Research Article

Un framework di gioco cooperativo potenziato con apprendimento automatico per il trading di opere d'arte basate su blockchain e token non fungibili con dimostrazioni a conoscenza zero

DOI:

10.3791/68889

⸱

March 13th, 2026

 , 
1Department of Computer Science and Engineering, National Institute of Technology Meghalaya

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio migliora il trading di asset digitali basati su NFT negli ambienti di smart city integrando il ML in un framework CoGTT. Implementato utilizzando smart contract su una blockchain pubblica e supportato da prove di conoscenza zero, il framework migliora equità, adattabilità e trasparenza, raggiungendo un tasso di completamento delle operazioni dell'84% tenendo conto dei costi di esecuzione insiti nei sistemi decentralizzati.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nel contesto delle smart city, i Non-Fungible Token (NFT) stanno trasformando i mercati dell'arte digitale permettendo transazioni sicure e decentralizzate. Con la crescita del trading NFT, l'integrazione di intelligenza e adattabilità diventa fondamentale—rendendo essenziale l'integrazione del Machine Learning (ML). Tuttavia, i modelli esistenti, in particolare i framework Cooperative Game Theoretic Trading (CoGTT), sottoutilizzano il ML in tutte le fasi di trading. Le principali lacune includono una limitata adattabilità in tempo reale, strategie di negoziazione subottimali e un matchmaking inadeguato tra acquirenti e venditori. Questa ricerca colma queste lacune integrando il ML in un framework CoGTT a tre fasi—Naive Trading potenziato con ML, Min–Max Price Negotiation e Equilibrium-Based Trading—per migliorare il processo decisionale e la determinazione dei prezzi. La metodologia applica algoritmi di ML come alberi decisionali, clustering e reinforcement learning (Q-learning) all'interno di un ambiente pubblico di simulazione basato su blockchain utilizzando smart contract. La simulazione utilizza un dataset personalizzato che riflette sia le dinamiche di mercato sia la credibilità degli artisti. Il dataset è generato sinteticamente per emulare un mercato NFT mantenendo condizioni sperimentali controllate, il che può limitare l'applicabilità diretta a mercati reali volatili. Le dimostrazioni a conoscenza zero (ZKP) sono impiegate per preservare la privacy. Gli ZKP sono impiegati per preservare la privacy. Un'analisi comparativa dei modelli ML per la stima del prezzo degli NFT e le offerte strategiche dimostra l'efficacia della combinazione di algoritmi predittivi con l'apprendimento per rinforzo. I modelli di regressione lineare e foresta random stimano entrambi con precisione i prezzi degli NFT, con la foresta casuale che ottiene una maggiore accuratezza di previsione in tempo reale (R2 = 0,9920). Il clustering K-Means segmenta efficacemente i partecipanti al mercato per supportare una negoziazione mirata, raggiungendo un punteggio silhouette di 0,8178. Integrare Q-learning con Random Forest consente strategie di offerta dinamiche che minimizzano il divario tra i prezzi consigliati e quelli reali. Il set di azioni discrete (diminuzione, resto, aumento) supporta aggiustamenti di offerta interpretabili in tempo reale. Questi risultati evidenziano il potenziale dei sistemi di trading NFT basati su ML per supportare mercati digitali scalabili e conformi alla privacy nelle smart city, allineando il comportamento commerciale alle esigenze del mercato attraverso processi automatizzati e basati sui dati.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La convergenza tra la tecnologia blockchain e i Token Non Fungibili (NFT) ha introdotto un modello trasformativo di proprietà e trading di asset digitali, in particolare nelle città intelligenti. In questo contesto, un Digital Artwork Trading Framework consente agli artisti di monetizzare le proprie creazioni e offre ai collezionisti una proprietà verificabile tramite infrastrutture decentralizzate. Questo si allinea bene con gli obiettivi delle città intelligenti come trasparenza, tracciabilità e automazione. Diversi fattori, come le elevate commissioni di transazione, l'interoperabilità limitata e l'applicazione inadeguata del copyright, ostacolano l'adozione e la scalabilità di questi sistemi.

Un numero crescente di ricerche fondamentali esplora queste questioni da molteplici angolazioni. Vujicic et al.1 e Kumar et al.2 forniscono panoramiche tecniche sulla finanza decentralizzata e sui meccanismi contrattuali innovativi che sostengono il trading di NFT. Ante et al.3 e Guan et al.4 esaminano i comportamenti economici e le esperienze degli utenti dei marketplace NFT, evidenziando la volatilità e il comportamento strategico tra gli stakeholder. Le applicazioni oltre l'arte digitale—come wastemanagement 5, trading sicuro AI6 e conformitàlegale 7—dimostrano la versatilità e l'espansione dell'utilità delle piattaforme NFT in ecosistemi decentralizzati.

Sono emersi anche approcci interdisciplinari per migliorare queste piattaforme. La teoria dei giochi è stata impiegata per affrontare strutture di incentivi, controversie di proprietà e conformità normativa, come si vede negli studi di Sun et al.8, Gao et al.9 e Shao et al.10. Questi studi progettano modelli basati sull'equilibrio e basati sulle penalità per incoraggiare un comportamento equo e un'allocazione efficiente delle risorse. Contemporaneamente, vengono introdotte tecniche di machine learning (ML) per migliorare il rilevamento delle frodi, la previsione dei prezzi e la valutazione dei contenuti negli ecosistemiNFT 11,12, offrendo strategie basate sui dati per ottimizzare l'efficienza deltrading 9,10. Studi recenti hanno iniziato a esplorare la previsione dei prezzi degli NFT utilizzando deep learning e funzionalità visive. Seyhan e Sefer13 hanno proposto un modello di deep learning per prevedere sia i prezzi di vendita primari che secondari degli NFT, dimostrando una maggiore accuratezza rispetto ai modelli di base. Analogamente, Pala e Sefer14 hanno utilizzato il transfer learning sugli attributi NFT basati su immagini per prevedere le caratteristiche di vendita, evidenziando l'importanza delle caratteristiche visive nella determinazione del prezzo. Questi lavori completano il nostro approccio enfatizzando modalità di dati alternative, mentre il nostro framework integra il machine learning con la negoziazione game-theoretic per un trading dinamico e adattivo.

