min-Max-Preis und c) Handel mit der Nash-Equilibrium-Methode. In der ersten Phase wird naives Trading auf Basis der anfänglichen Informationen von Schöpfern und Käufern eingeleitet. Die zweite Phase beinhaltet den Handel basierend auf den ausgehandelten Min-Max-Preisen zwischen Verkäufern und Käufern für die verbleibenden, nicht gehandelten Anfragen. Schließlich verwendet die dritte Phase die Nash-Gleichgewichtsmethode, um den Handelsprozess abzuschließen.

Erste Phase – Naives Trading zum Bit- und Bitpreis:

In der ersten Phase werden digitale Kunstmacher (Anbieter) in aufsteigender Reihenfolge nach ihren Angebotspreisen sowie den Mindestverkaufspreisen organisiert. Ebenso werden Käufer (Verbraucher) in aufsteigender Reihenfolge entsprechend ihren eingereichten Bieterpreisen sowie ihren maximalen Gebietenspreisen geordnet. Der Mindestangebotspreis der Ersteller und der Höchstgebotspreis der Käufer werden vertraulich behandelt. Anschließend wird ein kooperativer Ansatz angewandt, um Käufer und Kreative zusammenzubringen und so die Zuteilung von Kunstwerken zu erleichtern, bei der die Gebotspreise der Käufer mit den Angebotspreisen der Schöpfer übereinstimmen. Diese Zuteilung kann einen einzelnen oder mehrere Ersteller umfassen, solange die kombinierten Angebotspreise innerhalb des Gebots des Käufers liegen. Käufer, die in dieser Phase aufgrund von Preisbeschränkungen keine Kunstwerke sichern können, gehen in die zweite Phase über. Die Details des Handelsansatzes sind in Algorithmus 1 dargelegt.

Zweite Phase – Handel zum ausgehandelten Min-Max-Preis

In der zweiten Phase werden die Anfragen der nicht gematchten Käufer adressiert, um den Handelsprozess abzuschließen, wobei die Mindestpreise von digitalen Kunstschaffenden und die maximalen Gebotspreise der Käufer verwendet werden. Der Handelsansatz verwendet verschiedene Methoden, darunter Middle Value, Intraday Mid Point Value und Market Equilibrium, um einen Mittelwert zu bestimmen, der die Handelseffizienz steigert. Die Einzelheiten dieser Mittelpunktansätze werden in den folgenden Unterabschnitten behandelt. Die Details des Handelsansatzes sind in Algorithmus 2 bereitgestellt.

Middle Value: Ein Brokering-Ansatz, der verwendet wird, um den Mid Value zwischen Schöpfern und Käufern mit einem einfachen Mid-Value-Ansatz zu ermitteln. Wenn zum Beispiel der Gebotspreis für ein digitales Kunstwerk 50 und der Angebotspreis 52 betragen, kann der mittlere Wert durch Mittelwertung der Gebots- und Briefpreise ermittelt werden.

Intraday-Midpoint-Wert: Der integrierte Brokering-Ansatz kennzeichnet den Mindesthandelspreis derselben Art von Kunst, auch den Maximalpreis derselben Art von Kunst und verwendet folgende Formel zur Berechnung des mittleren Werts: (Aktueller Tageshoch + aktueller Tagestief)/2. Dieser mittlere Wert wird als Handelstransaktionspreis festgelegt, wenn der mittlere Wert über dem Mindestangebotspreis des Kunstschöpfers und unter dem maximalen Gebotspreis des Käufers liegt.

Marktgleichgewicht: Der mittlere Preis ist ein wichtiger Indikator für das Marktgleichgewicht. Sie spiegelt den Preis wider, zu dem sich der Kunstschöpfer (Angebotspreis) und der Käufer (Gebotspreis) für einen Vermögenswert ausrichten. Dieser Wert wird berechnet, indem man den höchsten Gebotspreis und den niedrigsten Angebotspreis mittelt, wodurch die Händler eine faire Darstellung des aktuellen Marktwerts erhalten, die von extremen Ge- oder Kaufkursen unbeeinflusst ist. Die Formel wird in den folgenden drei Gleichungen dargestellt.

