Uma Estrutura de Jogos Cooperativos Aumentados por Aprendizado de Máquina para Blockchain e Trading de Arte Baseada em Tokens Não Fungíveis com Provas de Conhecimento Zero

Summary

Este estudo aprimora a negociação de ativos digitais baseados em NFTs em ambientes de cidades inteligentes ao integrar ML em um framework CoGTT. Implementado usando contratos inteligentes em uma blockchain pública e suportado por provas de conhecimento zero, o framework melhora a justiça, adaptabilidade e transparência, alcançando uma taxa de conclusão de 84% enquanto leva em conta os custos de execução inerentes a sistemas descentralizados.

Abstract

No contexto das cidades inteligentes, os Tokens Não Fungíveis (NFTs) estão transformando os mercados de arte digital ao viabilizar transações seguras e descentralizadas. À medida que o trading de NFTs cresce, incorporar inteligência e adaptabilidade torna-se crucial — tornando a integração com Aprendizado de Máquina (ML) essencial. No entanto, modelos existentes, especialmente os frameworks de Trading Cooperativo em Teoria de Jogos (CoGTT), subutilizam o ML em todas as fases de negociação. Lacunas importantes incluem adaptabilidade limitada em tempo real, estratégias de negociação subótimas e matchmaking comprador-vendedor inadequado. Esta pesquisa aborda essas lacunas integrando o ML a uma estrutura CoGTT em três fases — Naive Trading aumentado com ML, Negociação de Preço Min–Max e Negociação Baseada em Equilíbrio — para aprimorar a tomada de decisões e a precificação. A metodologia aplica algoritmos de ML como árvores de decisão, clustering e aprendizado por reforço (Q-learning) em um ambiente público de simulação baseado em blockchain, utilizando contratos inteligentes. A simulação utiliza um conjunto de dados personalizado que reflete tanto a dinâmica de mercado quanto a credibilidade dos artistas. O conjunto de dados é gerado sinteticamente para emular um mercado de NFTs mantendo condições experimentais controladas, o que pode limitar a aplicabilidade direta a mercados reais voláteis. Provas de conhecimento zero (ZKPs) são empregadas para preservar a privacidade. Os ZKPs são empregados para preservar a privacidade. Uma análise comparativa de modelos de ML para estimativa de preços de NFTs e licitação estratégica demonstra a eficácia da combinação de algoritmos preditivos com aprendizado por reforço. Os modelos de regressão linear e floresta aleatória estimam com precisão os preços dos NFTs, com a Floresta Aleatória alcançando maior precisão de predição em tempo real (R² = 0,9920). O agrupamento de K-Means segmenta efetivamente os participantes do mercado para apoiar negociações direcionadas, alcançando uma pontuação de silhueta de 0,8178. Integrar Q-learning com Random Forest possibilita estratégias dinâmicas de lances que minimizam a diferença entre os preços recomendados e os reais. O conjunto de ações discretas (diminuir, permanecer, aumentar) suporta ajustes interpretáveis e em tempo real de lance. Essas descobertas destacam o potencial de sistemas de negociação de NFTs baseados em ML para suportar mercados digitais escaláveis e compatíveis com privacidade em cidades inteligentes, alinhando o comportamento de negociação às demandas do mercado por meio de processos automatizados e orientados por dados.

Introduction

A convergência da tecnologia blockchain com os Tokens Não Fungíveis (NFTs) introduziu um modelo transformador de propriedade e negociação de ativos digitais, especialmente nas cidades inteligentes. Nesse ambiente, um Framework de Troca de Obras de Arte Digital permite que os artistas monetizem suas criações e oferece aos colecionadores propriedade verificável por meio de infraestrutura descentralizada. Isso está bem alinhado com objetivos de cidades inteligentes, como transparência, rastreabilidade e automação. Diversos fatores, como altas taxas de transação, interoperabilidade limitada e fiscalização inadequada dos direitos autorais, dificultam a adoção e a escalabilidade desses sistemas.

Um corpo crescente de pesquisas fundamentais explora essas questões sob múltiplos ângulos. Vujicic et ^al.1 e Kumar et ^al.2 fornecem visões técnicas sobre finanças descentralizadas e mecanismos contratuais, inovadores, que fundamentam a negociação de NFTs. Ante et ^al.3 e Guan et ^al.4 examinam os comportamentos econômicos e as experiências dos usuários dos marketplaces de NFTs, destacando a volatilidade e o comportamento estratégico entre os stakeholders. Aplicações além da arte digital — como gestão de resíduos⁵, negociação segura com IA⁶ e conformidade^{legal 7} — demonstram a versatilidade e a utilidade crescente das plataformas NFT em ecossistemas descentralizados.