La letteratura recente sottolinea l'impatto crescente delle tecnologie blockchain e NFT nella sicurezza degli ecosistemi digitali e nella ristrutturazione delle dinamiche di mercato. L'integrazione della blockchain migliora la sicurezza degli asset, la resistenza alle frodi e la proprietà decentralizzata nelle piattaforme digitali, in particolare nelle economie del gaming evirtuali 15. Contemporaneamente, la cripto-estetica guidata dagli NFT e i mercati dell'arte decentralizzati rivelano complesse interazioni sociotecniche che rimodellano il valore artistico, la proprietà e la produzioneculturale 16, mentre studi empirici indicano che il prezzo degli NFT è prevalentemente governato dalla scarsità, dalla reputazione dei creatori e dalle dinamichedi mercato 18. Le analisi quantitative e basate su rete dimostrano inoltre che l'ottimizzazione strategica e le reti di interazione strutturate influenzano significativamente gli esiti economici, la stabilità e i modelli di successo nei mercati decentralizzati e nei sistemicorrelati 19,20.

Nonostante questi progressi, i framework attuali di trading NFT—in particolare quelli basati sul Cooperative Game Theoretic Trading (CoGTT)—rimangono limitati in adattabilità e capacità decisionali. La Figura 1 mostra il diagramma architettonico del framework proposto ML augmented cooperative game theoretic trading (CoGTT). I modelli esistenti sono prevalentemente statici, spesso basati su strategie euristiche o basate su regole che non tengono conto delle condizioni di mercato complesse e dinamiche e del comportamento degli utenti. Questo si traduce in operazioni inefficienti, strategie di prezzo scadenti e una limitata equità nelle transazioni.

Questa ricerca propone un Framework CoGTT Machine Learning–Augmented per piattaforme di trading di asset digitali decentralizzate per affrontare queste limitazioni. Strutturato in tre fasi progressive — Naive Trading potenziato con ML, Negoziazione del Prezzo Min-Max e Trading Basato sull'Equilibrio — il framework sfrutta tecniche di apprendimento supervisionato, non supervisionato e di rinforzo per migliorare l'analisi di mercato, la negoziazione strategica e la scoperta dell'equilibrio. In particolare, vengono utilizzati modelli di classificazione (ad esempio, alberi decisionali), algoritmi di clustering (ad esempio, K-Means) e metodi di apprendimento dinamico (ad esempio, Q-learning) per ottimizzare l'abbinamento delle operazioni, la definizione dei prezzi e la strategia di negoziazione.

Questa architettura potenziata con ML viene implementata sulla piattaforma blockchain abilitata da smart contract (qui, la blockchain Ethereum), garantendo un'esecuzione decentralizzata, trasparente e autonoma delle operazioni. Per proteggere i dati degli utenti e mantenere la riservatezza, gli ZKP sono integrati, consentendo una validazione crittograficamente sicura delle transazioni senza rivelare informazioni sensibili. Le intuizioni guidate dal ML influenzano direttamente la logica degli smart contract, incorporando prezzi previsti e soglie adattiva che rispondono alle dinamiche di mercato in tempo reale.

In sintesi, questo studio introduce un framework di trading scalabile, che preservi la privacy e intelligente, implementato su una blockchain pubblica con una tabella di calcolo delle tariffe del gas e dei costi di implementazione nella Tabella 1 , che migliora significativamente l'efficienza (come riflesso nelle Tabelle 2 e Tabella 3), l'affidabilità e l'adattabilità dei sistemi di trading NFT. Integrando strettamente il machine learning con la logica di teoria dei giochi e l'infrastruttura blockchain, la soluzione proposta si allinea agli obiettivi delle smart cities: offrire una piattaforma sicura, equa e inclusiva per l'utente per lo scambio di asset digitali.

Questo studio propone un framework ibrido che integra il machine learning con il trading cooperativo di teoria dei giochi (CoGTT) per supportare la determinazione dei prezzi, la negoziazione e il processo decisionale nei mercati dell'arte digitale basata su NFT. I modelli predittivi sono abbinati a smart contract per migliorare l'automazione dei processi, l'equità e la sicurezza negli ambienti di trading. Per soddisfare i requisiti di privacy e conformità, gli ZKP sono impiegati per il pareggio di prezzo, la validazione della proprietà e la verifica dell'autenticità. Il framework adotta una struttura a tre fasi composta da trading naïve assistito dal machine learning, negoziazione dei prezzi min-max e trading basato sull'equilibrio, fornendo un approccio coordinato per operazioni scalabili nei marketplace NFT.

L'analisi comparativa nella Tabella 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38 mette in evidenza l'integrazione di blockchain, NFT, machine learning e modelli di teoria dei giochi in ambiti decentralizzati come i mercati digitali, la sicurezza IoT e i sistemi energetici. Studi precedenti dimostrano che combinare modelli di apprendimento avanzati e meccanismi blockchain migliora l'accuratezza dei prezzi, la sicurezza, la trasparenza e l'ottimizzazione dell'equilibrio. Evidenze empiriche e analitiche indicano miglioramenti nell'efficienza, mitigazione delle frodi, riduzione dei costi e equa allocazione degli incentivi attraverso framework ibridi ML–blockchain.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il framework per il trading di opere d'arte NFT basato su blockchain è strutturato come un protocollo multilivello che integra smart contract, meccanismi di salvaguardia della privacy, modellazione game-theoretic, algoritmi di machine learning, reinforcement learning e valutazione dei costi di gas all'interno di un'architettura unificata.

Il processo inizia con lo sviluppo di smart contract che definiscono funzioni fondamentali come la registrazione dei partecipanti, la lista degli asset, l'invio degli ordini e l'esecuzione delle transazioni. Questi contratti consentono l'onboarding degli utenti, la registrazione dei beni e la gestione sicura degli ordini. Per valutare la correttezza e l'efficienza, è stata testata la logica contrattuale e i costi di esecuzione sono stati registrati con diverse impostazioni di velocità di transazione.

Gli ZKP vengono incorporati per validare l'autenticità delle opere senza divulgare dettagli sensibili. Ogni transazione è sottoposta a una doppia verifica tramite controlli on-chain e validazione ZKP, garantendo riservatezza e integrità dei dati. Il design modulare ZKP funziona indipendentemente dai principali smart contract, permettendo l'integrazione e il supporto al deployment su larga scala. La generazione delle prove e la latenza di verifica sono state valutate per valutarne la fattibilità.