 

Dritte Phase – Handel mit der Nash-Gleichgewichtsmethode

Im dritten Schritt werden die erweiterten Informationen der verbleibenden, nicht gehandelten Anfragen, wie der Mindestangebotspreis des Ersteller und der Höchstgebotspreis des Käufers, beiden Seiten offenbart, sodass sie sich auf einen Gleichgewichtspunkt einigen, bei dem der Gebotspreis des Käufers so hoch ist, wie er bereit ist zu gehen, und der Angebotspreis des Erstellers so niedrig ist, wie er akzeptieren möchte. Die Details des Handelsansatzes werden in Algorithmus 3 dargestellt.

In der ersten und zweiten Phase des Rahmens werden Vertraulichkeit und Anreizabstimmung eingesetzt, um strategische Fehlberichterstattung von Preisen zu verhindern. Die maximale Zahlungsbereitschaft der Käufer und die minimal akzeptablen Preise der Schöpfer werden während der Zuteilung als vertrauliche Werte gehalten, was Manipulationsmöglichkeiten durch Unterberichterstattung oder Übertreibung einschränkt. Da Matching-Entscheidungen auf Spannen (Mindest-Brief- und Maximalgebot) statt auf expliziten Offenlegungen basieren, erhöhen Versuche, Preise falsch zu melden, die Wahrscheinlichkeit eines Ausschlusses aus Phase 1- oder Phase-2-Allokationen und verringern so die Handelsmöglichkeiten. Darüber hinaus geht das Protokoll in eine dritte Phase über, die auf dem Nash-Gleichgewicht basiert, wenn frühere Trades erfolglos sind. In dieser Phase führen iterative Anpassungen zu einer Konvergenz bei Ergebnissen, die die tatsächlichen Bewertungen der Teilnehmer genauer widerspiegeln. Diese Entwicklung entmutigt Fehlmeldungen in den frühen Phasen, da gescheiterte Manipulationsversuche nur die Ausführung hinauszögern und letztlich eine wahrheitsgemäße Offenlegung der Bewertungen für einen erfolgreichen Handelsabschluss erforderlich machen.

Die Ergebnisse der maschinellen Lernalgorithmen (ML) werden nicht als isolierte Vorhersagen behandelt, sondern aktiv in das dreiphasige kooperative spieltheoretische Handelsrahmen (CoGTT) eingebettet, um Preisgestaltung, Verhandlung und Gleichgewichtsentdeckung zu steuern. Die Verbindungen werden nun wie folgt beschrieben:

Phase 1 – Naiver Handel mit linearer Regression: Das lineare Regressionsmodell erzeugt einen fairen Preis-Benchmark, indem es die Kauf- und Kauffunktionen mit historischen Trends mittelt. Dieser prognostizierte faire Preis wird dann sowohl mit dem vom Käufer abgegebenen Gebot als auch mit dem Angebotspreis des Schöpfers verglichen. Wenn eine Partei einen Wert angibt, der deutlich vom prognostizierten fairen Preis abweicht, wird die Zuteilung depriorisiert, wodurch der Anreiz für Fehlmeldungen verringert wird. So wirkt der Regressionsausgang als Filtermechanismus, der bestimmt, welche Trades als für die direkte Allokation geeignet sind.

Phase 2 – Min-max-Verhandlung mit Random Forest: Das Random-Forest-Modell verfeinert die dynamische Preisschätzung, indem es Bid-Ask-Spreads, Handelsvolumen und Reputationswerte einbezieht. Diese Vorhersagen werden direkt verwendet, um Midpoint-basierte Verhandlungsmethoden zu kalibrieren (Middle Value, Intraday Mid-Point, Market Equilibrium). Wenn beispielsweise ein Mittelwert berechnet wird, wird die Zufallswaldvorhersage als Korrekturfaktor angewendet, um sicherzustellen, dass der ausgehandelte Wert mit dem Marktverhalten übereinstimmt. Diese Integration stellt sicher, dass Brokering-Ergebnisse an erlernten Marktmustern und nicht an willkürlichen arithmetischen Mittelpunkten gebunden sind.

Phase 3 – Gleichgewichtsbasiertes Trading mit K-Means-Clustering: In dieser Phase werden Käufer- und Verkäuferteilnehmer zunächst in Cluster nach Verhaltensmerkmalen (Bid/Ask-Aggressivität, Reputation, historische Aktivität) segmentiert. Diese Segmentierung stellt sicher, dass Verhandlungen hin zum Gleichgewicht unter vergleichbaren Teilnehmern stattfinden, was die Volatilität verringert und die Fairness verbessert. Die Clusterzuweisungen dienen somit als gruppenbezogene Einschränkungen dafür, deren Preise bei der Gleichgewichtsentdeckung betrachtet werden können.