Abordagens interdisciplinares também surgiram para aprimorar essas plataformas. A teoria dos jogos tem sido empregada para tratar estruturas de incentivos, disputas de propriedade e conformidade regulatória, como visto em trabalhos de Sun et ^al.8, Gao et ^al.9 e Shao et ^al.10. Esses estudos projetam modelos baseados em equilíbrio e orientados por penalidades para incentivar comportamentos justos e alocação eficiente de recursos. Simultaneamente, técnicas de aprendizado de máquina (ML) estão sendo introduzidas para melhorar a detecção de fraudes, a previsão de preços e a avaliação de conteúdo nos ecossistemas de^{NFTs 11,12}, oferecendo estratégias baseadas em dados para otimizar a eficiência de^{negociação 9,10}. Estudos recentes começaram a explorar a previsão de preços dos NFTs usando deep learning e recursos visuais. Seyhan e Sefer¹³ propuseram um modelo de aprendizado profundo para prever os preços de venda de NFTs primários e secundários, demonstrando maior precisão em relação aos modelos base. Da mesma forma, Pala e Sefer¹⁴ empregaram aprendizado de transferência em atributos NFTs baseados em imagem para prever características de vendas, destacando a importância das características visuais na determinação de preços. Esses trabalhos complementam nossa abordagem ao enfatizar modalidades alternativas de dados, enquanto nosso framework integra aprendizado de máquina com negociação baseada em teoria dos jogos para negociação dinâmica e adaptativa.

Literatura recente destaca o impacto crescente das tecnologias blockchain e NFT na proteção dos ecossistemas digitais e na reestruturação da dinâmica do mercado. A integração com blockchain aprimora a segurança dos ativos, a resistência a fraudes e a propriedade descentralizada em plataformas digitais, especialmente em economias de jogos e^virtuais. Simultaneamente, a criptoestética impulsionada por NFTs e os mercados de arte descentralizados revelam interações sociotécnicas complexas que remodelam o valor artístico, a propriedade e a produção cultural¹⁶, enquanto estudos empíricos indicam que a precificação dos NFTs é predominantemente governada pela escassez, reputação dos criadores e dinâmicas de^{mercado 18}. Análises quantitativas e baseadas em redes demonstram ainda que a otimização estratégica e as redes de interação estruturada influenciam significativamente os resultados econômicos, a estabilidade e os padrões de sucesso em mercados descentralizados e sistemas^{relacionados 19,20}.

Apesar desses avanços, os frameworks atuais de negociação de NFTs — especialmente aqueles baseados no Trading Cooperativo de Teoria de Jogos (CoGTT) — continuam limitados em adaptabilidade e capacidade de tomada de decisão. A Figura 1 mostra o diagrama arquitetônico do framework proposto de ML augmented cooperative game theoretic trading (CoGTT). Modelos existentes são predominantemente estáticos, frequentemente dependendo de estratégias heurísticas ou baseadas em regras que não levam em conta condições de mercado complexas e dinâmicas e o comportamento dos usuários. Isso resulta em negociações ineficientes, estratégias de precificação ruins e equidade limitada nas transações.

Esta pesquisa propõe uma Estrutura CoGTT Aprimorada por Aprendizado de Máquina para plataformas descentralizadas de negociação de ativos digitais, a fim de abordar essas limitações. Estruturado em três fases progressivas — Negociação Naiva aumentada com ML, Negociação de Preço Min-Max e Negociação Baseada em Equilíbrio — a estrutura utiliza técnicas de aprendizado supervisionado, não supervisionado e por reforço para melhorar a análise de mercado, negociação estratégica e descoberta de equilíbrio. Especificamente, modelos de classificação (por exemplo, Árvores de Decisão), algoritmos de agrupamento (por exemplo, K-Means) e métodos de aprendizado dinâmico (por exemplo, Q-learning) são usados para otimizar o matching de negociações, definição de preços e estratégia de negociação.

Essa arquitetura aumentada por ML é implantada sobre a plataforma blockchain habilitada por contratos inteligentes (aqui, a blockchain Ethereum), garantindo a execução descentralizada, transparente e autônoma das negociações. Para proteger os dados dos usuários e manter a confidencialidade, os ZKPs são integrados, permitindo a validação criptograficamente segura das transações sem revelar informações sensíveis. Insights baseados em ML influenciam diretamente a lógica de contratos inteligentes, incorporando preços previstos e limiares adaptativos que respondem à dinâmica de mercado em tempo real.

Em resumo, este estudo apresenta uma estrutura de negociação escalável, preservadora da privacidade e inteligente, implantada em uma blockchain pública, com uma tabela de cálculo de taxas de gás e custos de implantação na Tabela 1 , que melhora significativamente a eficiência (conforme refletido nas Tabelas 2 e Tabelas 3), confiabilidade e adaptabilidade dos sistemas de negociação de NFTs. Ao integrar de forma estreita o aprendizado de máquina com lógica teórica de jogos e infraestrutura blockchain, a solução proposta está alinhada com os objetivos das cidades inteligentes — oferecendo uma plataforma segura, justa e inclusiva para o usuário para a troca de ativos digitais.

