Un marco de juego cooperativo aumentado con aprendizaje automático para el comercio de arte basado en blockchain y tokens no fungibles con pruebas de conocimiento cero

Summary

Este estudio mejora el trading de activos digitales basados en NFT en entornos de ciudades inteligentes integrando el aprendizaje automático en un marco CoGTT. Implementado mediante contratos inteligentes en una blockchain pública y respaldado por pruebas de conocimiento cero, el marco mejora la equidad, adaptabilidad y transparencia, logrando una tasa de finalización de operaciones del 84% mientras tiene en cuenta los costes de ejecución inherentes a los sistemas descentralizados.

Abstract

En el contexto de las ciudades inteligentes, los Tokens No Fungibles (NFTs) están transformando los mercados de arte digital al permitir transacciones seguras y descentralizadas. A medida que crece el trading de NFT, incorporar inteligencia y adaptabilidad se vuelve crucial, haciendo que la integración con Aprendizaje Automático (ML) sea esencial. Sin embargo, los modelos existentes, especialmente los marcos de Trading Cooperativo de Teoría de Juegos (CoGTT), subutilizan el aprendizaje automático en todas las fases de negociación. Las principales lagunas incluyen una adaptabilidad limitada en tiempo real, estrategias de negociación subóptimas y un emparejamiento comprador-vendedor inadecuado. Esta investigación aborda estas carencias integrando el aprendizaje automático en un marco CoGTT de tres fases—Naive Trading aumentado con ML, Negociación de Precios Min–Max y Trading Basado en Equilibrio—para mejorar la toma de decisiones y la fijación de precios. La metodología aplica algoritmos de aprendizaje automático como árboles de decisión, agrupamiento y aprendizaje por refuerzo (Q-learning) dentro de un entorno público de simulación basado en blockchain utilizando contratos inteligentes. La simulación utiliza un conjunto de datos personalizado que refleja tanto la dinámica del mercado como la credibilidad del artista. El conjunto de datos se genera sintéticamente para emular un mercado de NFT manteniendo condiciones experimentales controladas, lo que puede limitar la aplicabilidad directa a mercados reales volátiles. Se emplean pruebas de conocimiento cero (ZKPs) para preservar la privacidad. Los ZKP se emplean para preservar la privacidad. Un análisis comparativo de modelos de aprendizaje automático para la estimación de precios de los NFTs y la puja estratégica demuestra la eficacia de combinar algoritmos predictivos con aprendizaje por refuerzo. Los modelos de regresión lineal y bosque aleatorio estiman con precisión los precios de los NFT, siendo el bosque aleatorio que logra una mayor precisión en la predicción en tiempo real (R² = 0,9920). El agrupamiento de K-Means segmenta eficazmente a los participantes del mercado para apoyar una negociación dirigida, logrando una puntuación silhouette de 0,8178. Integrar el Q-learning con Random Forest permite estrategias de puja dinámicas que minimizan la brecha entre los precios recomendados y los reales. El conjunto de acciones discretas (disminuir, permanecer, aumentar) soporta ajustes de puja interpretables en tiempo real. Estos hallazgos ponen de manifiesto el potencial de los sistemas de trading de NFT impulsados por ML para apoyar mercados digitales escalables y que cumplen con la privacidad en ciudades inteligentes, alineando el comportamiento de trading con las demandas del mercado mediante procesos automatizados y basados en datos.

Introduction

La convergencia de la tecnología blockchain y los Tokens No Fungibles (NFTs) ha introducido un modelo transformador de propiedad y comercio de activos digitales, especialmente en las ciudades inteligentes. En este entorno, un Marco de Intercambio de Obras de Arte Digital permite a los artistas monetizar sus creaciones y ofrece a los coleccionistas una propiedad verificable mediante infraestructuras descentralizadas. Esto encaja bien con objetivos de ciudades inteligentes como la transparencia, la trazabilidad y la automatización. Varios factores, como las altas comisiones por transacción, la interoperabilidad limitada y la aplicación inadecuada de los derechos de autor, dificultan la adopción y escalabilidad de estos sistemas.

Un cuerpo creciente de investigación fundamental explora estos temas desde múltiples ángulos. Vujicic et ^al.1 y Kumar et ^al.2 ofrecen una visión técnica general de las finanzas descentralizadas y mecanismos innovadores de contratos que sustentan el comercio de NFTs. Ante et ^al.3 y Guan et ^al.4 examinan los comportamientos económicos y las experiencias de los usuarios de los mercados NFT, destacando la volatilidad y el comportamiento estratégico entre los interesados. Aplicaciones más allá del arte digital —como la gestión de residuos⁵, el comercio seguro con IA⁶ y el cumplimiento^{legal 7}— demuestran la versatilidad y la creciente utilidad de las plataformas NFT en ecosistemas descentralizados.