Integration von Reinforcement Learning (Q-Learning): Q-Lernen baut auf den Vorhersagen des Zufallswaldes auf, um dynamische Bidding-Strategien zu optimieren. Jedes Mal, wenn der Agent ein Gebot (Senken, Halten oder Erhöhen) anpasst, wird das Belohnungssignal relativ zum von Random Forest vorhergesagten fairen Preis berechnet. Über mehrere Episoden hinweg lernt der Q-Agent Richtlinien, die Preisfehler minimieren und den Nutzen maximieren, und diese Richtlinien werden direkt im Gleichgewichtshandel der Phase 3 umgesetzt. In der Praxis bedeutet dies, dass die Gebotsanpassungen der Käufer während der Gleichgewichtsentdeckung durch Strategien beeinflusst werden, die während der Trainingssimulationen optimiert und validiert wurden.

Zusammen zeigen diese Mechanismen, dass die ML-Ausgaben als Entscheidungsunterstützungsmotoren dienen, die eng mit den CoGTT-Phasen verknüpft sind. Lineare Regression erzwingt realistische Anfangsallokationen, Verhandlungen auf zufälligen Waldflächen im empirischen Marktverhalten, Clusterstrukturen, den Gleichgewichtsprozess, und Reinforcement Learning fördert die Verfeinerung adaptiver Strategien. Indem algorithmische Vorhersagen explizit mit operativen Entscheidungspunkten verknüpft werden, stellt das Framework sicher, dass der Handel nicht nur automatisiert, sondern auch durch marktadaptive Intelligenz informiert ist.

Datensätze, Funktionen und Reproduzierbarkeitsrahmen

Datensatzdefinition und Motivation

NFT- und digitale Asset-Handelsumgebungen zeichnen sich durch mehrere Markt- und Teilnehmerattribute aus, darunter den Gebotspreis des Käufers, den Verkäufer-Brief, den historischen Transaktionspreis, das Transaktionsvolumen und den Ruf der Teilnehmer. Da kein öffentlich zugänglicher NFT-Datensatz gleichzeitig all diese Eigenschaften bereitstellt, verwendet diese Studie synthetisch generierte Datensätze, um eine kontrollierte Protokollvalidierung zu ermöglichen und gleichzeitig realistisches Marktverhalten zu erhalten. Die Datensatzgrößen reichen je nach experimentellem Szenario und Modellanforderungen zwischen 100 und 1000 Transaktionen.

Jeder Datensatz-Datensatz besteht aus folgenden Feldern: Gebot, Brief, Historischer Preis, Volumen, Reputation und Fairer Preis, wobei der faire Preis als der arithmetische Mittelwert der Gebots- und Briefwerte definiert ist.

Synthetischer Datengenerierungsprozess:

Käufergebote werden aus beschränkten gleichmäßigen Verteilungen ausgewählt, wobei Bereiche wie [90, 110] für kleinskalige Experimente und [100, 1000] für großflächige Simulationen verwendet werden. Die Verkäufer-Angebotspreise werden durch das Hinzufügen eines positiven stochastischen Offsets zu den entsprechenden Geboten erzeugt und realistische Gebot-Brief-Differenzen modelliert. Historische Preise werden aus Normalverteilungen gezogen, die auf Gebotswerten mit additivem Rauschen basieren, um Marktvolatilität zu simulieren. Transaktionsvolumina werden als ganzzahlige Werte innerhalb vordefinierter Bereiche generiert (z. B. [1, 10] oder [100, 1000]), während die Reputationswerte der Teilnehmer aus gleichmäßigen Verteilungen entweder in [0, 1] (normalisierte Vertrauenswerte) oder [0, 5] (Sternbewertungsrepräsentation) ausgewählt werden. Alle Experimente verwenden feste zufällige Seeds (numpy.random.seed(42)), um eine deterministische und wiederholbare Rekonstruktion des Datensatzes sicherzustellen.