Un'interfaccia web è stata implementata utilizzando un framework generico. L'interfaccia include moduli come una landing page, una dashboard per artisti e una piattaforma di trading. L'autenticazione basata su wallet consente la firma delle transazioni, mentre le funzionalità di upload e minting consentono agli artisti di tokenizzare opere digitali.

A livello di progettazione del mercato, il modello Cooperative Game-Theoretic Trading (CoGTT) impiega un meccanismo di negoziazione strutturato in tre fasi. La prima fase applica l'abbinamento diretto dei prezzi basato su offerte e richieste presentate. I partecipanti non abbinati passano alla seconda fase, che utilizza strategie negoziate di prezzo min–max, inclusi metodi di valutazione a metà fase. Se non si raggiunge un accordo, le operazioni avanzano alla terza fase, dove si applicano i principi di equilibrio di Nash e le negoziazioni iterative continuano fino a raggiungere i prezzi convergenti in equilibrio. Queste fasi sono implementate come algoritmi modulari: abbinamento ingenuo (Algoritmo 1), intermedio intermedio (Algoritmo 2), trading di equilibrio di Nash (Algoritmo 3) e un flusso di lavoro integrato (Algoritmo 4).

I modelli di machine learning sono integrati nel processo di trading per il supporto decisionale. Caratteristiche di mercato come offerte, demande, volume di trading, dati storici sui prezzi e punteggi di reputazione sono utilizzate per la modellazione predittiva. La regressione lineare (Algoritmo 5) stima i prezzi equi, con la performance valutata utilizzando l'errore quadratico medio (MSE). Il clustering K-Means (Algoritmo 6), supportato dalla normalizzazione delle caratteristiche e dalla riduzione della dimensionalità basata su PCA, segmenta gli utenti in cluster, valutati dal punteggio silhouette. Random Forest (Algoritmo 7) fornisce previsioni di prezzo aggiuntive, validate sia tramite MSE che tramite R2. Un algoritmo integrativo (Algoritmo 8) combina regressione, clustering e output Random Forest in un flusso decisionale dinamico per il trading adattivo.

L'apprendimento per rinforzo tramite Q-learning viene applicato per ottimizzare le strategie di offerta. Lo spazio degli stati è definito dai livelli di prezzo attuali e dai valori di offerta, mentre le azioni includono incremento, decremento o mantenimento. Un Q-agent viene addestrato utilizzando feedback delle previsioni della Foresta Casuale, apprendendo politiche che riducono l'errore di prezzo e aumentano l'utilità dei partecipanti. Le simulazioni vengono condotte fino alla convergenza verso politiche allineate all'equilibrio e i risultati vengono validati in ambienti di trading simulati.

Il consumo di gas per ogni funzione contrattuale viene registrato sistematicamente, con i costi di transazione calcolati sotto impostazioni di velocità variabili. Ad esempio, la funzione registerArtist() ha consumato 90.123 unità a gas, con i costi corrispondenti confrontati con i prezzi di mercato dell'ETH. Queste valutazioni identificano compromessi tra costi ed efficienza dell'esecuzione.

Le prestazioni del framework sono state valutate utilizzando più metriche. La regressione lineare ha raggiunto un MSE di 4,54 × 10⁻28, mentre il clustering K-Means ha prodotto un punteggio silhouette di 0,8178. Random Forest ha prodotto una MSE di 0,1311 con un R2 di 0,9920. I risultati del Q-learning sono stati valutati per convergenza e allineamento di equilibrio sotto diverse condizioni di prezzo. Questi risultati indicano la fattibilità dell'approccio proposto per supportare il trading di opere d'arte NFT in condizioni di mercato basate su blockchain.

Framework proposto per il trading cooperativo di teoria dei giochi (CoGTT) per il trading d'arte digitale

L'innovativo approccio ibrido cooperativo di trading (CoGTT) combina un approccio di trading NFT di base ai giochi con meccanismi aggiuntivi di pricing e equilibrio di Nash per migliorare l'efficienza e il coordinamento dei mercati NFT. L'approccio proposto si basa su una piattaforma blockchain abilitata da smart contract. L'approccio sfrutta tecniche crittografiche avanzate e ZKP per garantire una verifica sicura e privata delle transazioni. Gli ZKP permettono la convalida dei dettagli di proprietà e transazioni senza divulgare informazioni sensibili su acquirenti o venditori.

Questo approccio proposto introduce interazioni strategiche tra creatori, acquirenti e broker intermedi all'interno di un mercato decentralizzato. Questo modello mira a ottimizzare i risultati di trading, bilanciando gli incentivi per tutti i partecipanti e considerando la competizione e la dinamica di cooperazione. Sebbene il framework proposto si concentri principalmente su un ingenuo abbinamento bid-ask, negoziazione basata su punto intermedio e accordo basato sull'equilibrio di Nash, esistono e restano rilevanti anche altri metodi come le aste a secondo prezzo nei mercati NFT. Nel trading di opere d'arte digitali, l'banditore determina il prezzo della transazione utilizzando approcci:

Prezzo di offerta al consumatore: Il prezzo viene fissato direttamente in base all'offerta più alta dell'acquirente. Questo metodo riflette il valore massimo che l'acquirente è disposto a pagare per l'opera d'arte, favorendo offerte competitive.

Metodo del prezzo medio: Il prezzo viene calcolato come il punto intermedio tra il prezzo offerto dall'acquirente e quello richiesto dal venditore, creando un equilibrio. Questo calcolo dei prezzi di equilibrio:

Equilibrio (EPrice) = DArtAPrice +DArt BPrice

Questo approccio mira a bilanciare gli interessi sia dell'acquirente che del venditore, portando a una transazione equa e reciprocamente accettabile. Questi metodi offrono flessibilità nelle strategie di prezzo, rispondendo alle diverse preferenze e dinamiche di mercato nell'ecosistema del trading di opere d'arte digitali.