Este estudo propõe uma estrutura híbrida que integra aprendizado de máquina com negociação cooperativa baseada em teoria dos jogos (CoGTT) para apoiar precificação, negociação e tomada de decisão nos mercados de arte digital baseados em NFTs. Modelos preditivos são combinados com contratos inteligentes para aprimorar a automação de processos, a justiça e a segurança em ambientes de negociação. Para atender aos requisitos de privacidade e conformidade, os ZKPs são empregados para igualação de preços, validação de propriedade e verificação de autenticidade. O framework adota uma estrutura trifásica composta por negociação ingênua assistida por aprendizado de máquina, negociação de preços min-max e negociação baseada em equilíbrio, fornecendo uma abordagem coordenada para operações escaláveis em mercados de NFTs.

A análise comparativa na Tabela 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32, 33,34,35,36,37,38 destaca a integração de blockchain, NFTs, aprendizado de máquina e modelos de teoria dos jogos em domínios descentralizados como mercados digitais, segurança de IoT e sistemas de energia. Estudos anteriores demonstram que combinar modelos avançados de aprendizagem e mecanismos de blockchain melhora a precisão de precificação, segurança, transparência e otimização de equilíbrio. Evidências empíricas e analíticas indicam melhorias na eficiência, mitigação de fraudes, redução de custos e alocação justa de incentivos por meio de estruturas híbridas de ML–blockchain.

Protocol

A estrutura para negociação de obras de arte NFT baseada em blockchain é estruturada como um protocolo em múltiplas camadas que integra contratos inteligentes, mecanismos de preservação da privacidade, modelagem baseada em teoria dos jogos, algoritmos de aprendizado de máquina, aprendizado por reforço e avaliação de custos de gases dentro de uma arquitetura unificada.

O processo começa com o desenvolvimento de contratos inteligentes que definem funções centrais, como registro de participantes, listagem de ativos, envio de pedidos e execução de transações. Esses contratos permitem a integração dos usuários, o registro de ativos e o manejo seguro dos pedidos. Para avaliar a correção e eficiência, a lógica contratual foi testada, e os custos de execução foram registrados sob diferentes configurações de velocidade de transação.

Os ZKPs são incorporados para validar a autenticidade da obra de arte sem divulgar detalhes sensíveis. Cada transação passa por verificação dupla por meio de verificações on-chain e validação ZKP, garantindo confidencialidade e integridade dos dados. O design modular ZKP funciona independentemente dos principais contratos inteligentes, permitindo integração e suporte à implantação em larga escala. A geração de provas e a latência de verificação foram avaliadas para analisar a viabilidade.

Uma interface baseada na web foi implementada usando um framework de uso geral. A interface inclui módulos como página de destino, painel de artista e plataforma de negociação. A autenticação baseada em carteira permite a assinatura de transações, enquanto as funcionalidades de upload e cunha permitem que artistas tokenizem obras digitais.

No nível de design de mercado, o modelo de Negociação Cooperativa de Teoria de Jogos (CoGTT) emprega um mecanismo estruturado de negociação em três fases. A primeira fase aplica a correspondência direta de preços com base em propostas e pedidos submetidos. Participantes não combinados avançam para a segunda fase, que utiliza estratégias negociadas de precificação min–max, incluindo métodos de avaliação no meio do caminho. Se nenhum acordo for alcançado, as negociações avançam para a terceira fase, onde os princípios de equilíbrio de Nash são aplicados, e negociações iterativas continuam até que os preços convergentes de equilíbrio sejam alcançados. Essas fases são implementadas como algoritmos modulares: correspondência ingênua (Algoritmo 1), intermediária (Algoritmo 2), negociação de equilíbrio de Nash (Algoritmo 3) e um fluxo de trabalho integrado (Algoritmo 4).

Modelos de aprendizado de máquina são integrados ao processo de negociação para suporte à decisão. Características de mercado como bids, asks, volume de negociação, dados históricos de preços e pontuações de reputação são usadas para modelagem preditiva. Regressão Linear (Algoritmo 5) estima preços justos, com desempenho avaliado usando o erro quadrático médio (MSE). Clustering K-Means (Algoritmo 6), suportado pela normalização de características e redução de dimensionalidade baseada em PCA, segmenta os usuários em clusters, avaliados pela pontuação de silhueta. Random Forest (Algoritmo 7) fornece previsões adicionais de preço, validadas tanto pelo MSE quanto pelo^{R 2}. Um algoritmo integrativo (Algoritmo 8) combina regressão, agrupamento e saídas de Random Forest em um fluxo dinâmico de decisão para negociação adaptativa.

O aprendizado por reforço por meio do Q-learning é aplicado para otimizar estratégias de lance. O espaço de estados é definido pelos níveis atuais de preços e valores de licitação, enquanto as ações incluem incremento, decremento ou retenção. Um Q-agent é treinado usando feedback de previsões de Random Forest, aprendendo políticas que reduzem o erro de precificação e aumentam a utilidade dos participantes. Simulações são conduzidas até a convergência para políticas alinhadas ao equilíbrio, e os resultados são validados em ambientes de negociação simulados.

O consumo de gás para cada função contratual é registrado sistematicamente, com custos de transação calculados sob configurações de velocidade variadas. Por exemplo, a função registerArtist() consumiu 90.123 unidades a gás, com custos correspondentes comparados aos preços do ETH de mercado. Essas avaliações identificam trade-offs entre custo e eficiência de execução.

