Un cadre de jeu coopératif augmenté par apprentissage automatique pour le trading d’œuvres d’art basées sur la blockchain et les jetons non fongibles avec des preuves à connaissance nulle

Summary

Cette étude améliore le trading d’actifs numériques basés sur des NFT dans les environnements de villes intelligentes en intégrant le ML dans un cadre CoGTT. Mis en œuvre à l’aide de contrats intelligents sur une blockchain publique et soutenue par des preuves à connaissance nulle, le cadre améliore l’équité, l’adaptabilité et la transparence, atteignant un taux d’achèvement des transactions de 84 % tout en tenant compte des coûts d’exécution inhérents aux systèmes décentralisés.

Abstract

Dans le contexte des villes intelligentes, les jetons non fongibles (NFT) transforment les marchés de l’art numérique en permettant des transactions sécurisées et décentralisées. À mesure que le trading de NFT se développe, intégrer intelligence et adaptabilité devient crucial — rendant l’intégration de l’apprentissage automatique (ML) essentielle. Cependant, les modèles existants, en particulier les frameworks de Cooperative Game Theoretic Trading (CoGTT), sous-utilisent le ML à toutes les phases de trading. Les principales lacunes incluent une adaptabilité en temps réel limitée, des stratégies de négociation sous-optimales et un matchmaking acheteur-vendeur insuffisant. Cette recherche répond à ces lacunes en intégrant le ML dans un cadre CoGTT en trois phases — Naive Trading augmenté avec ML, négociation des prix Min–Max et Équilibre basé sur le trading — afin d’améliorer la prise de décision et la tarification. La méthodologie applique des algorithmes d’apprentissage automatique tels que les arbres de décision, le clustering et l’apprentissage par renforcement (Q-learning) dans un environnement de simulation public basé sur blockchain utilisant des contrats intelligents. La simulation utilise un jeu de données personnalisé reflétant à la fois la dynamique du marché et la crédibilité des artistes. Le jeu de données est généré synthétiquement pour émuler un marché NFT tout en maintenant des conditions expérimentales contrôlées, ce qui peut limiter l’applicabilité directe à des marchés réels volatils. Les preuves à connaissance nulle (ZKP) sont utilisées pour préserver la vie privée. Les ZKP sont utilisés pour préserver la vie privée. Une analyse comparative des modèles d’apprentissage automatique pour l’estimation des prix des NFT et les enchères stratégiques démontre l’efficacité de la combinaison d’algorithmes prédictifs avec l’apprentissage par renforcement. Les modèles de régression linéaire et de forêt aléatoire estiment tous deux avec précision les prix des NFT, la forêt aléatoire atteignant une précision de prédiction en temps réel plus élevée (R² = 0,9920). Le clustering K-Means segmente efficacement les acteurs du marché pour soutenir une négociation ciblée, atteignant un score de silhouette de 0,8178. L’intégration du Q-learning avec Random Forest permet des stratégies d’enchères dynamiques qui minimisent l’écart entre les prix recommandés et les prix réels. L’ensemble d’actions discret (diminuer, rester, augmenter) prend en charge des ajustements interprétables en temps réel de l’enchère. Ces résultats soulignent le potentiel des systèmes de trading NFT pilotés par ML pour soutenir des places de marché numériques évolutives et respectueuses de la vie privée dans les villes intelligentes, alignant le comportement commercial avec les exigences du marché grâce à des processus automatisés et basés sur les données.

Introduction

La convergence de la technologie blockchain et des jetons non fongibles (NFT) a introduit un modèle transformateur de propriété et de trading d’actifs numériques, en particulier dans les villes intelligentes. Dans ce contexte, un cadre d’échange d’œuvres d’art numérique permet aux artistes de monétiser leurs créations et offre aux collectionneurs une propriété vérifiable via une infrastructure décentralisée. Cela s’aligne bien avec les objectifs des villes intelligentes tels que la transparence, la traçabilité et l’automatisation. Plusieurs facteurs, tels que des frais de transaction élevés, une interopérabilité limitée et une application insuffisante du droit d’auteur, entravent l’adoption et la scalabilité de ces systèmes.

Un nombre croissant de recherches fondamentales explore ces questions sous de multiples angles. Vujicic et ^al.1 et Kumar et ^al.2 fournissent des aperçus techniques de la finance décentralisée et des mécanismes contractuels innovants qui sous-tendent le trading de NFT. Ante et ^al.3 et Guan et ^al.4 examinent les comportements économiques et les expériences des utilisateurs des marchés NFT, en mettant en avant la volatilité et le comportement stratégique des parties prenantes. Les applications au-delà de l’art numérique — telles que la gestion des déchets⁵, le trading sécurisé par IA⁶ et la conformité^{légale 7} — démontrent la polyvalence et l’utilité croissante des plateformes NFT dans les écosystèmes décentralisés.