Modello di commercio cooperativo basato sulla teoria dei giochi a 3 fasi

Questa sezione introduce un innovativo approccio cooperativo di trading a 3 fasi basato sulla teoria dei giochi, progettato specificamente per opere digitali. L'approccio aggiusta dinamicamente sia i prezzi di offerta che quelli di richiesta per ottimizzare l'efficienza e l'equità del trading, come mostrato nelle Tabelle 2 e Tabella 3, facilitate da un broker. L'obiettivo è migliorare equità, efficienza e redditività nei mercati NFT decentralizzati, trovando un equilibrio tra gli interessi dei creatori e quelli degli acquirenti di opere d'arte. La Figura 2 illustra il modello proposto di sistema di trading a 3 fasi per le opere digitali, con l'algoritmo dettagliato fornito nell'Algoritmo 4. Il framework proposto per CoGTT completa in modo efficiente il processo di trading digitale d'arte in tre fasi: a) Naive Trading basato su prezzi di richiesta e offerta, b) Trading basato sul Negoziato Min-Max Price, e c) Trading utilizzando il metodo dell'Equilibrio di Nash. Nella prima fase, il trading ingenuo viene avviato sulla base delle informazioni iniziali di creatori e acquirenti. La seconda fase prevede il trading basandosi sui prezzi minimi negoziati tra venditori e acquirenti per le richieste non scambiate rimanenti. Infine, la terza fase utilizza il metodo dell'equilibrio di Nash per finalizzare il processo di trading.

Prima fase - Trading ingenuo sia a prezzo di richiesta che a prezzo d'offerta:

Nella prima fase, i creatori di opere digitali (fornitori) sono organizzati in ordine crescente in base ai prezzi richiesti, insieme ai prezzi minimi di vendita. Analogamente, gli acquirenti (consumatori) sono disposti in ordine crescente secondo i prezzi di offerta sottoposti, insieme ai prezzi massimi di offerta. Il prezzo minimo richiesto per i creatori e il prezzo massimo di offerta per gli acquirenti sono mantenuti riservati. Viene quindi adottato un approccio cooperativo per abbinare acquirenti e creatori, facilitando l'assegnazione delle opere d'arte in cui i prezzi di offerta degli acquirenti sono allineati a quelli richiesi dai creatori. Questa allocazione può coinvolgere un singolo creatore o più creatori, purché i prezzi combinati richiesi rientrino nell'offerta dell'acquirente. Gli acquirenti che non riescono a ottenere opere d'arte in questa fase a causa di vincoli di prezzo passeranno alla seconda fase. I dettagli dell'approccio di trading sono descritti nell'Algoritmo 1.

Seconda fase - Trading con prezzo minimo-massimo negoziato

Nella seconda fase, le richieste degli acquirenti non abbinati vengono affrontate per completare il processo di scambio, utilizzando i prezzi minimi richiesti dai creatori d'arte digitale e i prezzi massimi di offerta degli acquirenti. L'approccio di trading impiega vari metodi, tra cui il Valore Medio, il Valore Medio Intraday e l'Equilibrio di Mercato, per determinare un valore intermedio che migliori l'efficienza del trading. I dettagli di questi approcci a punto intermedio sono discussi nelle seguenti sottosezioni. I dettagli dell'approccio di trading sono forniti nell'Algoritmo 2.

Valore intermedio: Un approccio di intermediazione incorporato per trovare il valore medio tra creatori e acquirenti con un approccio semplice a valore medio. Ad esempio, se il prezzo di offerta per un'arte digitale è 50 e il prezzo richiesto è 52, allora il valore intermedio può essere trovato facendo la media dei prezzi di offerta e di vendita.

figure-protocol-1

Valore intermedio intraday: L'approccio di brokeraggio incorporato indica il prezzo minimo di trading dello stesso tipo di arti, indica anche il prezzo massimo dello stesso tipo di arti, e utilizza la seguente formula per calcolare il valore medio: (Massimo attuale del giorno + minimo attuale del giorno)/2. Questo valore medio è fissato come prezzo della transazione di trading se il valore medio è superiore al prezzo minimo richiesto dal creatore d'arte e inferiore al prezzo massimo di offerta dell'acquirente.

Equilibrio di mercato: Il prezzo medio è un indicatore importante dell'equilibrio di mercato. Riflette il prezzo al quale il creatore dell'arte (prezzo richiesto) e l'acquirente (prezzo di offerta) per un asset si allineano. Questo valore viene calcolato mediando il prezzo di offerta più alto e il prezzo richiesto più basso, fornendo ai trader una rappresentazione equa del valore di mercato attuale, non influenzato da prezzi esagerati di bid o demand. La formula è presentata nelle seguenti 3 equazioni.

 figure-protocol-2

figure-protocol-3

figure-protocol-4

Terza fase - Trading sul metodo di equilibrio di Nash

Nel terzo passo, le informazioni rimanenti delle richieste non scambiate, come il prezzo minimo richiesto dal creatore e il prezzo massimo di offerta dall'acquirente, vengono rivelate a entrambe le parti affinché si stabilisca su un punto di equilibrio in cui il prezzo di offerta dell'acquirente sia il più alto che sia disposto ad andare e il prezzo di vendita del creatore sia il più basso che sia disposto ad accettare. I dettagli dell'approccio di trading sono presentati nell'Algoritmo 3.

Nella prima e seconda fase del quadro, la riservatezza e l'allineamento degli incentivi vengono impiegati per scoraggiare la rendicontazione strategica errata dei prezzi. La massima disponibilità a pagare degli acquirenti e i prezzi minimi accettabili per i creatori sono mantenuti come valori riservati durante l'allocazione, limitando le possibilità di manipolazione tramite sottodichiarazione o sovrasmessa. Poiché le decisioni di abbinamento si basano su intervalli (domanda minima e offerta massima) piuttosto che su dichiarazioni esplicite, i tentativi di segnalazione errata dei prezzi aumentano la probabilità di esclusione dalle allocazioni di Fase 1 o Fase 2, riducendo così le opportunità di trading. Inoltre, il protocollo avanza a una terza fase basata sull'Equilibrio di Nash quando le prime operazioni non hanno successo. In questa fase, gli aggiustamenti iterativi portano alla convergenza su risultati che riflettono in modo più accurato le vere valutazioni dei partecipanti. Questa progressione scoraggia la rendicontazione errata nelle fasi iniziali, poiché i tentativi falliti di manipolazione solo rimandano l'esecuzione e alla fine richiedono una rivelazione veritiera delle valutazioni per il completamento delle operazioni con successo.