O desempenho do framework foi avaliado usando múltiplas métricas. A regressão linear alcançou um MSE de 4,54 × 10⁻²⁸, enquanto o agrupamento K-Means produziu um escore de silhueta de 0,8178. Random Forest apresentou um MSE de 0,1311 com um R² de 0,9920. Os resultados do Q-learning foram avaliados para convergência e alinhamento de equilíbrio sob diferentes condições de preço. Esses resultados indicam a viabilidade da abordagem proposta para apoiar a negociação de obras de arte NFT sob condições de mercado baseadas em blockchain.

Proposta de framework cooperativo de negociação teórica de jogos (CoGTT) para comércio digital de arte

A abordagem híbrida inovadora de trading cooperativo de jogos (CoGTT) combina uma abordagem de negociação de NFTs baseada em teoria dos jogos com mecanismos adicionais de precificação e equilíbrio de Nash para melhorar a eficiência e a coordenação dos mercados de NFTs. A abordagem proposta é construída sobre uma plataforma blockchain habilitada por contratos inteligentes. A abordagem utiliza técnicas criptográficas avançadas e ZKPs para garantir verificação segura e privada das transações. Os ZKPs permitem a validação de propriedade e detalhes da transação sem divulgar informações sensíveis sobre compradores ou vendedores.

Essa abordagem proposta introduz interações estratégicas entre criadores, compradores e corretores intermediários dentro de um mercado descentralizado. Esse modelo visa otimizar os resultados das negociações, equilibrando incentivos para todos os participantes enquanto considera a dinâmica da competição e da cooperação. Embora o framework proposto foque principalmente em correspondência ingênua de lance-vende, negociação baseada em ponto médio e acordo baseado em equilíbrio de Nash, outros métodos, como leilões de segundo preço, existem e continuam sendo relevantes nos mercados de NFTs. No comércio de arte digital, o leiloeiro determina o preço da transação usando as seguintes abordagens:

Preço de lance ao consumidor: O preço é definido diretamente com base no lance mais alto do comprador. Esse método reflete o valor máximo que o comprador pagará pela obra, promovendo licitações competitivas.

Método do preço médio: O preço é calculado como o ponto intermediário entre o preço oferecido pelo comprador e o preço pedido pelo vendedor, criando um equilíbrio. Este cálculo de preços de equilíbrio:

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

Essa abordagem visa equilibrar os interesses tanto do comprador quanto do vendedor, levando a uma transação justa e mutuamente aceitável. Esses métodos oferecem flexibilidade nas estratégias de precificação, atendendo a preferências diversas e dinâmicas de mercado no ecossistema de negociação de obras digitais.

Modelo cooperativo de negociação baseado em teoria dos jogos em 3 fases

Esta seção apresenta uma abordagem inovadora de comércio cooperativo baseado em teoria dos jogos em 3 fases, especificamente projetada para arte digital. A abordagem ajusta dinamicamente tanto os preços de licitação quanto os de pedido para otimizar a eficiência e a justiça na negociação, conforme mostrado nas Tabelas 2 e 3, facilitadas por um corretor. O objetivo é melhorar a justiça, a eficiência e a lucratividade nos mercados descentralizados de NFTs, buscando um equilíbrio entre os interesses dos criadores e dos compradores de obras de arte. A Figura 2 ilustra o modelo proposto de sistema de negociação em 3 fases para arte digital, com o algoritmo detalhado fornecido no Algoritmo 4. O framework proposto CoGTT completa eficientemente o processo de negociação digital de arte em três fases: a) Negociação Ingênua baseada em preços de pedido e licitação, b) Negociação baseada no Preço Min-Max Negociado, e c) Negociação usando o método de Equilíbrio de Nash. Na primeira fase, o comércio ingênuo é iniciado com base nas informações iniciais de criadores e compradores. A segunda fase envolve negociar com base nos preços mínimos e máximos negociados entre vendedores e compradores para os demais pedidos não negociados. Por fim, a terceira fase utiliza o método de Equilíbrio de Nash para finalizar o processo de negociação.

Primeira fase - Negociação ingênua com preço de pedido e lance:

Na primeira fase, os criadores de obras digitais (fornecedores) são organizados em ordem crescente com base nos preços pedidos, juntamente com seus preços mínimos de venda. Da mesma forma, compradores (consumidores) são organizados em ordem crescente de acordo com os preços de lances submetidos por eles, juntamente com seus preços máximos de lance. O preço mínimo pedido pelos criadores e o preço máximo de lance dos compradores são mantidos em sigilo. Uma abordagem cooperativa é então empregada para combinar compradores e criadores, facilitando a alocação de obras de arte onde os preços de lances dos compradores coincidem com os preços pedidos pelos criadores. Essa alocação pode envolver um único criador ou vários criadores, desde que os preços pedidos combinados estejam dentro do lance do comprador. Compradores que não conseguirem adquirir obras de arte nesta fase devido a restrições de preços avançarão para a segunda fase. Os detalhes da abordagem de negociação estão descritos no Algoritmo 1.

