Дополненная кооперативная игровая рамка с использованием машинного обучения для блокчейна и невзаимозаменяемой торговли на токенах с доказательствами нулевого разглашения

Summary

Это исследование улучшает торговлю цифровыми активами на основе NFT в умных городах, интегрируя машинное обучение в фреймворк CoGTT. Реализованная с помощью смарт-контрактов на публичном блокчейне и поддерживаемая доказательствами с нулевым разглашением, фреймворк повышает справедливость, адаптивность и прозрачность, достигая 84% завершения сделки с учётом затрат на выполнение, присущих децентрализованным системам.

Abstract

В контексте умных городов невзаимозаменяемые токены (NFT) трансформируют рынки цифрового искусства, обеспечивая безопасные и децентрализованные транзакции. По мере роста торговли NFT интеграция интеллекта и адаптивности становится крайне важной — что делает интеграцию машинного обучения (ML) необходимой. Однако существующие модели, особенно фреймворки Cooperative Game Theoretic Trading (CoGTT), недостаточно используют машинное обучение на всех этапах торговли. Ключевые пробелы включают ограниченную адаптивность в реальном времени, неоптимальные стратегии ведения переговоров и недостаточную подборку покупателя и продавца. Это исследование устраняет эти пробелы путём интеграции машинного обучения в трёхфазную структуру CoGTT — ML-дополненную наивную торговлю, переговоры по минимальной и максимальной цене и торговлю на основе равновесия — для улучшения принятия решений и ценообразования. Методология применяет алгоритмы машинного обучения, такие как деревья принятия решений, кластеризация и обучение с подкреплением (Q-обучение), в публичной среде моделирования на базе блокчейна с использованием смарт-контрактов. Симуляция использует индивидуальный набор данных, отражающий как рыночную динамику, так и авторитет художников. Набор данных генерируется синтетически для имитации NFT-маркетплейса при сохранении контролируемых экспериментальных условий, что может ограничить прямое применение на волатильных реальных рынках. Доказательства с нулевым уровнем раскрытия (ZKP) используются для сохранения конфиденциальности. ZKP используются для сохранения конфиденциальности. Сравнительный анализ моделей машинного обучения для оценки цены NFT и стратегических ставок демонстрирует эффективность сочетания предиктивных алгоритмов с подкреплением обучения. Модели линейной регрессии и случайного леса обе точно оценивают цены на NFT, при этом Random Forest достигает более высокой точности прогнозирования в реальном времени (R² = 0,9920). Кластеризация K-Means эффективно сегментирует участников рынка для поддержки целевых переговоров, достигая силуэтного рейтинга 0,8178. Интеграция Q-обучения с Random Forest позволяет разрабатывать динамические стратегии торг, минимизирующие разрыв между рекомендуемыми и реальными ценами. Дискретный набор действий (уменьшение, сохранение, увеличение) поддерживает интерпретируемые корректировки ставок в реальном времени. Эти результаты подчёркивают потенциал систем торговли NFT на основе машинного обучения поддерживать масштабируемые, соответствующие требованиям конфиденциальности цифровые маркетплейсы в умных городах, согласовывая торговое поведение с требованиями рынка через автоматизированные процессы, основанные на данных.

Introduction

Слияние технологии блокчейн и невзаимозаменяемых токенов (NFT) ввело трансформационную модель владения и торговли цифровыми активами, особенно в умных городах. В этой среде Digital Artwork Trading Framework позволяет художникам монетизировать свои творения и предлагает коллекционерам проверяемое право собственности через децентрализованную инфраструктуру. Это хорошо соответствует целям умных городов, таким как прозрачность, отслеживаемость и автоматизация. Ряд факторов, таких как высокие комиссии за транзакции, ограниченная совместимость и недостаточное соблюдение авторских прав, препятствуют внедрению и масштабируемости этих систем.

Растущее количество фундаментальных исследований исследует эти вопросы с разных точек зрения. Вуйчич и ^др.1 , Кумар и ^др.2 предоставляют технические обзоры децентрализованных финансов и инновационных контрактных механизмов, лежащих в основе торговли NFT. Анте и ^др.3 и Гуань и ^др.4 исследуют экономическое поведение и пользовательский опыт NFT-маркетплейс, выделяя волатильность и стратегическое поведение среди заинтересованных сторон. Приложения, выходящие за рамки цифрового искусства — такие как управление^{отходами 5}, безопасная торговля^{ИИ 6} и соблюдение законодательства⁷ — демонстрируют универсальность и расширяющуюся полезность платформ NFT в децентрализованных экосистемах.