Des approches interdisciplinaires ont également émergé pour enrichir ces plateformes. La théorie des jeux a été employée pour traiter les structures d’incitation, les litiges de propriété et la conformité réglementaire, comme le montrent les travaux de Sun et ^al.8, Gao et ^al.9, et Shao et al.10. Ces études conçoivent des modèles basés sur l’équilibre et les pénalités pour encourager un comportement équitable et une allocation efficace des ressources. Parallèlement, des techniques d’apprentissage automatique (ML) sont introduites pour améliorer la détection de fraude, la prévision des prix et l’évaluation du contenu dans les écosystèmes^{NFT 11,12}, offrant des stratégies basées sur les données pour optimiser l’efficacité du^{trading 9,10}. Des études récentes ont commencé à explorer la prédiction des prix des NFT en utilisant l’apprentissage profond et des fonctionnalités visuelles. Seyhan et Sefer¹³ ont proposé un modèle d’apprentissage profond pour prédire à la fois les prix de vente de NFT primaires et secondaires, démontrant une meilleure précision par rapport aux modèles de référence. De même, Pala et Sefer¹⁴ ont utilisé l’apprentissage par transfert sur des attributs NFT basés sur des images pour prévoir les caractéristiques de vente, soulignant l’importance des caractéristiques visuelles dans la détermination des prix. Ces travaux complètent notre approche en mettant l’accent sur des modalités de données alternatives, tandis que notre cadre intègre l’apprentissage automatique à la négociation basée sur la théorie des jeux pour un trading dynamique et adaptatif.

La littérature récente souligne l’impact croissant des technologies blockchain et NFT sur la sécurisation des écosystèmes numériques et la restructuration des dynamiques du marché. L’intégration blockchain renforce la sécurité des actifs, la résistance à la fraude et la propriété décentralisée sur les plateformes numériques, en particulier dans les économies du jeu et^virtuelles. Simultanément, la crypto-esthétique pilotée par les NFT et les marchés artistiques décentralisés révèlent des interactions sociotechniques complexes qui redéfinissent la valeur artistique, la propriété et la production culturelle¹⁶, tandis que des études empiriques indiquent que la tarification des NFT est principalement régie par la rareté, la réputation des créateurs et la dynamique^{du marché 18}. Les analyses quantitatives et basées sur les réseaux démontrent également que l’optimisation stratégique et les réseaux d’interaction structurés influencent significativement les résultats économiques, la stabilité et les schémas de réussite dans les marchés décentralisés et les systèmes^{associés 19,20}.

Malgré ces avancées, les cadres actuels de trading NFT — en particulier ceux basés sur le Trading Coopératif de la Théorie des Jeux (CoGTT) — restent limités en adaptabilité et en capacité de prise de décision. La figure 1 montre le diagramme architectural du cadre proposé de trading coopératif de jeux augmentés (CoGTT). Les modèles existants sont majoritairement statiques, s’appuyant souvent sur des stratégies heuristiques ou basées sur des règles qui ne tiennent pas compte des conditions de marché complexes et dynamiques ainsi que du comportement des utilisateurs. Cela entraîne des transactions inefficaces, des stratégies de tarification médiocres et une équité limitée des transactions.

Cette recherche propose un cadre CoGTT Machine Learning–Augmented CoGTT pour les plateformes de trading d’actifs numériques décentralisées afin de répondre à ces limitations. Structuré en trois phases progressives — Naive Trading augmenté en ML, Négociation de prix Min-Max et Trading basé sur l’équilibre — ce cadre exploite des techniques d’apprentissage supervisé, non supervisé et par renforcement pour améliorer l’analyse de marché, la négociation stratégique et la découverte d’équilibre. Plus précisément, des modèles de classification (par exemple, les arbres de décision), les algorithmes de regroupement (par exemple, K-Means) et les méthodes d’apprentissage dynamique (par exemple, Q-learning) sont utilisés pour optimiser l’appariement des transactions, la fixation des prix et la stratégie de négociation.

Cette architecture augmentée par apprentissage automatique est déployée sur la plateforme blockchain habilitée par smart contracts (ici, la blockchain Ethereum), garantissant une exécution décentralisée, transparente et autonome des transactions. Pour protéger les données des utilisateurs et préserver la confidentialité, les ZKP sont intégrés, permettant une validation cryptographique sécurisée des transactions sans révéler d’informations sensibles. Les insights pilotés par le ML influencent directement la logique des contrats intelligents, intégrant des prix prédictifs et des seuils adaptatifs qui répondent à la dynamique du marché en temps réel.

En résumé, cette étude introduit un cadre de trading évolutif, préservant la vie privée et intelligent, déployé sur une blockchain publique avec un tableau de calcul des frais de gaz et des coûts de déploiement dans le tableau 1 , qui améliore significativement l’efficacité (comme en témoignent les tableaux 2 et 3), la fiabilité et l’adaptabilité des systèmes de trading NFT. En intégrant étroitement l’apprentissage automatique avec la logique basée sur la théorie des jeux et l’infrastructure blockchain, la solution proposée s’aligne sur les objectifs des villes intelligentes : offrir une plateforme sécurisée, équitable et inclusive pour l’utilisateur pour l’échange d’actifs numériques.

Cette étude propose un cadre hybride qui intègre l’apprentissage automatique avec le trading coopératif de théorie des jeux (CoGTT) pour soutenir la tarification, la négociation et la prise de décision sur les marchés de l’art numérique basés sur les NFT. Les modèles prédictifs sont associés aux contrats intelligents pour améliorer l’automatisation des processus, l’équité et la sécurité dans les environnements de trading. Pour répondre aux exigences de confidentialité et de conformité, les ZKP sont utilisés pour l’égalisation des prix, la validation de la propriété et la vérification de l’authenticité. Le cadre adopte une structure en trois phases comprenant le trading naïf assisté par apprentissage automatique, la négociation des prix min-max et le trading basé sur l’équilibre, offrant une approche coordonnée pour les opérations évolutives sur les marchés NFT.