También han surgido enfoques interdisciplinarios para potenciar estas plataformas. La teoría de juegos se ha empleado para abordar estructuras de incentivos, disputas de propiedad y cumplimiento normativo, como se ve en los trabajos de Sun et ^al.8, Gao et ^al.9 y Shao et ^al.10. Estos estudios diseñan modelos basados en el equilibrio y impulsados por penalizaciones para fomentar un comportamiento justo y una asignación eficiente de recursos. Simultáneamente, se están introduciendo técnicas de aprendizaje automático (ML) para mejorar la detección de fraudes, la predicción de precios y la valoración de contenidos en los ecosistemas^{NFT 11,12}, ofreciendo estrategias basadas en datos para optimizar la eficiencia del trading ^9,10. Estudios recientes han comenzado a explorar la predicción de precios de los NFT utilizando aprendizaje profundo y características visuales. Seyhan y Sefer¹³ propusieron un modelo de aprendizaje profundo para predecir los precios de venta tanto primarios como secundarios de NFT, demostrando una mayor precisión respecto a los modelos base. De manera similar, Pala y Sefer¹⁴ emplearon el aprendizaje por transferencia sobre atributos NFT basados en imágenes para prever características de ventas, destacando la importancia de las características visuales en la determinación del precio. Estos trabajos complementan nuestro enfoque enfatizando modalidades alternativas de datos, mientras que nuestro marco integra aprendizaje automático con negociación basada en teoría de juegos para un trading dinámico y adaptativo.

La literatura reciente subraya el creciente impacto de las tecnologías blockchain y NFT en la seguridad de los ecosistemas digitales y la reestructuración de la dinámica del mercado. La integración blockchain mejora la seguridad de los activos, la resistencia al fraude y la propiedad descentralizada en plataformas digitales, especialmente en las economías de juegos y^virtuales. Simultáneamente, la criptoestética impulsada por NFTs y los mercados descentralizados del arte revelan complejas interacciones sociotécnicas que remodelan el valor artístico, la propiedad y la producción^{cultural 16}, mientras que estudios empíricos indican que la valoración de los NFT está gobernada predominantemente por la escasez, la reputación del creador y la dinámica del^{mercado 18}. Los análisis cuantitativos y basados en redes demuestran además que la optimización estratégica y las redes de interacción estructurada influyen significativamente en los resultados económicos, la estabilidad y los patrones de éxito en mercados descentralizados y sistemas^{relacionados 19,20}.

A pesar de estos avances, los marcos actuales de trading de NFTs—especialmente los basados en el Trading Cooperativo de Teoría de Juegos (CoGTT)—siguen limitados en adaptabilidad y capacidad de toma de decisiones. La Figura 1 muestra el diagrama arquitectónico del marco propuesto de comercio cooperativo de juegos aumentados con ML (CoGTT). Los modelos existentes son predominantemente estáticos, a menudo basados en estrategias heurísticas o basadas en reglas que no tienen en cuenta condiciones de mercado complejas y dinámicas ni el comportamiento del usuario. Esto resulta en operaciones ineficientes, estrategias de precios deficientes y una equidad limitada en las transacciones.

Esta investigación propone un marco CoGTT Machine Learning–Augmented para plataformas descentralizadas de trading de activos digitales para abordar estas limitaciones. Estructurado en tres fases progresivas —Naive Trading aumentado con ML, Negociación de Precios Min-Max y Trading Basado en Equilibrio— el marco aprovecha técnicas de aprendizaje supervisado, no supervisado y de refuerzo para mejorar el análisis de mercado, la negociación estratégica y el descubrimiento de equilibrios. Específicamente, se utilizan modelos de clasificación (por ejemplo, árboles de decisión), algoritmos de agrupamiento (por ejemplo, K-Means) y métodos de aprendizaje dinámico (por ejemplo, Q-learning) para optimizar la emparejamiento de operaciones, la fijación de precios y la estrategia de negociación.

Esta arquitectura aumentada con aprendizaje automático se despliega sobre la plataforma blockchain habilitada para contratos inteligentes (en este caso, la blockchain Ethereum), asegurando una ejecución descentralizada, transparente y autónoma de las operaciones. Para proteger los datos de los usuarios y mantener la confidencialidad, los ZKP están integrados, lo que permite una validación criptográficamente segura de las transacciones sin revelar información sensible. Los conocimientos impulsados por aprendizaje automático influyen directamente en la lógica de contratos inteligentes, incorporando precios predichos y umbrales adaptativos que responden a la dinámica del mercado en tiempo real.

En resumen, este estudio introduce un marco de trading escalable, que preserva la privacidad e inteligente, desplegado en una blockchain pública con una tabla de cálculo de tarifas de gas y costes de despliegue en la Tabla 1 , que mejora significativamente la eficiencia (reflejada en la Tabla 2 y la Tabla 3), la fiabilidad y la adaptabilidad de los sistemas de trading de NFT. Al integrar estrechamente el aprendizaje automático con lógica basada en teoría de juegos e infraestructura blockchain, la solución propuesta se alinea con los objetivos de las ciudades inteligentes: ofrecer una plataforma segura, justa e inclusiva para el usuario para el intercambio de activos digitales.