Segunda fase - Negociação com preço mínimo-máximo negociado

Na segunda fase, os pedidos de compradores incomparáveis são atendidos para concluir o processo de negociação, utilizando os preços mínimos pedidos pelos criadores de arte digital e os preços máximos de lance dos compradores. A abordagem de negociação emprega vários métodos, incluindo Valor Médio, Valor Intermediário Intradia e Equilíbrio de Mercado, para determinar um valor médio que aumente a eficiência da negociação. Os detalhes dessas abordagens de ponto médio são discutidos nas seguintes subseções. Os detalhes da abordagem de negociação são fornecidos no Algoritmo 2.

Valor médio: Uma abordagem de intermediação incorporada para encontrar o valor médio entre criadores e compradores com uma abordagem simples de valor médio. Por exemplo, se o preço de lance de uma arte digital for 50 e o preço pedido for 52, então o valor médio pode ser encontrado fazendo a média dos preços de lance e venda.

Valor do ponto médio intradiário: A abordagem de corretagem incorporada marca o preço mínimo de negociação do mesmo tipo de artes, também o preço máximo do mesmo tipo de artes, e utiliza a seguinte fórmula para calcular o valor médio: (Máximo Atual do Dia + Mínimo Atual do Dia)/2. Esse valor médio é definido como o preço da transação de negociação se o valor médio for maior que o preço mínimo pedido pelo criador da arte e menor que o preço máximo de lance do comprador.

Equilíbrio de mercado: O preço médio é um indicador importante do equilíbrio de mercado. Ele reflete o preço pelo qual o criador da arte (preço pedido) e o comprador (preço de lance) por um ativo se alinham. Esse valor é calculado fazendo a média do maior preço de lance e do menor preço pedido, fornecendo aos traders uma representação justa do valor de mercado atual, sem ser afetado por preços extremos de compra ou venda. A fórmula é apresentada nas seguintes 3 equações.

 

Terceira fase - Negociação no método de equilíbrio de Nash

No terceiro passo, as informações estendidas dos pedidos não negociados restantes, como o preço mínimo pedido do criador e o preço máximo de lance do comprador, são reveladas para ambos os lados, para que eles se estabelecessem em um ponto de equilíbrio onde o preço de oferta do comprador é o mais alto que ele está disposto a aceitar e o preço de venda do criador é o mais baixo que ele está disposto a aceitar. Os detalhes da abordagem de negociação são apresentados no Algoritmo 3.

Na primeira e segunda fases do quadro, a confidencialidade e o alinhamento de incentivos são empregados para desencorajar o relatório estratégico incorreto dos preços. A disposição máxima dos compradores para pagar e os preços mínimos aceitáveis dos criadores são mantidos como valores confidenciais durante a alocação, limitando as oportunidades de manipulação por subdeclaração ou exagero. Como decisões de correspondência dependem de intervalos (pedido mínimo e licitação máxima) em vez de divulgações explícitas, tentativas de reportar preços incorretamente aumentam a probabilidade de exclusão das alocações da Fase 1 ou Fase 2, reduzindo assim as oportunidades de negociação. Além disso, o protocolo avança para uma terceira fase baseada no Equilíbrio de Nash quando as negociações anteriores não são bem-sucedidas. Nesta etapa, ajustes iterativos levam à convergência em resultados que refletem com mais precisão as verdadeiras avaliações dos participantes. Essa progressão desencoraja reportagens erradas nas fases iniciais, já que tentativas fracassadas de manipulação apenas adiam a execução e, em última análise, exigem uma revelação verdadeira das avaliações para a conclusão bem-sucedida da operação.

Os resultados dos algoritmos de aprendizado de máquina (ML) não são tratados como previsões isoladas, mas estão ativamente incorporados ao framework de negociação cooperativa de jogos trifásica (CoGTT) para orientar precificação, negociação e descoberta de equilíbrios. As conexões agora são descritas da seguinte forma:

Fase 1 - Negociação naive com regressão linear: O modelo de regressão linear gera um benchmark de preço justo ao fazer a média das características de compra e venda com base em tendências históricas. Esse preço justo previsto é então comparado tanto com o lance apresentado pelo comprador quanto com o preço pedido pelo criador. Se qualquer uma das partes reportar um valor que difere significativamente do preço justo previsto, a alocação é despriorizada, reduzindo o incentivo para reportar erros. Assim, a saída de regressão atua como um mecanismo de filtragem que determina quais operações são consideradas viáveis para alocação direta.

Fase 2 - Negociação min-max com random forest: O modelo random forest refina a estimativa dinâmica de preços incorporando spreads de compra e venda, volume de negociação e pontuações de reputação. Essas previsões são usadas diretamente para calibrar métodos de negociação baseados em ponto médio (Valor Médio, Ponto Intermediário Intradia, Equilíbrio de Mercado). Por exemplo, quando um preço de ponto médio é calculado, a previsão da floresta aleatória é aplicada como um fator corretivo para garantir que o valor negociado seja consistente com o comportamento do mercado. Essa integração garante que os resultados da intermediação estejam ancorados em padrões de mercado aprendidos, e não em pontos intermediários aritméticos arbitrários.