L’analyse comparative du tableau 4^{8, 9, 10, 13, 14, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32,} 33,34,35,36,37,38 met en avant l’intégration de la blockchain, des NFT, de l’apprentissage automatique et des modèles de théorie des jeux à travers des domaines décentralisés tels que les marchés numériques, la sécurité IoT et les systèmes énergétiques. Des études antérieures démontrent que la combinaison de modèles d’apprentissage avancés et de mécanismes blockchain améliore la précision des prix, la sécurité, la transparence et l’optimisation de l’équilibre. Les preuves empiriques et analytiques indiquent des améliorations en efficacité, en atténuation de la fraude, en réduction des coûts et en une allocation équitable des incitations grâce aux cadres hybrides ML–blockchain.

Protocol

Le cadre du trading d’œuvres d’art NFT basé sur blockchain est structuré comme un protocole à plusieurs niveaux qui intègre des contrats intelligents, des mécanismes de protection de la vie privée, la modélisation basée sur la théorie des jeux, des algorithmes d’apprentissage automatique, l’apprentissage par renforcement et l’évaluation des coûts de gaz au sein d’une architecture unifiée.

Le processus commence par le développement de smart contracts définissant des fonctions principales telles que l’enregistrement des participants, la mise en page des actifs, la soumission des commandes et l’exécution des transactions. Ces contrats permettent l’intégration des utilisateurs, l’enregistrement des actifs et la gestion sécurisée des commandes. Pour évaluer la justesse et l’efficacité, la logique contractuelle a été testée, et les coûts d’exécution enregistrés sous différents paramètres de vitesse de transaction.

Les ZKP sont intégrés pour valider l’authenticité des œuvres sans divulguer des détails sensibles. Chaque transaction subit une double vérification via des contrôles on-chain et une validation ZKP, garantissant la confidentialité et l’intégrité des données. La conception modulaire ZKP fonctionne indépendamment des principaux contrats intelligents, permettant une intégration et un déploiement à grande échelle. La génération de preuves et la latence de vérification ont été évaluées pour évaluer la faisabilité.

Une interface web a été mise en œuvre à l’aide d’un cadre polyvalent. L’interface comprend des modules tels qu’une page d’atterrissage, un tableau de bord artiste et une plateforme de trading. L’authentification basée sur portefeuille permet la signature de transactions, tandis que les fonctionnalités de téléchargement et de frappe permettent aux artistes de tokeniser des œuvres numériques.

Au niveau de la conception du marché, le modèle de Trading Coopératif Théorique des Jeux (CoGTT) utilise un mécanisme structuré de négociation en trois phases. La première phase applique une correspondance directe des prix basée sur les offres et demandes soumises. Les participants non appariés passent à la deuxième phase, qui utilise des stratégies de tarification min–max négociées, incluant des méthodes d’évaluation à mi-milieu. Si aucun accord n’est trouvé, les transactions passent à la troisième phase, où les principes d’équilibre de Nash sont appliqués, et les négociations itératives se poursuivent jusqu’à ce que les prix convergents d’équilibre soient atteints. Ces phases sont implémentées sous forme d’algorithmes modulaires : correspondance naïve (Algorithme 1), courtage au point médian (Algorithme 2), trading d’équilibre de Nash (Algorithme 3) et flux de travail intégré (Algorithme 4).

Les modèles d’apprentissage automatique sont intégrés au processus de trading pour le support décisionnel. Des caractéristiques du marché telles que les offertes, les demandes d’appel, le volume de transactions, les données historiques de prix et les scores de réputation sont utilisées pour la modélisation prédictive. La régression linéaire (Algorithme 5) estime les prix équitables, la performance étant évaluée à l’aide de l’erreur quadratique moyenne (MSE). Le clustering K-Means (Algorithme 6), soutenu par la normalisation des caractéristiques et la réduction de dimensionnalité basée sur la PCA, segmente les utilisateurs en clusters, évalués par le score de silhouette. Random Forest (Algorithme 7) fournit des prévisions de prix supplémentaires, validées à la fois par MSE et R². Un algorithme intégratif (Algorithme 8) combine les sorties de régression, de regroupement et de forêt aléatoire dans un flux de décision dynamique pour le trading adaptatif.

L’apprentissage par renforcement via l’apprentissage Q est appliqué pour optimiser les stratégies d’enchères. L’espace d’états est défini par les niveaux de prix actuels et les valeurs d’enchères, tandis que les actions incluent incrément, décrément ou conservation. Un Q-agent est entraîné à partir de retours issus des prédictions de la forêt aléatoire, apprenant des politiques qui réduisent l’erreur de tarification et augmentent l’utilité des participants. Des simulations sont menées jusqu’à convergence vers des politiques alignées sur l’équilibre, et les résultats sont validés dans des environnements de négociation simulés.