Gli output degli algoritmi di machine learning (ML) non sono trattati come previsioni isolate, ma sono attivamente integrati nel framework cooperativo di trading cooperativo a tre fasi (CoGTT) per guidare la determinazione dei prezzi, la negoziazione e la scoperta dell'equilibrio. Le connessioni sono ora descritte come segue:

Fase 1 - Trading naive con regressione lineare: Il modello di regressione lineare genera un benchmark di prezzo equo mediando le caratteristiche di compra e vendita rispetto alle tendenze storiche. Questo prezzo equo previsto viene poi confrontato sia con l'offerta presentata dall'acquirente sia con il prezzo richiesto dal creatore. Se una delle parti segnala un valore che si discosta significativamente dal prezzo equo previsto, l'allocazione viene deprioritizzata, riducendo l'incentivo a dichiarazioni errate. Pertanto, l'output di regressione agisce come un meccanismo di filtraggio che determina quali operazioni sono considerate valide per l'allocazione diretta.

Fase 2 - Negoziazione Min-max con foresta casuale: Il modello di foresta casuale affina la stima dinamica dei prezzi incorporando spread di compra-compra, volume di trading e punteggi di reputazione. Queste previsioni vengono utilizzate direttamente per calibrare metodi di negoziazione basati su punti intermedi (Valore Medio, Punto Intermedio Intraday, Equilibrio di Mercato). Ad esempio, quando si calcola un prezzo a metà meta, la previsione della foresta casuale viene applicata come fattore correttivo per garantire che il valore negoziato sia coerente con il comportamento di mercato. Questa integrazione garantisce che i risultati del brokering siano ancorati a modelli di mercato appresi piuttosto che a punti intermedi aritmetici arbitrari.

Fase 3 - Trading basato sull'equilibrio con clustering K-means: In questa fase, i partecipanti acquirente e venditore vengono prima segmentati in cluster basati sulle caratteristiche comportamentali (aggressività bid/ask, reputazione, attività storica). Questa segmentazione garantisce che le negoziazioni verso l'equilibrio avvengano tra partecipanti comparabili, riducendo la volatilità e migliorando l'equità. Le assegnazioni di cluster fungono così da vincoli a livello di gruppo su quali prezzi possono essere considerati nella scoperta di equilibrio.

Integrazione dell'apprendimento per rinforzo (Q-learning): Il Q-learning si basa sulle previsioni della foresta casuale per ottimizzare le strategie di offerta dinamica. Ogni volta che l'agente aggiusta un'offerta (diminuzione, mantenimento o aumento), il segnale di ricompensa viene calcolato rispetto al prezzo equo previsto dalla Foresta Casuale. In più episodi, il Q-agent apprende politiche che minimizzano l'errore di prezzo e massimizzano l'utilità, e queste politiche vengono applicate direttamente nella Fase 3 di trading di equilibrio. In pratica, ciò significa che le aggiustamenti delle offerte degli acquirenti durante la scoperta dell'equilibrio sono informate da strategie ottimizzate e validate durante le simulazioni di addestramento.

Insieme, questi meccanismi dimostrano che gli output ML fungono da motori di supporto decisionale strettamente accoppiati con le fasi CoGTT. La regressione lineare impone allocazioni iniziali realistiche, la Foresta Casuale basa le negoziazioni sul comportamento empirico del mercato, il clustering struttura il processo di equilibrio e l'apprendimento per rinforzo guida il perfezionamento della strategia adattiva. Collegando esplicitamente le previsioni algoritmiche ai punti decisionali operativi, il framework garantisce che il trading non sia solo automatizzato ma anche informato da un'intelligenza adattiva al mercato.

Dataset, funzionalità e framework di riproducibilità

Definizione e motivazione del dataset

Gli ambienti di trading di NFT e asset digitali sono caratterizzati da molteplici attributi di mercato e dei partecipanti, tra cui prezzo di offerta dell'acquirente, prezzo di vendita del venditore, prezzo storico delle transazioni, volume delle transazioni e reputazione dei partecipanti. Poiché nessun dataset NFT pubblico fornisce contemporaneamente tutte queste caratteristiche, questo studio utilizza dataset generati sinteticamente per consentire la validazione controllata dei protocolli preservando un comportamento realistico del mercato. Le dimensioni dei dataset variano da 100 a 1000 transazioni, a seconda dello scenario sperimentale e dei requisiti del modello.

Ogni record del dataset è composto dai seguenti campi: Offerta, Vendita, Prezzo Storico, Volume, Reputazione e Prezzo Equo, dove il prezzo equo è definito come la media aritmetica dei valori di offerta e vendita.

Processo di generazione di dati sintetici:

Le offerte degli acquirenti vengono campionate da distribuzioni uniformi limitate, utilizzando intervalli come [90, 110] per esperimenti su piccola scala e [100, 1000] per simulazioni su larga scala. I prezzi ask del venditore sono generati aggiungendo uno spostamento stocastico positivo alle corrispondenti offerte, modellando gli spread realistici bid–ask. I prezzi storici sono ricavati da distribuzioni normali centrate sui valori delle offerte con rumore additivo per simulare la volatilità del mercato. I volumi di transazioni sono generati come valori interi all'interno di intervalli predefiniti (ad esempio, [1, 10] o [100, 1000]), mentre i punteggi di reputazione dei partecipanti vengono campionati da distribuzioni uniformi in [0, 1] (punteggi di fiducia normalizzati) o [0, 5] (rappresentazione a stelle). Tutti gli esperimenti utilizzano semi casuali fissi (numpy.random.seed(42)) per garantire una ricostruzione deterministica e ripetibile del dataset.

Schema dati, archiviazione e accesso

Tutti i dataset sono memorizzati in formato CSV con uno schema fisso di sei colonne: (bid, ask, historical_price, volume, reputazione, fair_price). Ogni file CSV contiene tipicamente circa 1.000 record, salvo diversa specificazione. Per la riproducibilità decentralizzata, i file di dataset vengono caricati su IPFS e gli identificatori di contenuto corrispondenti (CID) vengono registrati insieme agli indirizzi degli smart contract nei file di configurazione. Questo design consente il recupero indipendente di dataset identici senza dover dipendere dallo storage centralizzato.

Preparazione e suddivisione del dataset

I dataset sono suddivisi in sottoinsiemi di addestramento e test utilizzando una divisione train–test 80/20 implementata tramite train_test_split con random_state=42. La validazione incrociata a cinque punti viene applicata durante la sintonizzazione degli iperparametri Random Forest, mentre la scalatura delle caratteristiche tramite StandardScaler() viene applicata dove necessario, in particolare per clustering e flussi di lavoro basati su PCA.