Datenschema, Speicher und Zugriff

Alle Datensätze werden im CSV-Format mit einem festen sechsspaltigen Schema gespeichert: (Gebot, Brief, historical_price, Volumen, Reputation, fair_price). Jede CSV-Datei enthält typischerweise etwa 1.000 Datensätze, sofern nicht anders angegeben. Zur dezentralen Reproduzierbarkeit werden Datensatzdateien ins IPFS hochgeladen, und die entsprechenden Inhaltskennungen (CIDs) werden zusammen mit Smart-Contract-Adressen in Konfigurationsdateien protokolliert. Dieses Design ermöglicht eine unabhängige Abfrage identischer Datensätze ohne Abhängigkeit von zentraler Speicherung.

Datensatzvorbereitung und -aufteilung

Datensätze werden in Trainings- und Testteilmengen unterteilt, wobei eine 80/20-Zug-Test-Aufteilung über train_test_split mit random_state=42 implementiert wird. Fünffache Kreuzvalidierung wird während der Random Forest-Hyperparameter-Optimierung angewendet, während Feature-Skalierung mit StandardScaler() dort eingesetzt wird, insbesondere für Clustering und PCA-basierte Workflows.

Maschinelle Lernmodelle und Parametrisierung

Alle Machine-Learning-Modelle werden mit etablierten Bibliotheken mit festen Konfigurationen implementiert, um die Reproduzierbarkeit sicherzustellen. Eine vollständige Zusammenfassung der Parameter und Werte ist in der beiliegenden Tabelle enthalten. Die lineare Regression (LR) verwendet einen Least-Squares-Schätzer mit Gebot, Brief, historischem Preis, Volumen und Reputation als Inputs und fairem Preis als Zielvariable. Die Leistung wird anhand des mittleren quadratischen Fehlers (MSE) bewertet. K-Means Clustering wird auf skalierte Feature-Teilmengen angewendet, optional mit Principal Component Analysis (PCA) reduziert, wobei zwei Komponenten über 90 % Varianz erfassen. Die Anzahl der Cluster wird im Bereich 2–3 anhand der Ellbogen- und Silhouettenkriterien ausgewählt. Random Forest Regression (RF) wird für nichtlineare Preisschätzungen mit 100–200 Bäumen verwendet, wobei Tiefen- und Split-Parameter durch fünffache Kreuzvalidierung abgestimmt werden. Die Modellleistung wird mit MSE und R² bewertet. Q-Learning wird als tabellarischer Reinforcement-Learning-Ansatz mit 31 diskretisierten Preis-Zuständen, drei Gebotsanpassungsaktionen und festen Lernparametern (α = 0,1, γ = 0,9, ε = 0,1) implementiert. Konvergenz wird durch die Stabilisierung episodischer Belohnungen bewertet. Berechnungstechnisch werden lineare Regression und K-Means in Sekunden für Datensätze bis zu 10 3-Stichproben abgeschlossen, das Training von Random Forest benötigt je nach Skalierung Sekunden bis Minuten, und Q-Learning konvergiert effizient aufgrund seines niedrigdimensionalen Zustandsraums.

Blockchain-Ausführung, Datenschutz und Kostenerfassung

Bereitstellung und Ausführung von Smart Contracts

Smart Contracts, die die Handelslogik kodieren, sind in Solidity (pragma ^0.8.20) geschrieben, mit aktivierter Compiler-Optimierung (200 Durchläufe) und werden im Sepolia-Testnetzwerk unter Verwendung standardisierter Entwicklungsframeworks bereitgestellt. Wallet-basierte Transaktionsunterschrift erfolgt über eine browserbasierte Wallet, die über einen RPC-Endpunkt verbunden ist. Der Gasverbrauch für Vertragseinsätze und transaktionale Funktionen wird automatisch protokolliert, und die Ausführungskosten werden mit zeitgleichen, ETH/USD-Umrechnungsraten berechnet.

Zero-Knowledge-Beweisintegration

Die datenschutzschützende Verifikation wird durch eine ZK-SNARK-Pipeline implementiert, einschließlich Leitungszusammenstellung, vertrauenswürdiger Einrichtung, Beweiserstellung und On-Chain-Verifikation. Beweise werden außerhalb der Kette erstellt und on-chain mit einem dedizierten Verifier-Vertrag verifiziert, der zusammen mit dem Haupthandelsvertrag installiert wird, was die Validierung von Eigentum und Transaktionskorrektheit ermöglicht, ohne sensible Teilnehmerdaten preiszugeben.