La consommation de gaz pour chaque fonction contractuelle est systématiquement enregistrée, avec des coûts de transaction calculés selon des réglages de vitesse variables. Par exemple, la fonction registerArtist() a consommé 90 123 unités à gaz, avec des coûts correspondants comparés aux prix de l’ETH du marché. Ces évaluations identifient les compromis entre coûts et efficacité d’exécution.

La performance du cadre a été évaluée à l’aide de plusieurs indicateurs. La régression linéaire a atteint un MSE de 4,54 × 10⁻²⁸, tandis que le regroupement K-Means a produit un score de silhouette de 0,8178. Random Forest a donné un MSE de 0,1311 avec un^{R 2} de 0,9920. Les résultats Q-learning ont été évalués pour la convergence et l’alignement d’équilibre sous différentes conditions de tarification. Ces résultats indiquent la faisabilité de l’approche proposée pour soutenir le trading d’œuvres d’art NFT dans des conditions de marché basées sur la blockchain.

Cadre proposé pour le trading coopératif de théorie des jeux (CoGTT) pour le trading d’art numérique

L’approche hybride innovante du trading coopératif de jeux (CoGTT) combine une approche de trading NFT basée sur la théorie des jeux avec des mécanismes de tarification supplémentaires et un équilibre de Nash pour améliorer l’efficacité et la coordination des marchés NFT. L’approche proposée repose sur une plateforme blockchain compatible avec des contrats intelligents. Cette approche exploite des techniques cryptographiques avancées et des ZKP pour garantir une vérification sécurisée et privée des transactions. Les ZKP permettent de valider la propriété et les détails de la transaction sans divulguer d’informations sensibles concernant les acheteurs ou les vendeurs.

Cette approche proposée introduit des interactions stratégiques entre créateurs, acheteurs et courtiers intermédiaires au sein d’un marché décentralisé. Ce modèle vise à optimiser les résultats du trading, en équilibrant les incitations pour tous les participants tout en tenant compte de la dynamique de la compétition et de la coopération. Bien que le cadre proposé se concentre principalement sur l’appariement naïf entre demande et d’envoi, la négociation basée sur le point médian et le règlement basé sur l’équilibre de Nash, d’autres méthodes telles que les enchères à second prix existent et restent pertinentes sur les marchés NFT. Dans le trading d’œuvres d’art numériques, le commissaire-priseur détermine le prix de la transaction selon les approches suivantes :

Prix d’enchère pour le consommateur : Le prix est fixé directement en fonction de l’offre la plus élevée de l’acheteur. Cette méthode reflète la valeur maximale que l’acheteur paiera pour l’œuvre, favorisant ainsi la concurrence des enchères.

Méthode du prix moyen : Le prix est calculé comme le point médian entre le prix proposé par l’acheteur et celui demandé par le vendeur, créant ainsi un équilibre. Voici le calcul des prix d’équilibre :

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

Cette approche vise à équilibrer les intérêts de l’acheteur et du vendeur, conduisant à une transaction équitable et mutuellement acceptable. Ces méthodes offrent une flexibilité dans les stratégies tarifaires, répondant à la diversité des préférences et aux dynamiques du marché dans l’écosystème du trading d’œuvres d’art numérique.

Modèle coopératif coopératif basé sur la théorie des jeux en 3 phases

Cette section introduit une approche innovante de trading coopératif en 3 phases basée sur la théorie des jeux, spécifiquement conçue pour l’art numérique. Cette approche ajuste dynamiquement à la fois les prix d’enchères et de demande afin d’optimiser l’efficacité et l’équité du trading, comme montré dans les Tableaux 2 et 3, facilités par un courtier. Il vise à améliorer l’équité, l’efficacité et la rentabilité sur les marchés décentralisés des NFT, en trouvant un équilibre entre les intérêts des créateurs et des acheteurs d’œuvres d’art. La figure 2 illustre le modèle proposé de système de trading en 3 phases pour les œuvres d’art numériques, avec l’algorithme détaillé fourni dans l’algorithme 4. Le cadre CoGTT proposé complète efficacement le processus de trading d’œuvres d’art numériques en trois phases : a) Naive Trading basé sur les prix demandés et enchérissants, b) Trading basé sur le prix Min-Max négocié, et c) Trading utilisant la méthode d’équilibre de Nash. Dans la première phase, le trading naïf est initié à partir des informations initiales des créateurs et acheteurs. La deuxième phase consiste à échanger sur la base des prix min-max négociés entre vendeurs et acheteurs pour les demandes restantes non échangées. Enfin, la troisième phase utilise la méthode d’équilibre de Nash pour finaliser le processus de trading.

Première phase - Trading naïf sur le prix demandé et le prix d’enchère :

Dans la première phase, les créateurs d’œuvres d’art numériques (fournisseurs) sont organisés par ordre croissant en fonction de leurs prix demandés, ainsi que de leurs prix de vente minimums. De même, les acheteurs (consommateurs) sont disposés dans un ordre croissant selon leurs prix d’enchères soumis, ainsi que leurs prix maximaux d’enchères. Le prix minimum demandé pour les créateurs et le prix maximal d’enchère pour les acheteurs restent confidentiels. Une approche coopérative est alors employée pour faire correspondre acheteurs et créateurs, facilitant l’attribution des œuvres d’art où les prix d’enchères des acheteurs correspondent aux prix demandés par les créateurs. Cette répartition peut impliquer un seul créateur ou plusieurs créateurs, tant que les prix demandés combinés restent dans l’enchère de l’acheteur. Les acheteurs qui ne peuvent pas obtenir une œuvre d’art dans cette phase en raison de contraintes tarifaires passeront à la deuxième phase. Les détails de l’approche de trading sont décrits dans l’Algorithme 1.