Fase 3 - Negociação baseada em equilíbrio com clustering K-means: Nesta etapa, os participantes comprador e vendedor são primeiro segmentados em clusters baseados em características comportamentais (agressividade de oferta/venda, reputação, atividade histórica). Essa segmentação garante que as negociações rumo ao equilíbrio ocorram entre participantes comparáveis, o que reduz a volatilidade e melhora a justiça. As atribuições de clusters servem assim como restrições em nível de grupo sobre cujos preços podem ser considerados na descoberta de equilíbrio.

Integração com aprendizado por reforço (Q-learning): O Q-learning se baseia nas previsões de floresta aleatória para otimizar estratégias dinâmicas de lance. Cada vez que o agente ajusta um lance (diminuir, reter ou aumentar), o sinal de recompensa é calculado em relação ao preço justo previsto pela Floresta Aleatória. Ao longo de vários episódios, o Q-agent aprende políticas que minimizam o erro de precificação e maximizam a utilidade, e essas políticas são implementadas diretamente na Fase 3 de negociação de equilíbrio. Na prática, isso significa que os ajustes de lance dos compradores durante a descoberta do equilíbrio são informados por estratégias otimizadas e validadas durante simulações de treinamento.

Juntos, esses mecanismos demonstram que as saídas do ML servem como motores de suporte à decisão fortemente acoplados às fases de CoGTT. A regressão linear impõe alocações iniciais realistas, a Random Forest fundamenta as negociações no comportamento empírico do mercado, agrupamento estrutura o processo de equilíbrio, e o Aprendizado por Reforço impulsiona o refinamento da estratégia adaptativa. Ao vincular explicitamente previsões algorítmicas a pontos de decisão operacional, o framework garante que a negociação não seja apenas automatizada, mas também informada por inteligência adaptativa ao mercado.

Conjuntos de dados, características e framework de reprodutibilidade

Definição e motivação do conjunto de dados

Ambientes de negociação de NFTs e ativos digitais são caracterizados por múltiplos atributos de mercado e participantes, incluindo preço de compra do comprador, preço de venda do vendedor, preço histórico de transação, volume de transações e reputação dos participantes. Como nenhum conjunto de dados NFT disponível publicamente fornece simultaneamente todos esses atributos, este estudo utiliza conjuntos de dados gerados sinteticamente para permitir validação controlada de protocolos, preservando um comportamento realista de mercado. O tamanho dos conjuntos de dados varia de 100 a 1000 transações, dependendo do cenário experimental e dos requisitos do modelo.

Cada registro de conjunto de dados consiste nos seguintes campos: Bid, Demand, Preço Histórico, Volume, Reputation e Fair Price, onde o preço justo é definido como a média aritmética dos valores de compra e venda.

Processo de geração de dados sintéticos:

Os lances dos compradores são amostrados de distribuições uniformes limitadas, usando intervalos como [90, 110] para experimentos em pequena escala e [100, 1000] para simulações em grande escala. Os preços de venda pelo vendedor são gerados adicionando um offset estocástico positivo às ofertas correspondentes, modelando spreads de compra e venda realistas. Os preços históricos são extraídos de distribuições normais centradas nos valores das compras, com ruído aditivo para simular a volatilidade do mercado. Os volumes de transações são gerados como valores inteiros dentro de intervalos predefinidos (por exemplo, [1, 10] ou [100, 1000]), enquanto as pontuações de reputação dos participantes são amostradas a partir de distribuições uniformes, seja em [0, 1] (pontuações de confiança normalizadas) ou [0, 5] (representação por estrelas). Todos os experimentos utilizam sementes aleatórias fixas (numpy.random.seed(42)) para garantir uma reconstrução determinística e repetível do conjunto de dados.

Esquema de dados, armazenamento e acesso

Todos os conjuntos de dados são armazenados em formato CSV com um esquema fixo de seis colunas: (bid, ask, historical_price, volume, reputação, fair_price). Cada arquivo CSV normalmente contém aproximadamente 1.000 registros, a menos que especificado de outra forma. Para reprodutibilidade descentralizada, os arquivos de conjunto de dados são enviados para o IPFS, e os identificadores de conteúdo correspondentes (CIDs) são registrados junto com endereços de smart contract nos arquivos de configuração. Esse design permite a recuperação independente de conjuntos de dados idênticos sem depender de armazenamento centralizado.

Preparação e divisão de conjuntos de dados

Os conjuntos de dados são divididos em subconjuntos de treinamento e teste usando uma divisão 80/20 train–test implementada via train_test_split com random_state=42. A validação cruzada de cinco vezes é aplicada durante o ajuste de hiperparâmetros em Random Forest, enquanto o escalonamento de características usando StandardScaler() é aplicado quando necessário, especialmente para clustering e fluxos de trabalho baseados em PCA.