Также появились междисциплинарные подходы для улучшения этих платформ. Теория игр применялась для решения вопросов стимулов, споров о собственности и соблюдения нормативных требований, как видно в работах Сан и ^др.8, Гао и ^др.9, Шао и ^др.10. Эти исследования разрабатывают модели, основанные на равновесии и наказания, чтобы стимулировать справедливое поведение и эффективное распределение ресурсов. Одновременно внедряются методы машинного обучения (ML) для улучшения обнаружения мошенничества, прогнозирования цен и оценки контента в экосистемах^{NFT 11,12}, предлагая стратегии на основе данных для оптимизации эффективности^{торговли 9,10}. Недавние исследования начали изучать прогнозирование цены NFT с использованием глубокого обучения и визуальных функций. Сейхан и^{Сефер 13} предложили модель глубокого обучения для прогнозирования цен продажи как первичных, так и вторичных NFT, демонстрируя повышенную точность по сравнению с базовыми моделями. Аналогично, Пала и^{Сефер 14} использовали трансферное обучение на атрибутах NFT на основе изображений для прогнозирования характеристик продаж, подчёркивая важность визуальных особенностей при определении цены. Эти работы дополняют наш подход, акцентируя внимание на альтернативных модальностях данных, тогда как наша структура интегрирует машинное обучение с переговорами по теории игр для динамической и адаптивной торговли.

Недавняя литература подчёркивает растущее влияние блокчейн- и NFT-технологий на защиту цифровых экосистем и реструктуризацию динамики рынка. Интеграция блокчейна повышает безопасность активов, устойчивость к мошенничеству и децентрализованное владение на цифровых платформах, особенно в игровой и виртуальной^{экономике 15}. Одновременно криптоэстетика, основанная на NFT, и децентрализованные арт-рынки выявляют сложные социотехнические взаимодействия, которые меняют художественную ценность, собственность и культурное производство¹⁶, в то время как эмпирические исследования показывают, что ценообразование NFT в основном определяется дефицитом, репутацией создателей и динамикой рынка¹⁸. Количественный и сетевой анализ дополнительно демонстрирует, что стратегическая оптимизация и структурированные сети взаимодействия существенно влияют на экономические результаты, стабильность и модели успеха на децентрализованных рынках и связанных с ними^{системах 19,20}.

Несмотря на эти достижения, существующие фреймворки для торговли NFT — особенно основанные на Cooperative Game Theoretic Trading (CoGTT) — остаются ограниченными в возможности адаптации и принятия решений. На рисунке 1 показана архитектурная схема предлагаемой рамки расширенной кооперативной торговли в ML (CoGTT). Существующие модели преимущественно статичны, часто опираясь на эвристические или основанные на правилах стратегии, которые не учитывают сложные, динамические рыночные условия и поведение пользователей. Это приводит к неэффективным сделкам, плохим ценовым стратегиям и ограниченной справедливости сделок.

В данном исследовании предлагается разработка Machine Learning–Augmented CoGTT Framework для децентрализованных платформ для торговли цифровыми активами, чтобы решить эти ограничения. Структура структурирована в три прогрессивных этапа — наивная торговля с машинным обучением, переговоры по ценам Min-Max и торговля на основе равновесия — структура использует методы обучения под контролем, без надзора и подкрепление для улучшения анализа рынка, стратегических переговоров и равновесного открытия. В частности, модели классификации (например, деревья принятия решений), алгоритмы кластеризации (например, K-Means) и динамические методы обучения (например, Q-обучение) используются для оптимизации стратегии сопоставления сделок, установления цен и переговоров.

Эта архитектура, дополненная машинным обучением, внедрена на блокчейн-платформе с поддержкой смарт-контрактов (здесь — блокчейн Ethereum), обеспечивая децентрализованное, прозрачное и автономное выполнение сделок. Для защиты пользовательских данных и сохранения конфиденциальности интегрированы ZKP, обеспечивающие криптографически безопасную проверку транзакций без раскрытия конфиденциальной информации. Инсайты, основанные на машинном обучении, напрямую влияют на логику смарт-контрактов, встраивая прогнозируемые цены и адаптивные пороги, реагирующие на рыночную динамику в реальном времени.

В итоге, это исследование представляет масштабируемую, сохраняющую конфиденциальность и интеллектуальную торговую структуру, развернутую на публичном блокчейне с таблицей расчета комиссии за газ и затрат на развертывание в таблице 1 , что значительно повышает эффективность (как отражено в таблице 2 и 3), надёжность и адаптивность систем торговли NFT. Тесно интегрируя машинное обучение с логикой игровой теории и блокчейн-инфраструктурой, предлагаемое решение соответствует целям умных городов — обеспечивая безопасную, справедливую и инклюзивную для пользователей платформу для обмена цифровыми активами.