Deuxième phase - Trading sur un prix min-max négocié

Dans la seconde phase, les demandes d’acheteurs inégalés sont prises en compte pour finaliser le processus de transaction, en utilisant les prix minimums demandés par les créateurs d’art numérique et les prix maximaux d’enchères des acheteurs. L’approche de trading utilise diverses méthodes, notamment la valeur moyenne, la valeur intermédiaire intraday et l’équilibre de marché, afin de déterminer une valeur moyenne qui améliore l’efficacité du trading. Les détails de ces approches au point intermédiaire sont discutés dans les sous-sections suivantes. Les détails de l’approche de trading sont fournis dans l’Algorithme 2.

Valeur intermédiaire : Une approche de courtage intégrée pour déterminer la valeur moyenne entre les créateurs et les acheteurs avec une approche simple de valeur moyenne. Par exemple, si le prix d’enchère d’une œuvre d’art numérique est de 50 et le prix demandé de 52, alors la valeur moyenne peut être trouvée en moyennant les prix d’enchère et de demande.

Valeur du point moyen intraday : L’approche de courtage incorporé marque le prix minimum de négociation du même type d’arts, indique également le prix maximal du même type d’arts, et utilise la formule suivante pour calculer la valeur moyenne : (Maximum actuel du jour + Plus bas actuel du jour)/2. Cette valeur moyenne est fixée comme prix de transaction si la valeur moyenne est supérieure au prix minimum demandé par le créateur d’art et inférieure au prix d’enchère maximal de l’acheteur.

Équilibre de marché : Le prix moyen est un indicateur important de l’équilibre du marché. Elle reflète le prix auquel le créateur d’art (prix demandé) et l’acheteur (prix d’enchères) pour un actif s’alignent. Cette valeur est calculée en faisant la moyenne du prix d’enchère le plus élevé et du prix demandé le plus bas, offrant aux traders une représentation équitable de la valeur marchande actuelle, sans être affecté par les prix acheteurs ou vendeurs extrêmes. La formule est présentée dans les 3 équations suivantes.

 

Troisième phase - Négociation selon la méthode d’équilibre de Nash

À la troisième étape, les informations supplémentaires des demandes non échangées restantes, comme le prix minimum demandé du créateur et le prix maximal d’enchère de l’acheteur, sont révélées aux deux parties afin qu’ils s’établissent sur un point d’équilibre où le prix d’offre de l’acheteur est aussi élevé qu’il est prêt à l’accepter et le prix demandé du créateur est aussi bas qu’il est prêt à l’accepter. Les détails de l’approche de trading sont présentés dans l’Algorithme 3.

Dans les première et deuxième phases du cadre, la confidentialité et l’alignement des incitations sont utilisés pour décourager les mauvaises déclarations stratégiques des prix. La volonté maximale de payer des acheteurs et les prix minimums acceptables des créateurs sont maintenus comme des valeurs confidentielles lors de l’allocation, limitant ainsi les possibilités de manipulation par sous-déclaration ou surestimation. Parce que les décisions d’appariement reposent sur des fourchettes (demande minimale et offre maximale) plutôt que sur des divulgations explicites, les tentatives de déclaration incorrecte des prix augmentent la probabilité d’exclusion des allocations de la phase 1 ou de la phase 2, réduisant ainsi les opportunités de négociation. De plus, le protocole passe à une troisième phase basée sur l’équilibre de Nash lorsque les transactions précédentes échouent. À ce stade, les ajustements itératifs conduisent à une convergence sur des résultats qui reflètent plus fidèlement les véritables évaluations des participants. Cette progression décourage les mauvaises déclarations lors des premières phases, car les tentatives ratées de manipulation ne font que retarder l’exécution et nécessitent finalement une divulgation véridique des valorisations pour une réussite de la transaction.

Les résultats des algorithmes d’apprentissage automatique (ML) ne sont pas traités comme des prédictions isolées mais sont activement intégrés dans le cadre coopératif de trading coopératif en trois phases (CoGTT) pour guider la tarification, la négociation et la découverte d’équilibre. Les connexions sont désormais décrites comme suit :

Phase 1 - Trading naïf avec régression linéaire : Le modèle de régression linéaire génère un indice de référence de prix juste en moyennant les caractéristiques d’achat et de vente par rapport aux tendances historiques. Ce prix juste prévu est ensuite comparé à la fois à l’offre soumise par l’acheteur et au prix demandé par le créateur. Si l’une ou l’autre des parties déclare une valeur qui s’écarte significativement du prix juste prévu, l’allocation est dépriorisée, réduisant ainsi l’incitation à une mauvaise déclaration. Ainsi, la sortie de régression agit comme un mécanisme de filtrage qui détermine quels échanges sont considérés comme viables pour une allocation directe.