Modelos de aprendizado de máquina e parametrização

Todos os modelos de aprendizado de máquina são implementados usando bibliotecas estabelecidas com configurações fixas para garantir a reprodutibilidade. Um resumo completo dos parâmetros e valores é fornecido na tabela anexa. A Regressão Linear (LR) utiliza um estimador de mínimos quadrados com preço de compra, venda, preço histórico, volume e reputação como insumos e preço justo como variável-alvo. O desempenho é avaliado usando o Erro Quadrático Médio (MSE). O Clustering K-Means é aplicado a subconjuntos de características escaladas, opcionalmente reduzidos usando Análise de Componentes Principais (PCA), com dois componentes capturando mais de 90% de variância. O número de agrupamentos é selecionado na faixa de 2–3 usando critérios de cotovelo e silhueta. A Regressão de Floresta Aleatória (RF) é usada para estimativa de preços não linear com 100–200 árvores, parâmetros de profundidade e divisão ajustados por meio de validação cruzada de cinco vezes. O desempenho do modelo é avaliado usando MSE e^R2. O Q-Learning é implementado como uma abordagem de aprendizado por reforço tabular com 31 estados de preço discretizados, três ações de ajuste de licitação e parâmetros fixos de aprendizado (α = 0,1, γ = 0,9, ε = 0,1). A convergência é avaliada por meio da estabilização das recompensas episódicas. Computacionalmente, a Regressão Linear e as K-Medias são concluídas em segundos para conjuntos de dados de até 10^{a 3} amostras, o treinamento em Floresta Aleatória requer segundos a minutos dependendo da escala, e o Q-learning converge eficientemente devido ao seu espaço de estados de baixa dimensão.

Execução do blockchain, privacidade e registro de custos

Implantação e execução de contratos inteligentes

Contratos inteligentes que codificam a lógica de negociação são escritos em Solidity (pragma ^0.8.20) com otimização do compilador ativada (200 execuções) e implantados na rede de testes Sepolia usando frameworks de desenvolvimento padronizados. A assinatura de transações baseada em carteira é realizada por meio de uma carteira baseada em navegador conectada por um endpoint RPC. O uso de gás para a implantação de contratos e funções transacionais é registrado automaticamente, e os custos de execução são calculados usando taxas de conversão ETH/USD contemporâneas.

Integração de provas de conhecimento zero

A verificação que preserva a privacidade é implementada por meio de um pipeline ZK-SNARK, incluindo compilação de circuitos, configuração confiável, geração de provas e verificação on-chain. As provas são geradas fora da cadeia e verificadas on-chain usando um contrato verificador dedicado implantado junto com o contrato principal de negociação, permitindo validação da propriedade e correção das transações sem revelar dados sensíveis dos participantes.

Ambiente de software e fluxo de trabalho de execução

Todos os experimentos são realizados em um sistema Linux de 64 bits com configuração de hardware fixa. Fluxos de trabalho de aprendizado de máquina são executados em um ambiente Python, enquanto o desenvolvimento em blockchain e a interação front-end dependem de uma pilha baseada em JavaScript com versões fixas do framework. Aplicações front-end são construídas e servidas usando um gerenciador de pacotes, contratos inteligentes são compilados e implantados usando frameworks de desenvolvimento padronizados, e a verificação ZKP é integrada ao fluxo de execução das transações.

Versões exatas de software, flags do compilador, configurações de carteira, políticas de pinning IPFS, comandos de execução e exemplos de CIDs são documentados no arquivo de reprodutibilidade para facilitar a replicação independente.

Resultados operacionais e taxas de conclusão

A robustez do protocolo implantado se reflete em suas estatísticas de execução. As funções centrais de contratos inteligentes alcançam altas taxas de conclusão, com uma taxa geral de sucesso de 84% em todas as operações transacionais. Contagens detalhadas de execução em nível de função e taxas de conclusão são relatadas na tabela de resultados correspondente.

Algoritmos

Esta seção apresenta uma estrutura de negociação de artes digitais em três fases baseadas em teoria de jogos cooperativos, onde um corretor é utilizado para coletar as unidades de arte disponíveis e seus preços pedidos dos criadores, além das unidades e preços de lance necessários dos usuários. Com base na abordagem proposta, o corretor então facilita transações entre criadores e usuários. O processo de negociação se desenrola em três fases distintas: na primeira fase, um algoritmo de negociação ingênuo é aplicado aos preços de pedido e de licitação, conforme descrito no Algoritmo 1. A segunda fase introduz um algoritmo de negociação de preço mínimo-máximo baseado em negociação, apresentado no Algoritmo 2. Por fim, a terceira fase utiliza um algoritmo de negociação baseado em Equilíbrio de Nash, detalhado no Algoritmo 3, e o Algoritmo 4 integra os três algoritmos na abordagem abrangente de negociação digital de arte digital em teoria cooperativa de jogos em três fases. O algoritmo 5 mostra a regressão linear para previsão justa de preços. O algoritmo 6 mostra o agrupamento K-Means para agrupamento comprador/vendedor. O algoritmo 7 mostra uma floresta aleatória para previsão de preços em negociação em tempo real. O Algoritmo 8 mostra o Fluxo do Algoritmo de Negociação de NFTs Baseado em Aprendizado de Máquina. Os algoritmos 5–8 fazem parte do algoritmo 8.