Este estudio propone un marco híbrido que integra el aprendizaje automático con el trading cooperativo basado en teoría de juegos (CoGTT) para apoyar la fijación de precios, la negociación y la toma de decisiones en los mercados de arte digital basados en NFT. Los modelos predictivos se combinan con contratos inteligentes para mejorar la automatización de procesos, la equidad y la seguridad en entornos de trading. Para cumplir con los requisitos de privacidad y cumplimiento, se emplean ZKP para igualar precios, validar la propiedad y verificar la autenticidad. El marco adopta una estructura trifásica que consiste en trading ingenuo asistido por aprendizaje automático, negociación de precios mínimo-máximo y trading basado en equilibrio, proporcionando un enfoque coordinado para operaciones escalables en el mercado de NFT.

El análisis comparativo en la Tabla⁴ 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32^, 33,34,35,36,37,38 destaca la integración de blockchain, NFTs, aprendizaje automático y modelos de teoría de juegos en dominios descentralizados como los mercados digitales, la seguridad del IoT y los sistemas energéticos. Estudios previos demuestran que combinar modelos avanzados de aprendizaje y mecanismos blockchain mejora la precisión de precios, la seguridad, la transparencia y la optimización del equilibrio. La evidencia empírica y analítica indica mejoras en eficiencia, mitigación del fraude, reducción de costes y asignación justa de incentivos mediante marcos híbridos de ML–blockchain.

Protocol

El marco para el trading de arte basado en NFT en blockchain está estructurado como un protocolo de múltiples capas que integra contratos inteligentes, mecanismos que preservan la privacidad, modelado basado en teoría de juegos, algoritmos de aprendizaje automático, aprendizaje por refuerzo y evaluación de costes de gas dentro de una arquitectura unificada.

El proceso comienza con el desarrollo de contratos inteligentes que definen funciones clave como el registro de participantes, la inclusión en listado de activos, la presentación de pedidos y la ejecución de transacciones. Estos contratos permiten la incorporación de usuarios, el registro de activos y la gestión segura de pedidos. Para evaluar la corrección y la eficiencia, se probó la lógica contractual y se registraron los costes de ejecución bajo diferentes configuraciones de velocidad de transacción.

Los ZKP se incorporan para validar la autenticidad de las obras sin revelar detalles sensibles. Cada transacción pasa por una verificación dual mediante comprobaciones on-chain y validación ZKP, garantizando la confidencialidad y la integridad de los datos. El diseño modular ZKP funciona de forma independiente de los principales contratos inteligentes, permitiendo la integración y el apoyo al despliegue a gran escala. Se evaluaron la generación de pruebas y la latencia de verificación para evaluar la viabilidad.

Se implementó una interfaz web utilizando un marco de propósito general. La interfaz incluye módulos como una página de destino, un panel de control de artista y una plataforma de trading. La autenticación basada en cartera permite la firma de transacciones, mientras que las funcionalidades de subida y acuñación permiten a los artistas tokenizar obras digitales.

A nivel de diseño de mercado, el modelo de Comercio Cooperativo de Teoría de Juegos (CoGTT) emplea un mecanismo estructurado de negociación en tres fases. La primera fase aplica la igualación directa de precios basada en las ofertas y peticiones presentadas. Los participantes no emparejados pasan a la segunda fase, que utiliza estrategias negociadas de precios mínimo–máximos, incluyendo métodos de valoración en punto medio. Si no se alcanza ningún acuerdo, las operaciones avanzan a la tercera fase, donde se aplican los principios de equilibrio de Nash y las negociaciones iterativas continúan hasta alcanzar los precios convergentes en equilibrio. Estas fases se implementan como algoritmos modulares: emparejamiento ingenuo (Algoritmo 1), intermediación en puntos intermedios (Algoritmo 2), trading de equilibrio de Nash (Algoritmo 3) y un flujo de trabajo integrado (Algoritmo 4).

Los modelos de aprendizaje automático se integran en el proceso de trading para el apoyo a la decisión. Características del mercado como bids, demands, volumen de operaciones, datos históricos de precios y puntuaciones de reputación se utilizan para la modelización predictiva. La regresión lineal (Algoritmo 5) estima precios justos, con el rendimiento evaluado mediante el error cuadrático medio (MSE). El agrupamiento K-Means (Algoritmo 6), apoyado por normalización de características y reducción de dimensionalidad basada en PCA, segmenta a los usuarios en clústeres, evaluados por la puntuación de silueta. Random Forest (Algoritmo 7) proporciona previsiones de precios adicionales, validadas tanto a través de MSE como de R². Un algoritmo integrativo (Algoritmo 8) combina regresión, agrupamiento y salidas de Random Forest en un flujo dinámico de decisiones para el trading adaptativo.

El aprendizaje por refuerzo a través del Q-learning se aplica para optimizar las estrategias de puja. El espacio de estados se define por los niveles de precios actuales y los valores de oferta, mientras que las acciones incluyen incremento, decremento o retención. Un Q-agent se entrena utilizando la retroalimentación de predicciones de Random Forest, aprendiendo políticas que reducen el error de precios y aumentan la utilidad de los participantes. Se realizan simulaciones hasta la convergencia hacia políticas alineadas con el equilibrio, y los resultados se validan en entornos de negociación simulados.