В данном исследовании предлагается гибридная структура, интегрирующая машинное обучение с кооперативной торговлей на основе теории игр (CoGTT) для поддержки ценообразования, переговоров и принятия решений на рынках цифрового искусства на основе NFT. Предиктивные модели сочетаются со смарт-контрактами для повышения автоматизации процессов, справедливости и безопасности в торговых средах. Для обеспечения конфиденциальности и соответствия требованиям используются ZKP для сопоставления цен, проверки владения и проверки подлинности. Фреймворк использует трёхфазную структуру, включающую наивную торговлю с помощью машинного обучения, переговоры о минимальной цене и торговлю на основе равновесия, обеспечивая скоординированный подход к масштабируемым операциям NFT-маркетплейса.

Сравнительный анализ в Таблице 4 8,9,10,13,14,21,22,23,24,25,26,27,28,29,30,31,32^, 33,34,35,36,37,38 подчёркивает интеграцию блокчейна, NFT, машинного обучения и игровых моделей в децентрализованных сферах, таких как цифровые рынки, безопасность IoT и энергетические системы. Предыдущие исследования показывают, что сочетание продвинутых моделей обучения и блокчейн-механизмов повышает точность ценообразования, безопасность, прозрачность и оптимизацию равновесия. Эмпирические и аналитические данные указывают на повышение эффективности, снижение риска мошенничества, снижение затрат и справедливое распределение стимулов с помощью гибридных ML–блокчейн-фреймворков.

Protocol

Основа для торговли NFT-артом на основе блокчейна структурирована как многоуровневый протокол, который интегрирует смарт-контракты, механизмы, сохраняющие приватность, игровое моделирование, алгоритмы машинного обучения, обучение с подкреплением и оценку стоимости бензина в единой архитектуре.

Процесс начинается с разработки смарт-контрактов, определяющих ключевые функции, такие как регистрация участников, листинг активов, подача ордеров и выполнение транзакций. Эти контракты обеспечивают адаптацию пользователей, регистрацию активов и безопасную обработку ордеров. Для оценки корректности и эффективности тестировалась логика контрактов, а затраты на выполнение учтены под разными настройками скорости транзакций.

ZKP используются для проверки подлинности произведений искусства без раскрытия чувствительных деталей. Каждая транзакция проходит двойную проверку через он-чейн-проверку и валидацию ZKP, обеспечивая конфиденциальность и целостность данных. Модульная конструкция ZKP работает независимо от основных смарт-контрактов, что позволяет интегрировать и поддерживать масштабное развертывание. Для оценки осуществимости оценивались задержки генерации доказательств и проверки.

Веб-интерфейс был реализован с использованием универсального фреймворка. Интерфейс включает модули, такие как лендинговая страница, панель управления художников и торговая платформа. Аутентификация на основе кошелька позволяет подписывать транзакции, а функции загрузки и чеканки позволяют художникам токенизировать цифровые работы.

На уровне рыночного проектирования модель кооперативной игровой торговли (CoGTT) использует структурированный трёхфазный механизм переговоров. На первом этапе применяется прямое сопоставление цен на основе поданных заявок и запросов. Участники без сопоставления переходят ко второму этапу, который использует согласованные стратегии ценообразования с минимальным и максимальным уровнем, включая методы оценки по средней точке. Если соглашение не достигнуто, сделки переходят к третьей фазе, где применяются принципы равновесия Нэша, а итеративные переговоры продолжаются до достижения цен, сходящихся к равновесию. Эти этапы реализованы в виде модульных алгоритмов: наивное сопоставление (Алгоритм 1), брокеринг по средней точке (Алгоритм 2), торговля по равновесию Нэша (Алгоритм 3) и интегрированный рабочий процесс (Алгоритм 4).

Модели машинного обучения интегрируются в торговый процесс для поддержки принятия решений. Для прогнозного моделирования используются рыночные характеристики, такие как ставки, объёмы торгов, исторические ценовые данные и рейтинги репутации. Линейная регрессия (алгоритм 5) оценивает справедливые цены, при этом производительность оценивается с использованием средней квадратической ошибки (MSE). Кластеризация K-Means (Алгоритм 6), поддерживаемая нормализацией признаков и уменьшением размерности на основе PCA, сегментирует пользователей на кластеры, оцениваемые по баллу силуэта. Random Forest (Алгоритм 7) предоставляет дополнительные прогнозы цен, подтверждаемые как MSE, так и^{R 2}. Интегративный алгоритм (Алгоритм 8) объединяет регрессию, кластеризацию и результаты Random Forest в динамический поток принятия решений для адаптивной торговли.