O framework proposto implementa um mecanismo de Negociação Teórica de Jogos Cooperativos (CoGTT) em três fases para lidar sistematicamente com transações de arte digital baseadas em NFTs. Na primeira fase, a negociação ingênua é realizada usando correspondência direta de compra e venda, conforme formalizado no Algoritmo 1. Os compradores são ordenados por preços de lances decrescentes e os vendedores por preços pedidos ascendentes, permitindo a alocação sequencial das obras dentro das restrições orçamentárias do comprador. Compradores que não conseguem concluir uma operação nesta etapa são encaminhados para a segunda fase, onde o preço min-max negociado é aplicado usando o Algoritmo 2. Essa etapa calcula um preço intermediário entre o preço mínimo pedido pelo vendedor e o preço máximo de lance do comprador, que é ainda ajustado usando demanda do mercado e indicadores de negociação em tempo real. Uma negociação é executada somente se o preço negociado permanecer dentro da faixa permitida de compra e venda. Para transações que ainda permanecem não resolvidas, o arcabouço avança para a terceira fase, onde o comércio baseado em equilíbrio de Nash é aplicado usando o Algoritmo 3. Aqui, ajustes iterativos de preço baseados nas utilidades participantes convergem para um preço de equilíbrio estável, garantindo liquidação racional. Essas três etapas são orquestradas dentro de um fluxo de trabalho unificado de decisão definido no Algoritmo 4, que integra correspondência direta, corretagem e resolução de equilíbrio em um único pipeline de negociação.

Para aumentar a precisão dos preços, adaptabilidade e tomada de decisões estratégicas, o framework CoGTT é ampliado com múltiplos modelos de aprendizado de máquina. O Algoritmo 5 aplica a Regressão Linear para estimar um preço justo de base usando características observáveis do mercado, servindo como um mecanismo de filtragem interpretável durante a avaliação inicial da negociação. Para negociação em tempo real, o Algoritmo 7 utiliza um regressor de Floresta Aleatória para capturar padrões de precificação não lineares influenciados por spreads de compra e venda, preços históricos, volume e reputação dos participantes. O comportamento dos participantes é ainda mais estruturado usando o Algoritmo 6, que aplica clustering K-Means com redução de dimensionalidade baseada em PCA a compradores e vendedores em grupos em clusters comportamentalmente semelhantes, melhorando a estabilidade durante negociações de equilíbrio. Esses modelos são integrados a um fluxo de trabalho unificado de negociação orientado por ML descrito no Algoritmo 8, onde a Regressão Linear suporta filtragem da Fase 1, a Random Forest refina os preços da negociação da Fase 2, o agrupamento informa o agrupamento dos participantes da Fase 3, e o aprendizado por reforço otimiza os ajustes de licitação em direção ao equilíbrio de Nash. Juntos, esses algoritmos garantem que o framework proposto seja não apenas fundamentado teoricamente, mas também adaptativo, orientado por dados e adequado para ambientes dinâmicos de marketplace de NFTs. Todos os algoritmos estão listados no Arquivo Suplementar 1.

Results

A abordagem proposta baseada em blockchain para negociação de arte digital utiliza ZKPs. Cada método de negociação é encapsulado em um contrato inteligente, com funcionalidades essenciais — como registro de criadores de arte, registro de usuários e mecanismos de negociação — definidas como funções dedicadas ao contrato. Os parâmetros ambientais da plataforma blockchain usados nas simulações estão descritos na Tabela 1.

Para manter a consistênc...

Discussion

Esta pesquisa propõe uma estrutura de negociação cooperativa de jogos (CoGTT) aumentada por aprendizado de máquina para mercados de arte digital baseados em NFTs, com o objetivo de melhorar a precisão dos preços, a negociação estratégica e a eficiência da tomada de decisões. A abordagem integra modelos supervisionados, não supervisionados e de aprendizado por reforço — como Árvores de Decisão, K-Means e Q-learning — em uma plataforma blockchain habilitada por contratos inteligentes para ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (Framework de Desenvolvimento de Blockchain)	Casco	v2.19.1	https://hardhat.org
MetaMask (Extensão de Carteira)	MetaMask	v11.10.0	https://metamask.io
Next.js	Next.js	v14.1.0	https://nextjs.org
Node.js	Node.js	v20.11.1	https://nodejs.org
NVIDIA RTX 3060	NVIDIA	https://www.nvidia.com/	Intel Core i7-12700H
Piñata	Pinata.cloud	v2.1.0	https://www.pinata.cloud
Política de fixação	Pinata.cloud	—	https://docs.pinata.cloud
React	React	v18.2.0	https://react.dev
Remix	Remix	v0.31.0	https://remix.ethereum.org
Solidity (Linguagem de Compilador)	Solidity	v0.8.20	https://soliditylang.org
Ubuntu	Ubuntu	22.04 LTS	https://ubuntu.com