El consumo de gas para cada función contratada se registra sistemáticamente, con los costes de transacción calculados bajo diferentes ajustes de velocidad. Por ejemplo, la función registerArtist() consumió 90.123 unidades de gas, con costes correspondientes comparados con los precios del ETH de mercado. Estas evaluaciones identifican los compromisos entre coste y eficiencia en la ejecución.

El rendimiento del marco se evaluó utilizando múltiples métricas. La regresión lineal logró una MSE de 4,54 × 10⁻²⁸, mientras que el agrupamiento K-Means produjo una puntuación de silueta de 0,8178. Random Forest produjo una MSE de 0,1311 con un^{R 2} de 0,9920. Los resultados del Q-learning se evaluaron para convergencia y alineación de equilibrio bajo diferentes condiciones de fijación de precios. Estos resultados indican la viabilidad del enfoque propuesto para apoyar el comercio de obras de arte NFT bajo condiciones de mercado basadas en blockchain.

Marco propuesto de comercio cooperativo de teoría de juegos (CoGTT) para el comercio de arte digital

El innovador enfoque híbrido de trading cooperativo de juegos (CoGTT) combina un enfoque de trading basado en juegos con NFT con mecanismos adicionales de precios y equilibrio de Nash para mejorar la eficiencia y coordinación de los mercados de NFT. El enfoque propuesto se basa en una plataforma blockchain habilitada para contratos inteligentes. El enfoque aprovecha técnicas criptográficas avanzadas y ZKPs para garantizar una verificación segura y privada de las transacciones. Los ZKP permiten validar la propiedad y los detalles de la transacción sin revelar información sensible sobre compradores o vendedores.

Este enfoque propuesto introduce interacciones estratégicas entre creadores, compradores y corredores intermedios dentro de un mercado descentralizado. Este modelo pretende optimizar los resultados de trading, equilibrando los incentivos para todos los participantes mientras se considera la competencia y la dinámica de cooperación. Aunque el marco propuesto se centra principalmente en la ingenua emparejamiento de oferta y demanda, negociación basada en puntos intermedios y liquidación basada en el equilibrio de Nash, existen otros métodos como las subastas de segundo precio que siguen siendo relevantes en los mercados de NFT. En el comercio de arte digital, el subastador determina el precio de la transacción mediante los siguientes métodos:

Precio de puja al consumidor: El precio se fija directamente en función de la puja más alta del comprador. Este método refleja el valor máximo que el comprador pagará por la obra, fomentando la competencia en la puja.

Método del precio medio: El precio se calcula como el punto medio entre el precio ofrecido por el comprador y el precio pedido por el vendedor, creando un equilibrio. Este cálculo de precios de equilibrio:

Equilibrio (EPrice) =_{DArt APrice} +_{DArt BPrice}

Este enfoque busca equilibrar los intereses tanto del comprador como del vendedor, conduciendo a una transacción justa y mutuamente aceptable. Estos métodos ofrecen flexibilidad en las estrategias de fijación de precios, adaptándose a las diversas preferencias y dinámicas del mercado en el ecosistema de comercio de arte digital.

Modelo cooperativo de comercio cooperativo basado en la teoría de juegos en 3 fases

Esta sección presenta un innovador enfoque cooperativo de comercio cooperativo basado en la teoría de juegos en 3 fases, diseñado específicamente para arte digital. El enfoque ajusta dinámicamente tanto los precios de puja como los de venta para optimizar la eficiencia y la equidad en la negociación, como se muestra en las Tablas 2 y 3, facilitadas por un corredor. Su objetivo es mejorar la equidad, la eficiencia y la rentabilidad en los mercados descentralizados de NFT, logrando un equilibrio entre los intereses de los creadores y los compradores de obras de arte. La Figura 2 ilustra el modelo propuesto de sistema de comercio en 3 fases para obras de arte digitales, con el algoritmo detallado proporcionado en el Algoritmo 4. El marco CoGTT propuesto completa eficientemente el proceso de trading de arte digital en tres fases: a) Trading ingenuo basado en precios de venta y puja, b) Trading basado en el Precio Mínimo-Máximo Negociado, y c) Trading utilizando el método de Equilibrio de Nash. En la primera fase, se inicia el trading ingenuo basado en la información inicial de creadores y compradores. La segunda fase consiste en negociar basándose en los precios mínimos-máximos negociados entre vendedores y compradores para las solicitudes restantes no negociadas. Finalmente, la tercera fase utiliza el método de equilibrio de Nash para finalizar el proceso de negociación.

Primera fase - Trading ingenuo tanto en precio de venta como puja:

En la primera fase, los creadores de arte digital (proveedores) se organizan en orden ascendente según sus precios de venta y sus precios mínimos de venda. De manera similar, los compradores (consumidores) se organizan en orden ascendente según los precios de puja que presentan, junto con sus precios máximos de puja. El precio mínimo de venta de los creadores y el precio máximo de puja de los compradores se mantienen confidenciales. A continuación, se emplea un enfoque cooperativo para emparejar compradores y creadores, facilitando la asignación de obras de arte donde los precios de puja de los compradores coinciden con los precios de los creadores. Esta asignación puede implicar a un solo creador o a varios creadores, siempre que los precios de venta combinados estén dentro de la oferta del comprador. Los compradores que no puedan conseguir obras de arte en esta fase debido a limitaciones de precios pasarán a la segunda fase. Los detalles del enfoque de trading se detallan en el Algoritmo 1.