Для оптимизации стратегий ставок применяется подкрепляющее обучение с помощью Q-обучения. Пространство штатов определяется текущими уровнями цен и значениями предложений, а действия включают прирост, уменьшение или сохранение. Q-агент обучается с использованием обратной связи из прогнозов Random Forest, изучая политики, которые снижают ошибки в ценообразовании и повышают полезность участников. Моделирование проводится до сходимости к политикам, согласованным с равновесием, а результаты проверяются в смоделированных торговых средах.

Потребление газа для каждой контрактной функции систематически фиксируется, при этом транзакционные издержки рассчитываются при различных настройках скорости. Например, функция registerArtist() потребляла 90 123 газовых единиц, соответствующие затраты сравнивались с рыночными ценами ETH. Эти оценки выявляют компромиссы между затратами и эффективностью исполнения.

Производительность фреймворка оценивалась с использованием нескольких метрик. Линейная регрессия достигла MSE 4,54 × 10⁻²⁸, тогда как кластеризация K-Means дала силуэтный балл 0,8178. Random Forest дал MSE 0,1311 с R² 0,9920. Результаты Q-обучения оценивались на соответствие сходимости и равновесию при различных условиях ценообразования. Эти результаты показывают осуществимость предлагаемого подхода для поддержки торговли NFT-артом в условиях блокчейн-рынка.

Предлагаемая рамка кооперативного теоретического торговли в играх (CoGTT) для цифровой торговли искусством

Инновационный гибридный подход в рамках кооперативного игрового трейдинга (CoGTT) сочетает игровой подход к торговле NFT с дополнительными механизмами ценообразования и равновесием Нэша для повышения эффективности и координации рынков NFT. Предлагаемый подход построен на блокчейн-платформе с поддержкой смарт-контрактов. Этот подход использует передовые криптографические методы и ZKP для обеспечения безопасной и конфиденциальной верификации транзакций. ZKP позволяют проверять данные о собственности и транзакции без раскрытия конфиденциальной информации о покупателях или продавцах.

Этот предлагаемый подход вводит стратегические взаимодействия между создателями, покупателями и брокерами среднего уровня на децентрализованном рынке. Эта модель направлена на оптимизацию торговых результатов, балансируя стимулы для всех участников с учётом динамики конкуренции и сотрудничества. Хотя предлагаемая структура в основном сосредоточена на наивном сопоставлении ставок и запросе, переговорах на основе промежуточной точки и расчетах на основе равновесия Нэша, существуют и остаются актуальными и остаются актуальными на рынках NFT. В торговле цифровыми произведениями искусства аукционист определяет цену сделки с помощью следующих подходов:

Цена потребительских ставок: цена устанавливается непосредственно на основе самой высокой ставки покупателя. Этот метод отражает максимальную стоимость, которую покупатель готов заплатить за произведение искусства, способствуя конкурентным торгам.

Метод средней цены: цена рассчитывается как середина между предложенной покупателем и запрашиваемой продавцом ценой, создавая равновесие. Это равновесное расчёт цены:

Равновесие (EPrice) = DArt_APrice + DArt_BPrice

Этот подход направлен на баланс интересов покупателя и продавца, что приводит к справедливой и взаимоприемлемой сделке. Эти методы обеспечивают гибкость в ценообразовании, учитывая разнообразные предпочтения и динамику рынка в экосистеме цифровой торговли произведениями искусства.

Трёхфазная модель кооперативной торговли, основанная на теории игр

В этом разделе представлен инновационный трёхфазный подход к кооперативной торговле, основанный на теории игр, специально разработанный для цифрового искусства. Подход динамически корректирует как цены ставок, так и запрос для оптимизации эффективности и справедливости торговли, как показано в Таблице 2 и Таблице 3, при поддержке брокера. Её цель — повысить справедливость, эффективность и прибыльность на децентрализованных рынках NFT, обеспечивая баланс между интересами создателей и покупателей произведений искусства. Рисунок 2 иллюстрирует предложенную модель трёхфазной торговой системы для цифрового искусства с подробным алгоритмом, представленным в Алгоритме 4. Предлагаемая структура CoGTT эффективно завершает процесс торговли цифровыми произведениями искусства в три этапа: а) Наивная торговля на основе запроса и ставок цен, б) Торговля на основе согласованной минимальной цены и в) Торговля с использованием метода равновесия Нэша. На первом этапе наивная торговля начинается на основе первоначальной информации от создателей и покупателей. Вторая фаза включает торговлю на основе согласованных минимальных цен между продавцами и покупателями для оставшихся непроданных запросов. Наконец, третий этап использует метод равновесия Нэша для завершения торгового процесса.