Modelli di machine learning e parametrizzazione

Tutti i modelli di machine learning sono implementati utilizzando librerie consolidate con configurazioni fisse per garantire la riproducibilità. Un riassunto completo di parametri e valori è fornito nella tabella allegata. La regressione lineare (LR) utilizza uno stimatore di minimi quadrati con offerta, impresa, prezzo storico, volume e reputazione come input e il fair price come variabile target. Le prestazioni vengono valutate utilizzando l'Errore Quadratico Medio (MSE). Il clustering K-Means viene applicato a sottoinsiemi di caratteristiche scalate, opzionalmente ridotti tramite l'Analisi dei Componenti Principali (PCA) con due componenti che catturano oltre il 90% di varianza. Il numero di gruppi viene selezionato nell'intervallo 2–3 utilizzando criteri di gomito e silhouette. La regressione a foresta casuale (RF) è utilizzata per la stima non lineare dei prezzi con 100–200 alberi, parametri di profondità e suddivisione regolati tramite validazione incrociata a cinque punti. Le prestazioni del modello vengono valutate utilizzando MSE eR2. Q-Learning è implementato come un approccio tabellare di reinforcement learning con 31 stati di prezzo discretizzati, tre azioni di aggiustamento di offerta e parametri fissi di apprendimento (α = 0,1, γ = 0,9, ε = 0,1). La convergenza viene valutata attraverso la stabilizzazione delle ricompense episodiche. Dal punto di vista computazionale, la regressione lineare e le K-Means si completano in pochi secondi per dataset fino a10 a 3 campioni, l'addestramento in Random Forest richiede secondi o minuti a seconda della scala, e Q-learning converge in modo efficiente grazie al suo spazio di stati a bassa dimensione.

Esecuzione blockchain, privacy e registrazione dei costi

Implementazione ed esecuzione degli smart contract

Gli smart contract che codificano la logica di trading sono scritti in Solidity (pragma ^0.8.20) con l'ottimizzazione del compilatore abilitata (200 esecuzioni) e distribuiti sulla rete di test Sepolia utilizzando framework di sviluppo standardizzati. La firma delle transazioni tramite wallet avviene tramite un wallet basato su browser collegato a un endpoint RPC. L'uso del gas per il deployment dei contratti e le funzioni transazionali viene registrato automaticamente, e i costi di esecuzione vengono calcolati utilizzando i tassi di conversione ETH/USD contemporanei.

Integrazione di dimostrazione a conoscenza zero

La verifica che preserva la privacy viene implementata tramite una pipeline ZK-SNARK, che include compilazione dei circuiti, configurazione affidabile, generazione di prove e verifica on-chain. Le prove vengono generate off-chain e verificate on-chain utilizzando un contratto di verificatore dedicato distribuito insieme al contratto principale di trading, consentendo la validazione della proprietà e della correttezza delle transazioni senza rivelare dati sensibili dei partecipanti.

Ambiente software e flusso di lavoro di esecuzione

Tutti gli esperimenti vengono condotti su un sistema Linux a 64 bit con una configurazione hardware fissa. I flussi di lavoro di machine learning vengono eseguiti in un ambiente Python, mentre lo sviluppo blockchain e l'interazione front-end si basano su uno stack basato su JavaScript con versioni fisse del framework. Le applicazioni front-end vengono costruite e gestite tramite un gestore di pacchetti, gli smart contract vengono compilati e distribuiti utilizzando framework di sviluppo standardizzati, e la verifica ZKP è integrata nel flusso di esecuzione delle transazioni.

Versioni esatte del software, flag del compilatore, configurazioni del wallet, politiche di pinning IPFS, comandi di esecuzione ed esempi di CID sono documentati nel file di riproducibilità per facilitare la replica indipendente.

Risultati operativi e tassi di completamento

La robustezza del protocollo distribuito si riflette nelle sue statistiche di esecuzione. Le funzioni core degli smart contract raggiungono alti tassi di completamento, con un tasso di successo complessivo dell'84% in tutte le operazioni transazionali. I conteggi dettagliati di esecuzione a livello di funzione e i tassi di completamento sono riportati nella tabella dei risultati corrispondente.

Algoritmi

Questa sezione introduce un sistema di trading di opere d'arte teoriche cooperative in tre fasi, in cui un broker viene utilizzato per raccogliere le unità d'arte disponibili e i loro prezzi richiesti dagli autori, oltre alle unità richieste e ai prezzi di offerta degli utenti. Sulla base dell'approccio proposto, il broker facilita quindi le transazioni tra creatori e utenti. Il processo di trading si svolge in tre fasi distinte: nella prima fase, un algoritmo di trading ingenuo viene applicato ai prezzi di richiesta e di offerta, come descritto nell'Algoritmo 1. La seconda fase introduce un algoritmo di trading basato sulla negoziazione dei prezzi minimi, presentato nell'Algoritmo 2. Infine, la terza fase utilizza un algoritmo di trading basato sull'equilibrio di Nash, descritto nell'Algoritmo 3, e l'Algoritmo 4 integra tutti e tre gli algoritmi nell'approccio completo di trading digitale cooperativo teorico dei giochi in tre fasi. L'algoritmo 5 mostra la regressione lineare per la previsione del prezzo equo. L'algoritmo 6 mostra il clustering K-Means per il raggruppamento acquirente/venditore. L'algoritmo 7 mostra una foresta casuale per la previsione dei prezzi nella negoziazione in tempo reale. L'algoritmo 8 mostra il flusso dell'algoritmo di trading NFT basato su machine learning. Gli algoritmi 5–8 fanno parte dell'algoritmo 8.

Il framework proposto implementa un meccanismo di Cooperative Game Theoretic Trading (CoGTT) in tre fasi per gestire sistematicamente transazioni di opere d'arte digitali basate su NFT. Nella prima fase, il trading naïve viene eseguito utilizzando il matching diretto bid-ask, come formalizzato nell'Algoritmo 1. Gli acquirenti sono ordinati in base ai prezzi d'offerta decrescenti e i venditori ai prezzi richiesi crescenti, consentendo un'assegnazione sequenziale delle opere d'arte entro i vincoli di budget dell'acquirente. Gli acquirenti che non riescono a completare un'operazione in questa fase vengono inoltrati alla seconda fase, dove viene applicato il prezzo minimo negoziato tramite l'Algoritmo 2. Questa fase calcola un prezzo intermedio tra il prezzo minimo richiesto dal venditore e il prezzo massimo di offerta dell'acquirente, che viene ulteriormente aggiustato utilizzando la domanda di mercato e indicatori di trading in tempo reale. Un'operazione viene eseguita solo se il prezzo negoziato rimane all'interno dell'intervallo consentito di offerta-compra. Per le transazioni ancora irrisolte, il framework avanza alla terza fase, dove il trading basato sull'equilibrio di Nash viene applicato utilizzando l'Algoritmo 3. Qui, aggiustamenti di prezzo iterativi basati sulle utility partecipanti convergono verso un prezzo di equilibrio stabile, garantendo una liquidazione razionale. Queste tre fasi sono orchestrate all'interno di un flusso di lavoro decisionale unificato definito nell'Algoritmo 4, che integra l'abbinamento diretto, il brokeraggio e la risoluzione dell'equilibrio in un'unica pipeline di trading.