Segunda fase - Negociar con un precio mínimo-máximo negociado

En la segunda fase, se atienden las solicitudes de compradores inigualables para completar el proceso de intercambio, utilizando los precios mínimos solicitados por los creadores de arte digital y los precios máximos de puja de los compradores. El enfoque de negociación emplea varios métodos, incluyendo Valor Medio, Valor Medio Intradía y Equilibrio de Mercado, para determinar un valor medio que mejore la eficiencia de la negociación. Los detalles de estos enfoques de punto medio se discuten en las siguientes subsecciones. Los detalles del enfoque de negociación se proporcionan en el Algoritmo 2.

Valor medio: Un enfoque de intermediación incorporado para encontrar el valor medio entre creadores y compradores con un enfoque sencillo de valor medio. Por ejemplo, si el precio de puja de un arte digital es 50 y el precio de venta es 52, entonces el valor medio se puede encontrar promediando los precios de puja y venta (ask y low).

Valor del punto medio intradía: El enfoque de intermediación incorporada marca el precio mínimo de negociación del mismo tipo de artes, también el precio máximo del mismo tipo de artes, y utiliza la siguiente fórmula para calcular el valor medio: (Máximo actual del día + mínimo actual del día)/2. Este valor medio se establece como el precio de la transacción de intercambio si el valor medio es superior al precio mínimo solicitado por el creador del arte y menor que el precio máximo de puja del comprador.

Equilibrio de mercado: El precio medio es un indicador importante del equilibrio del mercado. Refleja el precio al que el creador de arte (precio de oferta) y el comprador (precio de puja) por un activo se alinean. Este valor se calcula promediando el precio de puja más alto y el precio de venta más bajo, proporcionando a los traders una representación justa del valor de mercado actual, sin verse afectados por precios extremos de compra o venta (odd o demand). La fórmula se presenta en las siguientes 3 ecuaciones.

 

Tercera fase - Negociación con el método de equilibrio de Nash

En el tercer paso, la información extendida de las solicitudes no negociadas restantes, como el precio mínimo de venta del creador y el precio máximo de puja del comprador, se revela a ambas partes para que se establezcan en un punto de equilibrio donde el precio de oferta del comprador es tan alto como están dispuestos a aceptar y el precio de venta del creador es tan bajo como estén dispuestos a aceptar. Los detalles del enfoque de negociación se presentan en el Algoritmo 3.

En la primera y segunda fase del marco, se emplean la confidencialidad y la alineación de incentivos para disuadir la información estratégica errónea de los precios. La disposición máxima a pagar de los compradores y los precios mínimos aceptables de los creadores se mantienen como valores confidenciales durante la asignación, limitando las posibilidades de manipulación mediante la subdeclaración o la sobreestimación. Dado que las decisiones de emparejamiento se basan en rangos (mínima de venta y máxima de oferta) en lugar de en divulgaciones explícitas, los intentos de informar incorrectamente los precios aumentan la probabilidad de exclusión de las asignaciones de la Fase 1 o Fase 2, reduciendo así las oportunidades de negociación. Además, el protocolo avanza a una tercera fase basada en el Equilibrio de Nash cuando las operaciones anteriores no tienen éxito. En esta etapa, los ajustes iterativos conducen a la convergencia en resultados que reflejan con mayor precisión las valoraciones reales de los participantes. Esta progresión desalienta la mala información en las fases iniciales, ya que los intentos fallidos de manipulación solo retrasan la ejecución y, en última instancia, requieren una revelación verídica de las valoraciones para completar con éxito la operación.

Los resultados de los algoritmos de aprendizaje automático (ML) no se tratan como predicciones aisladas, sino que están activamente integrados en el marco de comercio cooperativo de teoría de juegos en tres fases (CoGTT) para guiar la valoración, la negociación y el descubrimiento de equilibrios. Las conexiones se describen ahora de la siguiente manera:

Fase 1 - Trading naive con regresión lineal: El modelo de regresión lineal genera un índice de referencia justo promediando las características de compra y venta con tendencias históricas. Este precio justo previsto se compara tanto con la oferta presentada por el comprador como con el precio solicitado por el creador. Si alguna de las partes informa de un valor que se desvía significativamente del precio justo previsto, la asignación se desprioriza, reduciendo el incentivo para la declaración incorrecta. Así, la salida de regresión actúa como un mecanismo de filtrado que determina qué operaciones se consideran viables para la asignación directa.