Первый этап — наивная торговля по запрашиваемой и торговой цене:

На первом этапе создатели цифровых произведений искусства (поставщики) организованы в возрастающем порядке по запрашиваемой цене и минимальным ценам продажи. Аналогично, покупатели (потребители) располагаются в возрастающем порядке согласно представленным ценам и максимальным ценам ставок. Минимальная запрашиваемая цена создателей и максимальная цена для покупателей сохраняются в секрете. Затем применяется кооперативный подход для сопоставления покупателей и создателей, что способствует распределению произведений искусства так, чтобы цены покупателей совпадали с запрашиваемыми ценами создателей. Это распределение может включать одного автора или нескольких создателей, при условии, что суммарные запрашиваемые цены соответствуют ставке покупателя. Покупатели, которые не смогут приобрести произведения искусства на этом этапе из-за ценовых ограничений, переходят ко второму этапу. Детали торгового подхода изложены в Алгоритме 1.

Вторая фаза — торговля по согласованной минимальной максимальной цене

На втором этапе запросы непревзойденных покупателей решаются для завершения торгового процесса, используя минимальные цены от создателей цифрового искусства и максимальные цены от покупателей. Торговый подход использует различные методы, включая среднюю ценность, внутридневное среднее значение и рыночное равновесие, чтобы определить среднее значение, повышающее эффективность торговли. Особенности этих подходов с промежуточной точкой обсуждаются в следующих подразделах. Детали торгового подхода приведены в алгоритме 2.

Средняя стоимость: Брокерский подход, направленный на поиск средней стоимости между создателями и покупателями с помощью простого подхода средней стоимости. Например, если цена ставки на цифровое искусство равна 50, а запрашиваемая цена — 52, то среднее значение можно найти, усредняя цены на bid и ask цены.

Внутридневное среднее значение: Инкорпорированный брокерский подход отмечает минимальную торговую цену одного и того же типа искусств, а также максимальную цену того же типа искусства и использует следующую формулу для расчёта среднего значения: (Текущий максимум дня + текущий минимум дня)/2. Это среднее значение устанавливается как цена торговой сделки, если среднее значение превышает минимальную запрашиваемую цену создателя искусства и меньше максимальной цены покупателя.

Рыночное равновесие: средняя цена — важный индикатор рыночного равновесия. Она отражает цену, по которой автор искусства (запрашиваемая цена) и покупатель (цена ставок) на актив совпадают в соответствие. Это значение рассчитывается усреднением самой высокой и самой низкой запрашиваемой цены, предоставляя трейдерам справедливое представление текущей рыночной стоимости, не затрагиваясь экстремальными ценами на bid или ask. Формула представлена в следующих трёх уравнениях.

 

Третий этап — торговля по методу равновесия Нэша

На третьем этапе обе стороны раскрывают расширенную информацию о оставшихся неторговленных запросах, таких как минимальная цена от создателя и максимальная цена от покупателя, чтобы они достигли точки равновесия, при котором цена предложения покупателя будет максимально высокой, насколько он готов пойти, а цена запрашивания создателя — настолько низкой, насколько он готов принять. Детали торгового подхода представлены в алгоритме 3.

На первом и втором этапах программы применяются согласованность конфиденциальности и стимулов для предотвращения стратегического искажения цен. Максимальная готовность покупателей платить и минимальные приемлемые цены создателей сохраняются как конфиденциальные ценности при распределении, что ограничивает возможности манипуляций через занижение или завышение цен. Поскольку решения о сопоставлении опираются на диапазоны (минимальный запрос и максимальная ставка), а не на явное раскрытие информации, попытки искажить цены увеличивают вероятность исключения из распределения Фазы 1 или Фазы 2, тем самым снижая торговые возможности. Кроме того, протокол переходит к третьей фазе на основе равновесия Нэша, когда предыдущие сделки оказываются неудачными. На этом этапе итеративные корректировки приводят к сближению с результатами, которые более точно отражают истинные оценки участников. Такой прогресс не поощряет ошибочную отчётность на ранних этапах, поскольку неудачные попытки манипуляций лишь откладывают выполнение и в конечном итоге требуют правдивого раскрытия оценок для успешного завершения сделки.