Softwareumgebung und Ausführungsablauf

Alle Experimente werden auf einem 64-Bit-Linux-System mit einer festen Hardwarekonfiguration durchgeführt. Maschinelle Lern-Workflows werden in einer Python-Umgebung ausgeführt, während Blockchain-Entwicklung und Frontend-Interaktion auf einem JavaScript-basierten Stack mit festen Framework-Versionen basieren. Frontend-Anwendungen werden mit einem Paketmanager erstellt und bereitgestellt, Smart Contracts werden mit standardisierten Entwicklungsframeworks kompiliert und bereitgestellt, und die ZKP-Verifizierung ist in den Transaktionsausführungsfluss integriert.

Genaue Softwareversionen, Compiler-Flags, Wallet-Konfigurationen, IPFS-Pinning-Richtlinien, Ausführungsbefehle und Beispiel-CIDs sind in der Reproduzierbarkeitsdatei dokumentiert, um eine unabhängige Replikation zu erleichtern.

Betriebsergebnisse und Abschlussraten

Die Robustheit des eingesetzten Protokolls spiegelt sich in seinen Ausführungsstatistiken wider. Kernfunktionen von Smart Contracts erzielen hohe Abschlussraten mit einer Gesamterfolgsquote von 84 % über alle transaktionalen Operationen. Detaillierte Ausführungszählungen auf Funktionsebene und Abschlussraten werden in der entsprechenden Ergebnistabelle angegeben.

Algorithmen

Dieser Abschnitt führt ein dreiphasiges kooperatives Spiel-theoretisches digitales Kunsthandelssystem ein, bei dem ein Broker eingesetzt wird, um verfügbare Kunsteinheiten und deren Angebotspreise von Künstlern sowie die erforderlichen Einheiten und Gebotspreise von Nutzern zu sammeln. Basierend auf dem vorgeschlagenen Ansatz erleichtert der Broker dann Transaktionen zwischen Erstellern und Nutzern. Der Handelsprozess verläuft in drei unterschiedlichen Phasen: In der ersten Phase wird ein naiver Handelsalgorithmus auf die Angebots- und Gebotspreise angewendet, wie in Algorithmus 1 beschrieben. Die zweite Phase führt einen Min-Max-Preisverhandlungs-basierten Handelsalgorithmus ein, der in Algorithmus 2 präsentiert wird. Schließlich nutzt die dritte Phase einen Nash-Gleichgewichts-basierten Handelsalgorithmus, der in Algorithmus 3 detailliert beschrieben wird, und Algorithmus 4 integriert alle drei Algorithmen in den umfassenden dreiphasigen Ansatz des kooperativen Spiels theoretischen digitalen Kunstwerk-Handels. Algorithmus 5 zeigt die lineare Regression zur fairen Preisvorhersage. Algorithmus 6 zeigt die K-Means-Clustering für die Käufer/Verkäufer-Gruppierung. Algorithmus 7 zeigt Random Forest für Preisvorhersage in Echtzeit-Verhandlung. Algorithmus 8 zeigt den Flow des maschinellen Lernens und NFT-Handelsalgorithmus. Die Algorithmen 5–8 sind Teil des Algorithmus 8.

Das vorgeschlagene Framework implementiert einen dreiphasigen Cooperative Game Theoretic Trading (CoGTT)-Mechanismus, um NFT-basierte digitale Kunstwerk-Transaktionen systematisch zu handhaben. In der ersten Phase wird naives Trading mittels direkter Gebot-Ask-Anpassung durchgeführt, wie es in Algorithmus 1 formalisiert ist. Käufer werden durch absteigende Gebotspreise geordnet und Verkäufer durch steigende Angebotspreise, was eine sequentielle Zuteilung der Kunstwerke innerhalb der Budgetbeschränkungen des Käufers ermöglicht. Käufer, die in dieser Phase keinen Handel abschließen können, werden in die zweite Phase weitergeleitet, in der mit Algorithmus 2 ausgehandeltes Min-Max-Preis angewendet wird. Diese Stufe berechnet einen Mittelwert zwischen dem Mindestangebotspreis des Verkäufers und dem maximalen Gebotspreis des Käufers, der weiter anhand von Marktnachfrage- und Echtzeithandelsindikatoren angepasst wird. Ein Trade wird nur durchgeführt, wenn der ausgehandelte Preis innerhalb des zulässigen Kauf-Kurs-Bereichs bleibt. Für noch ungelöste Transaktionen geht das Rahmenwerk in die dritte Phase über, in der Nash-Gleichgewichtshandel mit Algorithmus 3 angewendet wird. Hier konvergieren iterative Preisanpassungen basierend auf den teilnehmenden Versorgungsunternehmen zu einem stabilen Gleichgewichtspreis, wodurch eine rationale Abrechnung gewährleistet wird. Diese drei Phasen werden in einem einheitlichen Entscheidungsworkflow orchestriert, der in Algorithmus 4 definiert ist und direkte Matching, Vermittlung und Gleichgewichtsauflösung in einer einzigen Handelspipeline integriert.