Fase 2- Negociación mínima con bosque aleatorio: El modelo de bosque aleatorio refina la estimación dinámica de precios incorporando diferenciales de compra y compra, volumen de operaciones y puntuaciones de reputación. Estas predicciones se utilizan directamente para calibrar métodos de negociación basados en puntos medios (Valor Medio, Punto Medio Intradía, Equilibrio de Mercado). Por ejemplo, cuando se calcula un precio en punto medio, la predicción del bosque aleatorio se aplica como factor correctivo para asegurar que el valor negociado sea coherente con el comportamiento del mercado. Esta integración garantiza que los resultados de la intermediación estén anclados a patrones de mercado aprendidos en lugar de a puntos medios aritméticos arbitrarios.

Fase 3 - Negociación basada en equilibrio con agrupamiento K-means: En esta etapa, los participantes comprador y vendedor se segmentan primero en grupos según características de comportamiento (agresividad de oferta/venta, reputación, actividad histórica). Esta segmentación garantiza que las negociaciones hacia el equilibrio se realicen entre participantes comparables, lo que reduce la volatilidad y mejora la equidad. Las asignaciones de clústeres sirven así como restricciones a nivel de grupo sobre cuyos precios pueden considerarse en el descubrimiento de equilibrio.

Integración del aprendizaje por refuerzo (Q-learning): El Q-learning se basa en las predicciones del bosque aleatorio para optimizar las estrategias de puja dinámicas. Cada vez que el agente ajusta una puja (disminuyendo, reteniendo o aumentando), la señal de recompensa se calcula en relación con el precio justo predicho por el Bosque Aleatorio. A lo largo de varios episodios, el Q-agent aprende políticas que minimizan el error de precios y maximizan la utilidad, y estas políticas se aplican directamente en la Fase 3 de trading de equilibrio. En la práctica, esto significa que los ajustes de las pujas de los compradores durante la detección de equilibrio están informados por estrategias optimizadas y validadas durante simulaciones de entrenamiento.

En conjunto, estos mecanismos demuestran que las salidas de ML funcionan como motores de apoyo a la decisión estrechamente acoplados con las fases de CoGTT. La regresión lineal impone asignaciones iniciales realistas, el Bosque Aleatorio fundamenta las negociaciones en el comportamiento empírico del mercado, el agrupamiento estructura el proceso de equilibrio, y el Aprendizaje por Refuerzo impulsa el refinamiento de la estrategia adaptativa. Al vincular explícitamente las predicciones algorítmicas con puntos de decisión operativos, el marco garantiza que la negociación no solo esté automatizada, sino que también esté informada por inteligencia adaptativa al mercado.

Conjuntos de datos, características y marco de reproducibilidad

Definición y motivación del conjunto de datos

Los entornos de negociación de NFT y activos digitales se caracterizan por múltiples atributos de mercado y participantes, incluyendo el precio de compra del comprador, precio de venta por el vendedor, precio histórico de transacción, volumen de transacciones y reputación de participante. Como ningún conjunto de datos NFT disponible públicamente proporciona simultáneamente todos estos atributos, este estudio emplea conjuntos de datos generados sintéticamente para permitir la validación controlada de protocolos mientras se preserva un comportamiento realista del mercado. El tamaño de los conjuntos de datos varía entre 100 y 1000 transacciones, dependiendo del escenario experimental y los requisitos del modelo.

Cada registro de conjunto de datos consta de los siguientes campos: Oferta, Venta, Precio Histórico, Volumen, Reputación y Precio Justo, donde el precio justo se define como la media aritmética de los valores de compra y venta.

Proceso de generación de datos sintéticos:

Las pujas de compradores se muestrean de distribuciones uniformes acotadas, utilizando rangos como [90, 110] para experimentos a pequeña escala y [100, 1000] para simulaciones a gran escala. Los precios de venta se generan añadiendo un desplazamiento estocástico positivo a las ofertas correspondientes, modelando diferenciales de compra y venta realistas. Los precios históricos se extraen de distribuciones normales centradas en los valores de la oferta con ruido aditivo para simular la volatilidad del mercado. Los volúmenes de transacciones se generan como valores enteros dentro de rangos predefinidos (por ejemplo, [1, 10] o [100, 1000]), mientras que las puntuaciones de reputación participante se muestrean a partir de distribuciones uniformes ya sea en [0, 1] (puntuaciones de confianza normalizadas) o [0, 5] (representación por estrellas). Todos los experimentos utilizan semillas aleatorias fijas (numpy.random.seed(42)) para asegurar una reconstrucción determinista y repetible del conjunto de datos.

Esquema de datos, almacenamiento y acceso

Todos los conjuntos de datos se almacenan en formato CSV con un esquema fijo de seis columnas: (bid, ask, historical_price, volumen, reputation, fair_price). Cada archivo CSV suele contener aproximadamente 1.000 registros, salvo que se especifique lo contrario. Para la reproducibilidad descentralizada, los archivos de conjunto de datos se suben a IPFS y los identificadores de contenido (CID) correspondientes se registran junto a las direcciones de contratos inteligentes en los archivos de configuración. Este diseño permite la recuperación independiente de conjuntos de datos idénticos sin depender de almacenamiento centralizado.

Preparación y división de conjuntos de datos

Los conjuntos de datos se dividen en subconjuntos de entrenamiento y prueba usando una división 80/20 tren–prueba implementada mediante train_test_split con random_state=42. La validación cruzada de cinco partes se aplica durante la optimización de hiperparámetros en Random Forest, mientras que el escalado de características mediante StandardScaler() se aplica cuando es necesario, especialmente para clústeres y flujos de trabajo basados en PCA.