Per aumentare l'accuratezza dei prezzi, l'adattabilità e il processo decisionale strategico, il framework CoGTT è integrato con molteplici modelli di machine learning. L'algoritmo 5 applica la Regressione Lineare per stimare un prezzo equo di base utilizzando caratteristiche di mercato osservabili, fungendo da meccanismo di filtraggio interpretabile durante la valutazione iniziale della transazione. Per la negoziazione in tempo reale, l'Algoritmo 7 utilizza un regressore Random Forest per catturare modelli di prezzo non lineari influenzati dagli spread bid–ask, dai prezzi storici, dal volume e dalla reputazione dei partecipanti. Il comportamento dei partecipanti è ulteriormente strutturato utilizzando l'Algoritmo 6, che applica il clustering K-Means con riduzione della dimensionalità basata sulla PCA a gruppi acquirenti e venditori in cluster comportamentalmente simili, migliorando la stabilità durante le negoziazioni di equilibrio. Questi modelli sono integrati in un flusso di lavoro unificato di trading guidato da ML descritto nell'Algoritmo 8, dove la Regressione Lineare supporta il filtraggio della Fase 1, la Foresta Random affina i prezzi di negoziazione della Fase 2, il clustering informa il raggruppamento dei partecipanti della Fase 3 e il reinforcement learning ottimizza gli aggiustamenti delle offerte verso l'equilibrio di Nash. Insieme, questi algoritmi garantiscono che il framework proposto sia non solo teoricamente fondato, ma anche adattivo, guidato dai dati e adatto a ambienti dinamici di mercato NFT. Tutti gli algoritmi sono elencati nel File Supplementare 1.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'approccio proposto basato su blockchain per il trading di opere d'arte digitali sfrutta ZKP. Ogni metodo di trading è racchiuso in uno smart contract, con funzionalità essenziali—come la registrazione dei creatori di opere d'arte, la registrazione degli utenti e i meccanismi di trading—definite come funzioni contrattuali dedicate. I parametri ambientali della piattaforma blockchain utilizzati nelle simulazioni sono delineati nella Tabella 1.

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questa ricerca propone un framework di trading cooperativo di giochi teorici (CoGTT) potenziato con machine learning per i mercati d'arte digitale basati su NFT, volto a migliorare la precisione dei prezzi, la negoziazione strategica e l'efficienza decisionale. L'approccio integra modelli di apprendimento supervisionato, non supervisionato e di reinforcement learning — come Decision Trees, K-Means e Q-learning — su una piattaforma blockchain abilitata da smart contract per consentire un ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Noi, gli autori, dichiariamo che non ci sono conflitti di interessi—finanziari, personali o di altro tipo—che possano aver influenzato il lavoro riportato in questo manoscritto. Un modello linguistico IA veniva utilizzato solo per la rifinitura del linguaggio, la correzione grammaticale e il miglioramento della chiarezza e del tono accademico in sezioni selezionate del manoscritto. Lo strumento non veniva utilizzato per generare idee scientifiche, formulare ipotesi, progettare la metodologia, condurre esperimenti, analizzare i risultati o trarre conclusioni.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori desiderano esprimere la loro sincera gratitudine al Dr. K Hemant Kumar Reddy per la sua preziosa guida e i suggerimenti perspicaci durante tutta questa ricerca. Apprezziamo anche i feedback costruttivi di amici e colleghi, che hanno contribuito notevolmente a perfezionare la qualità e la chiarezza di questo articolo.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Hardhat (Framework di Sviluppo Blockchain)Cascov2.19.1https://hardhat.org
MetaMask (Estensione per portafoglio)MetaMask v11.10.0https://metamask.io
Next.jsNext.jsv14.1.0https://nextjs.org
Node.jsNode.jsv20.11.1https://nodejs.org
NVIDIA RTX 3060NVIDIAhttps://www.nvidia.com/Intel Core i7-12700H
PinataPinata.cloudv2.1.0https://www.pinata.cloud
Politica di pinningPinata.cloud—https://docs.pinata.cloud
ReagisceReagiscev18.2.0https://react.dev
RemixRemixv0.31.0https://remix.ethereum.org
Solidity (linguaggio compilatore)Solidità v0.8.20https://soliditylang.org
Ubuntu Ubuntu   22.04 LTShttps://ubuntu.com