Результаты алгоритмов машинного обучения (ML) не рассматриваются как изолированные прогнозы, а активно интегрируются в трехфазную кооперативную игровую торговую систему (CoGTT) для управления ценообразованием, переговорами и равновесным открытиями. Связи теперь описываются следующим образом:

Фаза 1 — Наивная торговля с линейной регрессией: модель линейной регрессии генерирует справедливый ценовой ориентир, усредняя характеристики «бид» и «спрос» по историческим тенденциям. Эта предсказанная справедливая цена затем сравнивается как с предложением покупателя, так и с запрашиваемой ценой создателя. Если одна из сторон сообщает стоимость, существенно отклоняющуюся от прогнозируемой справедливой цены, распределение становится деприоризованным, что снижает стимул к ошибочной отчетности. Таким образом, регрессионный выход действует как фильтрующий механизм, определяющий, какие профессии считаются жизнеспособными для прямого распределения.

Фаза 2 — Min-max переговоры с случайным лесом: Модель случайного леса совершенствует динамическую оценку цены, учитывая спреды между торговлей и спросом, объём торгов и рейтинги репутации. Эти прогнозы напрямую используются для калибровки методов переговоров на основе средней точки (средняя стоимость, внутридневная средняя точка, рыночное равновесие). Например, при вычислении средней цены случайный лесной прогноз применяется как корректирующий фактор, чтобы гарантировать согласованность согласованной стоимости с поведением рынка. Такая интеграция гарантирует, что результаты брокерства будут основаны на изученных рыночных паттернах, а не на произвольных арифметических средних точках.

Фаза 3 — Торговля на основе равновесия с кластеризацией K-средних: На этом этапе участники покупателя и продавца сначала сегментируются на кластеры на основе поведенческих признаков (агрессивность в продаже/спросе, репутация, историческую активность). Эта сегментация гарантирует, что переговоры о равновесии ведутся между сопоставимыми участниками, что снижает волатильность и повышает справедливость. Таким образом, назначения кластеров служат групповыми ограничениями на цены, которые могут рассматриваться при равновесном открытии.

Интеграция с обучением с подкреплением (Q-обучение): Q-обучение основывается на случайных прогнозах леса для оптимизации динамических стратегий торгов. Каждый раз, когда агент корректирует ставку (уменьшить, удержать или увеличить), сигнал вознаграждения рассчитывается относительно предсказанной справедливой цены Random Forest. В течение нескольких эпизодов Q-агент изучает политики, которые минимизируют ошибки в ценообразовании и максимизируют полезность, и эти политики напрямую реализуются в равновесной торговле третьей фазы. На практике это означает, что корректировки предложений покупателями во время равновесного открытия формируются стратегиями, оптимизированными и проверенными в ходе обучающих моделей.

Вместе эти механизмы демонстрируют, что выходы машинного обучения служат двигателями поддержки принятия решений, тесно связанными с фазами CoGTT. Линейная регрессия обеспечивает реалистичные начальные распределения, случайный лес основывает переговоры на эмпирическом рыночном поведении, кластеризация структурирует процесс равновесия, а обучение на основе подкрепления стимулирует адаптивную доработку стратегий. Явно связывая алгоритмические прогнозы с операционными точками принятия решений, система гарантирует, что торговля не только автоматизирована, но и основана на адаптивном рынке интеллекте.

Наборы данных, функции и фреймворк воспроизводимости

Определение и мотивация набора данных

Среда торговли NFT и цифровыми активами характеризуется множеством характеристик рынка и участников, включая цену предложения покупателя, цену продавца, историческую цену сделки, объём транзакций и репутацию участника. Поскольку ни один публично доступный набор данных NFT одновременно не содержит всех этих характеристик, в этом исследовании используются синтетически сгенерированные наборы данных для проверки контролируемых протоколов при сохранении реалистичного поведения рынка. Размеры наборов данных варьируются от 100 до 1000 транзакций в зависимости от экспериментального сценария и требований модели.

Каждая запись набора данных состоит из следующих полей: Bid, Ask, Historical Price, Volume, Reputation и Fair Price, где справедливая цена определяется как арифметическое среднее значения bid и ask.

Процесс генерации синтетических данных:

Предложения покупателя отбираются из ограниченных равномерных распределений, используя такие диапазоны, как [90, 110] для малых экспериментов и [100, 1000] для крупномасштабных моделей. Цены продавца генерируются за счёт добавления положительного стохастического смещения к соответствующим ставкам, моделируя реалистичные спреды между продажей и спросом. Исторические цены формируются из нормальных распределений, сосредоточенных на стоимости заявок с аддитивным шумом для моделирования волатильности рынка. Объемы транзакций генерируются в виде целых значений в заранее определённых диапазонах (например, [1, 10] или [100, 1000]), а оценки репутации участников отбираются из единообразных распределений либо в [0, 1] (нормализованные рейтинги доверия), либо в [0, 5] (представление с рейтингом звёзд). Все эксперименты используют фиксированные случайные семена (numpy.random.seed(42)) для обеспечения детерминированной и повторяемой реконструкции наборов данных.