Modelos de aprendizaje automático y parametrización

Todos los modelos de aprendizaje automático se implementan utilizando bibliotecas establecidas con configuraciones fijas para garantizar la reproducibilidad. Un resumen completo de parámetros y valores se proporciona en la tabla adjunta. La regresión lineal (LR) emplea un estimador de mínimos cuadrados con precio de compra, venta de venta, precio histórico, volumen y reputación como insumos y precio justo como variable objetivo. El rendimiento se evalúa utilizando el Error Cuadrático Medio (MSE). El Clúster K-Means se aplica a subconjuntos de características escaladas, opcionalmente reducidos mediante Análisis de Componentes Principales (PCA), con dos componentes que capturan más del 90% de varianza. El número de grupos se selecciona en el rango 2–3 usando criterios de codo y silueta. La regresión en bosque aleatorio (RF) se utiliza para estimaciones no lineales de precios con 100–200 árboles, profundidad y parámetros de división ajustados mediante validación cruzada de cinco veces. El rendimiento del modelo se evalúa usando MSE y^R2. El Q-Learning se implementa como un enfoque tabular de aprendizaje por refuerzo con 31 estados de precio discretizados, tres acciones de ajuste de puja y parámetros fijos de aprendizaje (α = 0,1, γ = 0,9, ε = 0,1). La convergencia se evalúa mediante la estabilización de recompensas episódicas. Computacionalmente, la regresión lineal y las K-Medias se completan en segundos para conjuntos de datos de hasta 10^{a 3} muestras, el entrenamiento en bosque aleatorio requiere segundos a minutos dependiendo de la escala, y el Q-learning converge eficientemente debido a su espacio de estados de baja dimensión.

Ejecución de blockchain, privacidad y registro de costes

Despliegue y ejecución de contratos inteligentes

Los contratos inteligentes que codifican la lógica de negociación se escriben en Solidity (pragma ^0.8.20) con la optimización del compilador habilitada (200 ejecuciones) y se despliegan en la red de pruebas Sepolia usando marcos de desarrollo estandarizados. La firma de transacciones basada en la cartera se realiza a través de una cartera basada en navegador conectada a través de un punto final RPC. El uso de gas para el despliegue de contratos y funciones transaccionales se registra automáticamente, y los costes de ejecución se calculan usando tasas de conversión ETH/USD contemporáneas.

Integración de pruebas de conocimiento cero

La verificación que preserva la privacidad se implementa a través de una tubería ZK-SNARK, incluyendo compilación de circuitos, configuración confiable, generación de pruebas y verificación en cadena. Las pruebas se generan fuera de la cadena y se verifican en cadena utilizando un contrato de verificación dedicado desplegado junto al contrato principal de negociación, lo que permite validar la propiedad y la corrección de la transacción sin revelar datos sensibles de los participantes.

Entorno de software y flujo de trabajo de ejecución

Todos los experimentos se realizan en un sistema Linux de 64 bits con una configuración de hardware fija. Los flujos de trabajo de aprendizaje automático se ejecutan en un entorno Python, mientras que el desarrollo blockchain y la interacción front-end dependen de una pila basada en JavaScript con versiones fijas del framework. Las aplicaciones de front-end se construyen y sirven mediante un gestor de paquetes, los contratos inteligentes se compilan y despliegan usando marcos de desarrollo estandarizados, y la verificación ZKP se integra en el flujo de ejecución de las transacciones.

Versiones exactas del software, flags del compilador, configuraciones de cartera, políticas de pineado IPFS, comandos de ejecución y ejemplos de CID están documentados en el archivo de reproducibilidad para facilitar la replicación independiente.

Resultados operativos y tasas de finalización

La robustez del protocolo desplegado se refleja en sus estadísticas de ejecución. Las funciones principales de contratos inteligentes alcanzan altas tasas de finalización, con una tasa de éxito global del 84% en todas las operaciones transaccionales. Los conteos detallados de ejecución a nivel de función y las tasas de finalización se reportan en la tabla de resultados correspondiente.

Algoritmos

Esta sección presenta un marco de comercio de arte digital teórico de juegos cooperativos en tres fases, donde se utiliza un corredor para reunir las unidades de arte disponibles y sus precios de los creadores, así como las unidades requeridas y los precios de puja de los usuarios. Según el enfoque propuesto, el bróker facilita las transacciones entre creadores y usuarios. El proceso de negociación se desarrolla en tres fases distintas: en la primera fase, se aplica un algoritmo de trading ingenuo a los precios de venta y puja, tal y como se describe en el Algoritmo 1. La segunda fase introduce un algoritmo de negociación de precios mínimo-máximo basado en la negociación de precios, presentado en el Algoritmo 2. Finalmente, la tercera fase utiliza un algoritmo de trading basado en equilibrio de Nash, detallado en el Algoritmo 3, y el Algoritmo 4 integra los tres algoritmos en el enfoque integral de comercio cooperativo de arte digital en teoría de juegos cooperativos de tres fases. El algoritmo 5 muestra la regresión lineal para la predicción de precios justos. El algoritmo 6 muestra el agrupamiento K-Means para agrupación comprador/vendedor. El algoritmo 7 muestra un bosque aleatorio para la predicción de precios en la negociación en tiempo real. El algoritmo 8 muestra el flujo del algoritmo de trading de NFT basado en aprendizaje automático. Los algoritmos 5–8 forman parte del algoritmo 8.