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Blockchain technology, bitcoin, and Ethereum: a brief overview. Vujičić, D., Jagodić, D., Ranđić, S. 2018 17th International Symposium INFOTEH-JAHORINA (INFOTEH), Sarajevo, Bosnia and Herzegovina, , (2018).
  2. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Utilization of decentralized finance (DeFi) and distributed ledger technology (DLT) in banking operations. 2024 International Conference on Intelligent Computing and Sustainable Innovations in Technology (IC-SIT), , (2024).
  3. Ante, L. The non-fungible token (NFT) market and its relationship with Bitcoin and Ethereum. FinTech. 1 (3), 216-224 (2022).
  4. Guan, M. Y., et al. From digital art to crypto art: the evolution of art brought by NFT. Int J Hum–Comput Interact. 41 (12), 7384-7403 (2025).
  5. Kumar, C. S., Padhy, A. B., Singh, A. P., Reddy, K. H. K. A dynamic trading approach based on Walrasian equilibrium in a blockchain-based NFT framework for sustainable waste management. Mathematics. 13 (3), 521(2025).
  6. Zhang, Q., Xiong, Z., Zhu, J., Gao, S., Yang, W. A privacy-preserving auction mechanism for learning model as an NFT in blockchain-driven metaverse. ACM Trans Multimed Comput Commun Appl. 20 (7), 1-24 (2024).
  7. Cornelius, K. Betraying blockchain: accountability, transparency and document standards for non-fungible tokens (NFTs). Information. 12 (9), 358(2021).
  8. NFT-enabled spectrum data sharing: a game theoretical approach. Sun, J., Wang, W., Cao, P., Shao, X., Lu, X. 2024 3rd International Joint Conference on Information and Communication Engineering (JCICE), Fuzhou, China, , (2024).
  9. Gao, Y., Xie, X., Ni, Y. Evolutionary game analysis of copyright protection for NFT digital works considering collusive behavior. Appl Sci. 13 (20), 11261(2023).
  10. Reconstitution of NFTs based on a game theory model. Shao, J., et al. Financial Cryptography and Data Security Workshops, , (2024).
  11. Iosif, E., Katelaris, L. Integrating machine learning with non-fungible tokens. Computers. 13 (6), 147(2024).
  12. Nadini, M., et al. Mapping the NFT revolution: market trends, trade networks and visual features. Sci Rep. 11 (1), 20902(2021).
  13. Seyhan, B., Sefer, E. NFT primary sale price and secondary sale prediction via deep learning. 4th ACM International Conference on AI in Finance, NY, USA, , (2023).
  14. Pala, M., Sefer, E. NFT price and sales characteristics prediction by transfer learning of visual attributes. Journal of Finance and Data Science. 10, 100148(2024).
  15. Rishiwal, V., et al. Blockchain-secure gaming environments: a comprehensive survey. IEEE Access. 12, 183466-183488 (2024).
  16. Poposki, Z. Crypto-aesthetics: towards a new materialist theory of NFT art. J Vis Art Pract. 23 (1), 1-18 (2024).
  17. Chu, W., et al. Game theory approach for secured supply chain management in effective trade management. Ann Oper Res. 329 (3), 301-319 (2024).
  18. Amirza, M. A., Ariffin, A. L. A. K., Razak, M. R. A. Revealing Malaysian NFT art: exploring opportunities and price dynamics. 2024 14th International Conference on System Engineering and Technology (ICSET), Indonesia, , (2024).
  19. Zarreh, M., Yaghoubi, S., Bahrami, H. Pricing of drinking water under dynamic supply and demand based on government role: a game-theoretic approach. Water Resour Manage. 38 (6), 2101-2133 (2024).
  20. Vasan, K., Janosov, M., Barabási, A. -L. Quantifying NFT-driven networks in crypto art. Sci Rep. 12 (1), 2769(2022).
  21. Game theory on the blockchain: a model for games with smart contracts. Hall-Andersen, M., Schwartzbach, N. I. SAGT 2021: 14th International Symposium on Algorithmic Game Theory, , (2021).
  22. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Optimized non-fungible tokens (NFT)-based auctions for digital art: a blockchain-enabled queueing model approach. Peer-to-Peer Netw Appl. 18, 297(2025).
  23. Sharma, A. K., Chaurasia, B. K. Blockchain-based NFT for evidence system. International Conference on Cryptology & Network Security with Machine Learning, , (2022).
  24. Afaq, Y., Manocha, A. Blockchain and deep learning integration for various applications: a review. J Comput Inf Syst. 64 (1), 92-105 (2024).
  25. Nwogugu, M. C. I. A game-theoretic modular framework for new consensus mechanisms in blockchains and AI. , (2025).
  26. Zerocash: decentralized anonymous payments from Bitcoin. Ben-Sasson, E., et al. 2014 IEEE Symposium on Security and Privacy, Berkeley, CA, USA, , (2014).
  27. Wang, J. A proof of contribution in blockchain using game theoretical deep learning model. arXiv. , (2024).
  28. Game theory in the gaming industry: the disruption of non-fungible tokens (NFTs) and blockchain technology. Teoh, B. AIP Conf Proc, 2608, (2023).
  29. Waheed, N., et al. Security and privacy in IoT using machine learning and blockchain: threats and countermeasures. ACM Comput Surv. 53 (6), 122(2020).
  30. Sufian, M. A. Developing Trading Strategies in Decentralized Market Prediction by Using AI, ML, and Blockchain Technology. Blockchain and AI. , CRC Press. Boca Raton. (2024).
  31. Nguyen, L. D., et al. A marketplace for trading AI models based on blockchain and incentives for IoT data. arXiv. , (2021).
  32. Xiong, W., Xiong, L. Smart contract-based data trading mode using blockchain and machine learning. IEEE Access. 7, 102331-102344 (2019).
  33. Rahman, M., et al. Peer-to-peer power energy trading in blockchain using efficient machine learning model. Sustainability. 15 (18), 13640(2023).
  34. Jamil, F., Iqbal, N., Ahmad, S., Kim, D. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid. IEEE Access. 9, 39193-39217 (2021).
  35. Luo, X., Mahdjoubi, L. Towards a blockchain and machine learning-based framework for decentralised energy management. Energy Build. 303, 113757(2024).
  36. Singh, K., Singha, N. Credit-based energy trading system using blockchain and machine learning. J Supercomput. 80 (11), 15386-15407 (2024).
  37. TokenFuse: a versatile NFT marketplace. Sree Kumar, C., et al. International Conference on Computational Science and Its Applications, Athens, Greece, , (2023).
  38. Van Haaften-Schick, L., Whitaker, A. From the artist’s contract to the blockchain ledger: new forms of artists’ funding using equity and resale royalties. J Cult Econ. 46 (2), 287-315 (2022).
  39. Kayikci, S., Khoshgoftaar, T. M. Blockchain meets machine learning: a survey. J Big Data. 11 (1), 9(2024).
  40. Li, C., Wang, H., Zhao, Y., Xi, Y., Xu, E., Wang, S. Enabling high-quality machine learning model trading on blockchain-based marketplace. Mathematics. 11 (12), 2636(2023).
  41. MetaDAG: bridging sustainable supply chains from BlockDAG to the metaverse through agent-based modeling. Fadili, M., Amar, A., Zine, R. Blockchain and Applications. 7th International Congress, , (2024).
  42. Krasheninnikova, E., García, J., Maestre, R., Fernández, F. Reinforcement learning for pricing strategy optimization in the insurance industry. Eng Appl Artif Intell. 80, 8-19 (2019).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine LearningCooperative Game TheoryNFT TradingZero Knowledge ProofsBlockchain ArtworkSmart ContractsPrice NegotiationReinforcement LearningRandom ForestK Means Clustering

Related Articles