Phase 2 - Négociation min-max avec forêt aléatoire : Le modèle de forêt aléatoire affine l’estimation dynamique des prix en incorporant les écarts acheteur-vendeur, le volume de transactions et les scores de réputation. Ces prédictions sont directement utilisées pour calibrer les méthodes de négociation basées sur le point médian (Valeur moyenne, Point intermédiaire intrajournalier, Équilibre du marché). Par exemple, lorsqu’un prix à mi-point est calculé, la prédiction de la forêt aléatoire est appliquée comme facteur correctif pour garantir que la valeur négociée est cohérente avec le comportement du marché. Cette intégration garantit que les résultats du courtage sont ancrés dans des schémas de marché appris plutôt que sur des points médians arithmétiques arbitraires.

Phase 3 - Trading basé sur l’équilibre avec clustering K-means : À ce stade, les participants acheteur et vendeur sont d’abord segmentés en clusters selon les caractéristiques comportementales (agressivité entre les offres et les vendeurs, réputation, activité historique). Cette segmentation garantit que les négociations vers l’équilibre se déroulent entre des participants comparables, ce qui réduit la volatilité et améliore l’équité. Les affectations de cluster servent ainsi de contraintes au niveau du groupe sur les prix qui peuvent être pris en compte dans la découverte en équilibre.

Intégration de l’apprentissage par renforcement (Q-learning) : L’apprentissage Q s’appuie sur les prédictions de la forêt aléatoire pour optimiser les stratégies d’enchères dynamiques. Chaque fois que l’agent ajuste une enchère (diminution, conservation ou augmentation), le signal de récompense est calculé par rapport au prix juste prédit par la Forêt Aléatoire. Au fil de plusieurs épisodes, l’agent Q apprend des politiques qui minimisent l’erreur de tarification et maximisent l’utilité, et ces politiques sont directement mises en œuvre lors du trading d’équilibre de la phase 3. En pratique, cela signifie que les ajustements des enchères des acheteurs lors de la découverte d’équilibre sont informés par des stratégies optimisées et validées lors des simulations d’entraînement.

Ensemble, ces mécanismes démontrent que les sorties ML servent de moteurs d’aide à la décision étroitement couplés aux phases CoGTT. La régression linéaire impose des allocations initiales réalistes, la Forêt Aléatoire antère, la négociation, le comportement empirique du marché, le regroupement structure le processus d’équilibre, et l’apprentissage par renforcement favorise l’affinement de la stratégie adaptative. En liant explicitement les prédictions algorithmiques aux points de décision opérationnels, le cadre garantit que le trading est non seulement automatisé, mais aussi informé par une intelligence adaptative au marché.

Ensembles de données, fonctionnalités et cadre de reproductibilité

Définition et motivation du jeu de données

Les environnements de négociation de NFT et d’actifs numériques se caractérisent par de multiples attributs du marché et des participants, notamment le prix acheteur, le prix vendeur de vente, le prix historique des transactions, le volume des transactions et la réputation des participants. Comme aucun jeu de données NFT public disponible ne fournit simultanément toutes ces caractéristiques, cette étude utilise des ensembles de données générés synthétiquement pour permettre une validation contrôlée des protocoles tout en préservant un comportement réaliste du marché. La taille des ensembles de données varie de 100 à 1000 transactions, selon le scénario expérimental et les exigences du modèle.

Chaque enregistrement de jeu de données comprend les champs suivants : Offerre, Vendre, Prix historique, Volume, Réputation et Prix Équitable, où le prix juste est défini comme la moyenne arithmétique des valeurs d’achat et de vende.

Processus de génération de données synthétiques :

Les offres des acheteurs sont échantillonnées à partir de distributions uniformes bornées, utilisant des plages telles que [90, 110] pour les expériences à petite échelle et [100, 1000] pour les simulations à grande échelle. Les prix vendeurs sont générés en ajoutant un décalage stochastique positif aux offres correspondantes, modélisant des écarts acheteurs-vendeurs réalistes. Les prix historiques sont tirés de distributions normales centrées sur les valeurs d’achat avec un bruit additif pour simuler la volatilité du marché. Les volumes de transactions sont générés sous forme de valeurs entières dans des plages prédéfinies (par exemple, [1, 10] ou [100, 1000]), tandis que les scores de réputation des participants sont échantillonnés à partir de distributions uniformes soit en [0, 1] (scores de confiance normalisés), soit en [0, 5] (représentation par étoiles). Toutes les expériences utilisent des graines aléatoires fixes (numpy.random.seed(42)) pour garantir une reconstruction déterministe et répétable des ensembles de données.

Schéma des données, stockage et accès

Tous les ensembles de données sont stockés au format CSV avec un schéma fixe de six colonnes : (bid, ask, historical_price, volume, réputation, fair_price). Chaque fichier CSV contient généralement environ 1 000 enregistrements, sauf indication contraire. Pour la reproductibilité décentralisée, les fichiers de jeux de données sont téléchargés sur IPFS, et les identifiants de contenu (CID) correspondants sont enregistrés aux côtés des adresses de contrats intelligents dans les fichiers de configuration. Cette conception permet la récupération indépendante de jeux de données identiques sans dépendre d’un stockage centralisé.