El marco propuesto implementa un mecanismo de Comercio Cooperativo de Teoría de Juegos (CoGTT) en tres fases para gestionar sistemáticamente transacciones de arte digital basadas en NFT. En la primera fase, el trading ingenuo se realiza mediante emparejamiento directo de compra y demanda, tal como se formaliza en el Algoritmo 1. Los compradores se ordenan según precios de puja descendentes y los vendedores por precios de venta ascendentes, lo que permite una asignación secuencial de obras dentro de las restricciones presupuestarias del comprador. Los compradores que no pueden completar una operación en esta etapa son remitidos a la segunda fase, donde se aplica el precio min-max negociado mediante el Algoritmo 2. Esta etapa calcula un precio medio entre el precio mínimo solicitado por el vendedor y el precio máximo de puja del comprador, que se ajusta además utilizando la demanda del mercado e indicadores de negociación en tiempo real. Una operación se ejecuta solo si el precio negociado se mantiene dentro del rango permitido de compra y venta. Para transacciones que aún no se resuelven, el marco avanza a la tercera fase, donde se aplica el trading basado en equilibrio de Nash usando el Algoritmo 3. Aquí, los ajustes iterativos de precios basados en las empresas participantes convergen hacia un precio de equilibrio estable, asegurando un ajuste racional. Estas tres etapas están organizadas dentro de un flujo de trabajo unificado de decisiones definido en el Algoritmo 4, que integra emparejamiento directo, intermediación y resolución de equilibrio en una única cadena de trading.

Para mejorar la precisión de precios, la adaptabilidad y la toma de decisiones estratégicas, el marco CoGTT se complementa con múltiples modelos de aprendizaje automático. El algoritmo 5 aplica la Regresión Lineal para estimar un precio justo de referencia utilizando características observables del mercado, sirviendo como un mecanismo de filtrado interpretable durante la evaluación inicial de la operación. Para la negociación en tiempo real, el Algoritmo 7 emplea un regresor de Bosque Aleatorio para capturar patrones de precios no lineales influenciados por los diferenciales de compra y venda, precios históricos, volumen y reputación de los participantes. El comportamiento de los participantes se estructura además mediante el Algoritmo 6, que aplica agrupamiento K-Means con reducción de dimensionalidad basada en PCA a compradores y vendedores de grupos en clústeres conductualmente similares, mejorando la estabilidad durante las negociaciones de equilibrio. Estos modelos están integrados en un flujo de trabajo unificado de trading impulsado por aprendizaje automático descrito en el Algoritmo 8, donde la regresión lineal soporta el filtrado de Fase 1, el bosque aleatorio refina los precios de negociación de la fase 2, el agrupamiento informa el agrupamiento de participantes de la Fase 3 y el aprendizaje por refuerzo optimiza los ajustes de pujas hacia el equilibrio de Nash. En conjunto, estos algoritmos aseguran que el marco propuesto no solo esté fundamentado en teoría, sino también adaptativo, basado en datos y adecuado para entornos dinámicos de mercado NFT. Todos los algoritmos están listados en el Archivo Suplementario 1.

Results

El enfoque propuesto basado en blockchain para el comercio de arte digital aprovecha los ZKP. Cada método de negociación está encapsulado en un contrato inteligente, con funcionalidades esenciales —como el registro de creadores de obras, registro de usuarios y mecanismos de negociación— definidas como funciones contractuales dedicadas. Los parámetros del entorno de la plataforma blockchain utilizados en las simulaciones se describen en la Tabla 1.

Discussion

Esta investigación propone un marco de trading cooperativo de teoría de juegos (CoGTT) potenciado por aprendizaje automático para mercados de arte digital basados en NFT, orientado a mejorar la precisión de precios, la negociación estratégica y la eficiencia en la toma de decisiones. El enfoque integra modelos supervisados, no supervisados y de aprendizaje por refuerzo—como Árboles de Decisión, K-Means y Q-learning—en una plataforma blockchain habilitada por contratos inteligentes para p...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (Marco de Desarrollo Blockchain)	Casco	v2.19.1	https://hardhat.org
MetaMask (Extensión para cartera)	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
Piñata	Pinata.cloud	v2.1.0	https://www.pinata.cloud
Política de clavado	Pinata.cloud	—	https://docs.pinata.cloud
Reaccionar	Reaccionar	v18.2.0	https://react.dev
Remix	Remix	v0.31.0	https://remix.ethereum.org
Solidity (lenguaje compilador)	Solidez	v0.8.20	https://soliditylang.org
Ubuntu	Ubuntu	22.04 LTS	https://ubuntu.com