Схема данных, хранение и доступ

Все наборы данных хранятся в формате CSV с фиксированной схемой из шести столбцов: (bid, ask, historical_price, volume, reputation fair_price). Каждый CSV-файл обычно содержит примерно 1 000 записей, если не указано иное. Для децентрализованной воспроизводимости файлы наборов данных загружаются в IPFS, а соответствующие идентификаторы контента (CID) регистрируются вместе с адресами смарт-контрактов в конфигурационных файлах. Эта конструкция позволяет самостоятельно получать одинаковые наборы данных без использования централизованного хранилища.

Подготовка и разделение наборов данных

Наборы данных делятся на обучающие и тестовые подмножества с использованием разделения 80/20 «train–test», реализуемого через train_test_split с random_state=42. При настройке гиперпараметров Random Forest применяется пятикратная кросс-валидация, а масштабирование признаков с помощью StandardScaler() применяется там, где это необходимо, особенно для кластеризации и рабочих процессов на основе PCA.

Модели машинного обучения и параметризация

Все модели машинного обучения реализуются с использованием устоявшихся библиотек с фиксированными конфигурациями для обеспечения воспроизводимости. Полное резюме параметров и значений приведено в прилагаемой таблице. Линейная регрессия (LR) использует оценщик по наименьшим квадратам с коэффициентами bid, ask, историческую цену, объём и репутацию как входные данные, а справедливая цена — целевой переменной. Производительность оценивается с помощью средней квадратической ошибки (MSE). Кластеризация K-Means применяется к масштабируемым подмножествам признаков, с опциональным сокращением с помощью анализа основных компонентов (PCA), при этом два компонента фиксируют дисперсию более 90%. Количество скоплений выбирается в диапазоне 2–3 с использованием критериев локтя и силуэта. Случайная лесная регрессия (RF) используется для нелинейной оценки цены с 100–200 деревьями, глубина и параметры разделения настраиваются с помощью пятикратной перекрёстной валидации. Производительность модели оценивается с помощью MSE и^{R 2}. Q-Learning реализуется как табличный подход с подкреплением с 31 дискретизированным состоянием цен, тремя действиями корректировки ставок и фиксированными параметрами обучения (α = 0,1, γ = 0,9, ε = 0,1). Сходимость оценивается через стабилизацию эпизодических вознаграждений. С вычислительной точки зрения, линейная регрессия и K-средние завершаются за секунды для наборов данных до 10³ выборок, обучение в случайном лесу занимает от секунд до минут в зависимости от масштаба, а Q-обучение эффективно сходится благодаря низкоразмерному пространству состояний.

Исполнение блокчейна, конфиденциальность и регистрация затрат

Развертывание и исполнение смарт-контрактов

Смарт-контракты, кодирующие торговую логику, пишутся на Solidity (pragma ^0.8.20) с включенной оптимизацией компилятора (200 запусков) и внедряются в тестовой сети Sepolia с использованием стандартизированных фреймворков разработки. Подпись транзакций на базе кошелька осуществляется через браузерный кошелек, подключённый через RPC-конечную точку. Потребление газа для развертывания контрактов и транзакционных функций регистрируется автоматически, а стоимость исполнения рассчитывается с использованием современных курсов конвертации ETH/USD.

Интеграция доказательств с нулевым раскрытием

Проверка с сохранением конфиденциальности реализуется через конвейер ZK-SNARK, включающий компиляцию схем, доверенную настройку, генерацию доказательств и верификацию в цепочке. Доказательства генерируются вне цепи и проверяются внутри чейн с помощью выделенного контракта верификатора, размещённого вместе с основным торговым контрактом, что позволяет проверять право собственности и корректность транзакций без раскрытия чувствительных данных участников.

Программная среда и рабочий процесс выполнения

Все эксперименты проводятся на 64-битной Linux с фиксированной аппаратной конфигурацией. Рабочие процессы машинного обучения выполняются в среде Python, тогда как разработка блокчейна и взаимодействие с фронтендом основаны на стеке на основе JavaScript с фиксированными версиями фреймворка. Фронтенд-приложения создаются и обслуживаются с помощью менеджера пакетов, смарт-контракты компилируются и внедряются с использованием стандартизированных фреймворков разработки, а проверка ZKP интегрируется в процесс выполнения транзакций.