Préparation et scission de jeux de données

Les ensembles de données sont divisés en sous-ensembles d’entraînement et de test en utilisant une répartition train–test 80/20 implémentée via train_test_split avec random_state=42. La validation croisée en cinq branches est appliquée lors de l’ajustement des hyperparamètres en forêt aléatoire, tandis que la mise à l’échelle des caractéristiques à l’aide de StandardScaler() est appliquée lorsque cela est nécessaire, en particulier pour le clustering et les workflows basés sur PCA.

Modèles d’apprentissage automatique et paramétrisation

Tous les modèles d’apprentissage automatique sont mis en œuvre à l’aide de bibliothèques établies avec des configurations fixes afin d’assurer la reproductibilité. Un résumé complet des paramètres et des valeurs est fourni dans le tableau ci-joint. La régression linéaire (LR) utilise un estimateur des moindres carrés avec les prix d’id, de commande, le prix historique, le volume et la réputation comme intrants, et le prix juste comme variable cible. La performance est évaluée à l’aide de l’erreur quadratique moyenne (MSE). Le clustering K-Means est appliqué aux sous-ensembles de caractéristiques à grande échelle, optionnellement réduits grâce à l’analyse des composantes principales (PCA), avec deux composantes capturant plus de 90 % de variance. Le nombre de grappes est sélectionné dans la plage 2 à 3 selon les critères coude et silhouette. La régression en forêt aléatoire (RF) est utilisée pour l’estimation non linéaire des prix avec 100 à 200 arbres, des paramètres de profondeur et de scindation réglés par validation croisée en cinq ans. La performance du modèle est évaluée à l’aide de MSE et^R2. Le Q-Learning est implémenté comme une approche d’apprentissage par renforcement tabulaire avec 31 états de prix discrétisés, trois actions d’ajustement d’enchères et des paramètres d’apprentissage fixes (α = 0,1, γ = 0,9, ε = 0,1). La convergence est évaluée par la stabilisation des récompenses épisodiques. Sur le plan informatique, la régression linéaire et les K-Means se complètent en secondes pour des ensembles de données jusqu’à^{10 à 3} échantillons, l’entraînement en forêt aléatoire nécessite des secondes à quelques minutes selon l’échelle, et l’apprentissage Q converge efficacement grâce à son espace d’états de faible dimension.

Exécution de la blockchain, confidentialité et journalisation des coûts

Déploiement et exécution des contrats intelligents

Les smart contracts encodant la logique de trading sont écrits en Solidity (pragma ^0.8.20) avec l’optimisation du compilateur activée (200 exécutions) et déployés sur le réseau de test Sepolia à l’aide de frameworks de développement standardisés. La signature de transactions basée sur un portefeuille s’effectue via un portefeuille navigateur connecté via un point de terminaison RPC. La consommation de gaz pour le déploiement des contrats et les fonctions transactionnelles est enregistrée automatiquement, et les coûts d’exécution sont calculés en utilisant les taux de conversion ETH/USD contemporains.

Intégration de preuve à connaissance nulle

La vérification préservant la confidentialité est mise en œuvre via un pipeline ZK-SNARK, incluant la compilation de circuits, la configuration fiable, la génération de preuves et la vérification en chaîne. Les preuves sont générées hors chaîne et vérifiées en direct via un contrat de vérification dédié déployé en parallèle du contrat principal de négociation, permettant la validation de la propriété et de la correction des transactions sans révéler des données sensibles des participants.

Environnement logiciel et flux de travail d’exécution

Toutes les expériences sont menées sur un système Linux 64 bits avec une configuration matérielle fixe. Les flux de travail d’apprentissage automatique sont exécutés dans un environnement Python, tandis que le développement blockchain et l’interaction front-end reposent sur une pile basée sur JavaScript avec des versions fixes du framework. Les applications front-end sont construites et gérées via un gestionnaire de paquets, les smart contracts sont compilés et déployés à l’aide de cadres de développement standardisés, et la vérification ZKP est intégrée au flux d’exécution des transactions.

Les versions exactes du logiciel, les indicateurs du compilateur, les configurations de portefeuille, les politiques d’épinglage IPFS, les commandes d’exécution et les exemples de CID sont documentés dans le fichier de reproductibilité pour faciliter la réplication indépendante.

Résultats opérationnels et taux d’achèvement

La robustesse du protocole déployé se reflète dans ses statistiques d’exécution. Les fonctions principales de smart contract atteignent des taux d’achèvement élevés, avec un taux de réussite global de 84 % sur toutes les opérations transactionnelles. Les comptes d’exécution détaillés au niveau de la fonction et les taux d’achèvement sont rapportés dans le tableau des résultats correspondant.

Algorithmes

Cette section présente un cadre de trading d’œuvres d’art coopératives en trois phases, où un courtier est utilisé pour collecter les unités d’œuvres disponibles et leurs prix demandés auprès des créateurs, ainsi que les unités et prix d’enchères requis auprès des utilisateurs. Sur la base de l’approche proposée, le courtier facilite ensuite les transactions entre créateurs et utilisateurs. Le processus de trading se déroule en trois phases distinctes : dans la première phase, un algorithme de trading naïf est appliqué aux prix de demande et d’enchères, comme décrit dans l’Algorithme 1. La deuxième phase introduit un algorithme de négociation de prix min-max, présenté dans l’Algorithme 2. Enfin, la troisième phase utilise un algorithme de trading basé sur l’équilibre de Nash, détaillé dans l’Algorithme 3, et l’Algorithme 4 intègre les trois algorithmes dans l’approche complète de trading coopératif en trois phases de trading d’œuvres d’art numériques coopérative. L’algorithme 5 montre la régression linéaire pour la prédiction du prix équitable. L’algorithme 6 montre le regroupement K-Means pour le regroupement acheteur/vendeur. L’algorithme 7 montre la forêt aléatoire pour la prédiction des prix dans la négociation en temps réel. L’algorithme 8 montre le flux de l’algorithme de trading NFT basé sur l’apprentissage automatique. Les algorithmes 5 à 8 font partie de l’algorithme 8.