Um die Preisgenauigkeit, Anpassungsfähigkeit und strategische Entscheidungsfindung zu verbessern, wird das CoGTT-Framework um mehrere Machine-Learning-Modelle ergänzt. Algorithmus 5 verwendet lineare Regression, um einen fairen Basispreis anhand beobachtbarer Marktmerkmale zu schätzen und dient als interpretierbarer Filtermechanismus während der ersten Handelsbewertung. Für Echtzeitverhandlungen verwendet Algorithmus 7 einen Random Forest-Regressor, um nichtlineare Preismuster zu erfassen, die von Bid-Ask-Spreads, historischen Preisen, Volumen und dem Ruf der Teilnehmer beeinflusst werden. Das Verhalten der Teilnehmer wird weiter strukturiert mit Algorithmus 6, der K-Means-Clustering mit PCA-basierter Dimensionsreduktion auf Gruppenkäufer und Verkäufer in verhaltensähnliche Cluster anwendet, was die Stabilität während der Gleichgewichtsverhandlungen verbessert. Diese Modelle sind in einen einheitlichen, ML-gesteuerten Handelsworkflow integriert, der in Algorithmus 8 beschrieben ist, wobei lineare Regression Phase-1-Filterung unterstützt, Random Forest die Verhandlungspreise für Phase 2 verfeinert, Clustering die Gruppenbildung von Teilnehmern in Phase 3 informiert und Reinforcement Learning die Gebotsanpassungen zugunsten des Nash-Gleichgewichts optimiert. Gemeinsam stellen diese Algorithmen sicher, dass das vorgeschlagene Framework nicht nur theoretisch fundiert, sondern auch adaptiv, datenbasiert und geeignet für dynamische NFT-Marktplatzumgebungen ist. Alle Algorithmen sind in Supplementary File 1 aufgeführt.

Results

Der vorgeschlagene blockchain-basierte Ansatz für den Handel mit digitalen Kunstwerken nutzt ZKPs. Jede Handelsmethode ist in einem Smart Contract gekapselt, wobei wesentliche Funktionen – wie die Registrierung von Kunstwerk-Erstellern, Benutzerregistrierung und Handelsmechanismen – als dedizierte Vertragsfunktionen definiert sind. Die in den Simulationen verwendeten Umgebungsparameter der Blockchain-Plattform sind in Tabelle 1 dargestellt.

Um...

Discussion

Diese Forschung schlägt ein maschinelles Lern-unterstütztes, kooperatives Spieltheoretik-Trading-(CoGTT)-Framework für NFT-basierte digitale Kunstmärkte vor, das darauf abzielt, die Preisgenauigkeit, strategische Verhandlung und Entscheidungseffizienz zu verbessern. Der Ansatz integriert überwachte, unüberwachte und Reinforcement Learning-Modelle – wie Decision Trees, K-Means und Q-Learning – auf einer Smart-Contract-fähigen Blockchain-Plattform, um dezentralen, transparenten und adaptiv...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (Blockchain-Entwicklungsrahmen)	Schutzhelm	v2.19.1	https://hardhat.org
MetaMask (Wallet-Erweiterung)	MetaMask	v11.10.0	https://metamask.io
Next.js	Next.js	v14.1.0	https://nextjs.org
Node.js	Node.js	v20.11.1	https://nodejs.org
NVIDIA RTX 3060	NVIDIA	https://www.nvidia.com/	Intel Core i7-12700H
Pinata	Pinata.cloud	v2.1.0	https://www.pinata.cloud
Pinning-Richtlinie	Pinata.cloud	—	https://docs.pinata.cloud
Reagieren	Reagieren	v18.2.0	https://react.dev
Remix	Remix	v0.31.0	https://remix.ethereum.org
Solidity (Compiler-Sprache)	Solidity	v0.8.20	https://soliditylang.org
Ubuntu	Ubuntu	22.04 LTS	https://ubuntu.com