Le cadre proposé met en œuvre un mécanisme en trois phases appelé Cooperative Game Theoretic Trading (CoGTT) pour gérer systématiquement les transactions d’œuvres d’art numériques basées sur des NFT. Dans la première phase, le trading naïf est réalisé via un appariement direct de l’offre vendette, comme formalisé dans l’Algorithme 1. Les acheteurs sont classés selon des prix d’enchères décroissants et les vendeurs par des prix demandés croissants, permettant une allocation séquentielle des œuvres d’art dans les contraintes budgétaires de l’acheteur. Les acheteurs incapables de finaliser une transaction à cette étape sont redirigés vers la deuxième phase, où un prix négocié min-max est appliqué à l’aide de l’Algorithme 2. Cette étape calcule un prix intermédiaire entre le prix minimum demandé par le vendeur et le prix d’enchère maximal de l’acheteur, qui est ajusté en fonction de la demande du marché et des indicateurs de négociation en temps réel. Une transaction n’est exécutée que si le prix négocié reste dans la fourchette licitation-vendeur autorisée. Pour les transactions qui restent non résolues, le cadre passe à la troisième phase, où le trading basé sur l’équilibre de Nash est appliqué à l’aide de l’Algorithme 3. Ici, des ajustements itératifs des prix basés sur les services publics participants convergent vers un prix d’équilibre stable, assurant un règlement rationnel. Ces trois étapes sont orchestrées dans un flux de travail décisionnel unifié défini dans l’Algorithme 4, qui intègre l’appariement direct, le courtage et la résolution d’équilibre dans un seul pipeline de trading.

Pour améliorer la précision des prix, l’adaptabilité et la prise de décision stratégique, le cadre CoGTT est complété par plusieurs modèles d’apprentissage automatique. L’algorithme 5 applique la régression linéaire pour estimer un prix juste de référence en utilisant des caractéristiques observables du marché, servant de mécanisme de filtrage interprétable lors de l’évaluation initiale des transactions. Pour la négociation en temps réel, l’Algorithme 7 utilise un régresseur Random Forest pour capturer des schémas de tarification non linéaires influencés par les écarts de vente et d’appel, les prix historiques, le volume et la réputation des participants. Le comportement des participants est structuré davantage à l’aide de l’Algorithme 6, qui applique le clustering K-Means avec réduction de dimensionnalité basée sur PCA aux acheteurs et vendeurs de groupes dans des clusters comportementalement similaires, améliorant la stabilité lors des négociations d’équilibre. Ces modèles sont intégrés dans un flux de travail de trading unifié piloté par ML décrit dans l’Algorithme 8, où la Régression Linéaire prend en charge le filtrage de la Phase 1, la Forêt Aléatoire affine les prix de négociation de la Phase 2, le clustering informe le regroupement des participants de la Phase 3, et l’apprentissage par renforcement optimise les ajustements des enchères vers l’équilibre de Nash. Ensemble, ces algorithmes garantissent que le cadre proposé est non seulement fondé sur le plan théorique, mais aussi adaptatif, piloté par les données et adapté aux environnements dynamiques de marché NFT. Tous les algorithmes sont listés dans le Fichier Supplémentaire 1.

Results

L’approche proposée basée sur la blockchain pour le trading d’œuvres d’art numériques exploite les ZKP. Chaque méthode de trading est encapsulée dans un contrat intelligent, avec des fonctionnalités essentielles — telles que l’enregistrement des créateurs d’œuvres d’art, l’enregistrement des utilisateurs et les mécanismes de trading — définies comme des fonctions contractuelles dédiées. Les paramètres environnementaux de la plateforme blockchain utilisés dans les simulations sont présent...

Discussion

Cette recherche propose un cadre de trading coopératif de théorie des jeux (CoGTT) augmenté par apprentissage automatique pour les marchés d’art numérique basés sur les NFT, visant à améliorer la précision des prix, la négociation stratégique et l’efficacité de la prise de décision. Cette approche intègre des modèles supervisés, non supervisés et d’apprentissage par renforcement — tels que les arbres de décision, les K-Means et le Q-learning — sur une plateforme blockchain activée par sm...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (Cadre de développement blockchain)	Casque de sécurité	v2.19.1	https://hardhat.org
MetaMask (extension portefeuille)	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
Politique de fixation	Pinata.cloud	&mdash ;	https://docs.pinata.cloud
Réagir	Réagir	v18.2.0	https://react.dev
Remix	Remix	v0.31.0	https://remix.ethereum.org
Solidity (langage de compilation)	Solidity  ;	v0.8.20	https://soliditylang.org
Ubuntu  ;	Ubuntu  ;	; 22.04 LTS	https://ubuntu.com