Точные версии программного обеспечения, флаги компилятора, конфигурации кошелька, политики закрепления IPFS, команды выполнения и примеры CID документируются в файле воспроизводимости для облегчения независимой репликации.

Операционные результаты и показатели завершения

Надёжность развернутого протокола отражается в его статистике выполнения. Основные функции смарт-контрактов достигают высокого уровня выполнения — общий процент успешности 84% во всех транзакционных операциях. Подробные показатели исполнения на уровне функций и коэффициенты их завершения представлены в соответствующей таблице результатов.

Алгоритмы

В этом разделе представлена трёхфазная кооперативная игровая теоретическая система обмена цифровыми произведениями искусства, где брокер собирает доступные произведения и их запрашиваемые цены от создателей, а также для получения необходимых единиц и цен на ставки от пользователей. Согласно предложенному подходу, брокер затем способствует проведению транзакций между создателями и пользователями. Торговый процесс разворачивается в три отдельных этапа: на первом этапе применяется наивный торговый алгоритм к запрашивающему и торгующемуся ценам, как описано в Алгоритме 1. Вторая фаза представляет торговый алгоритм на основе переговоров по цене min-max, представленный в алгоритме 2. Наконец, третий этап использует торговый алгоритм на основе равновесия Нэша, подробно описанный в алгоритме 3, а алгоритм 4 интегрирует все три алгоритма в комплексный трёхфазный кооперативный подход к торговле цифровым искусством в теории кооперативных игр. Алгоритм 5 показывает линейную регрессию для справедливого прогнозирования цены. Алгоритм 6 показывает кластеризацию K-Means для группировки покупателя/продавца. Алгоритм 7 показывает случайный лес для прогнозирования цены в режиме переговоров в реальном времени. Алгоритм 8 показывает поток алгоритмов торговли NFT на основе машинного обучения. Алгоритмы 5–8 являются частью алгоритма 8.

Предлагаемая структура реализует трёхфазный механизм кооперативной игровой теоретической торговли (CoGTT) для систематической обработки цифровых арт-транзакций на основе NFT. На первом этапе наивная торговля проводится с помощью прямого сопоставления «бид-аск», как это формализовано в Алгоритме 1. Покупатели располагаются по снижению цен на ставках, а продавцы — по возрастающему запрашиванию цен, что позволяет последовательно распределять произведения искусства в рамках бюджета покупателя. Покупатели, не смогшие завершить сделку на этом этапе, перенаправляются на второй этап, где применяется согласованное минимальное ценообразование с помощью Алгоритма 2. На этом этапе вычисляется промежуточная цена между минимальной запрашиваемой ценой продавца и максимальной ценой покупателя, которая дополнительно корректируется с помощью индикаторов рыночного спроса и торговли в реальном времени. Сделка совершается только в том случае, если согласованная цена остаётся в пределах допустимого диапазона покупки-запроса. Для транзакций, которые остаются нерешёнными, фреймворк переходит к третьей фазе, где применяется торговля на основе равновесия Нэша с помощью алгоритма 3. Здесь итеративные корректировки цен, основанные на участниках коммунальных услуг, сходятся к стабильной равновесной цене, обеспечивая рациональное урегулирование. Эти три этапа организованы в едином процессе принятия решений, определённом в Алгоритме 4, который интегрирует прямое сопоставление, брокерство и равновесное разрешение в один торговый конвейер.

Для повышения точности ценообразования, адаптивности и стратегического принятия решений фреймворк CoGTT дополняется несколькими моделями машинного обучения. Алгоритм 5 применяет линейную регрессию для оценки базовой справедливой цены с использованием наблюдаемых рыночных признаков, служа интерпретируемым механизмом фильтрации при начальной оценке сделки. Для переговоров в реальном времени алгоритм 7 использует регрессор случайного леса для фиксации нелинейных моделей ценообразования, влияемых на спреды между покупками и запросом, историческими ценами, объёмом и репутацией участников. Поведение участников дополнительно структурируется с помощью алгоритма 6, который применяет кластеризацию K-Means с уменьшением размерности на основе PCA, чтобы объединить покупателей и продавцов в поведенчески схожие кластеры, повышая стабильность во время переговоров о равновесии. Эти модели интегрированы в единый торговый рабочий процесс, основанный на машинном обучении, описанный в алгоритме 8, где линейная регрессия поддерживает фильтрацию фазы 1, Random Forest уточняет цены переговоров фазы 2, кластеризация информирует группирование участников третьей фазы, а обучение с подкреплением оптимизирует корректировки предложений к равновесию Нэша. Вместе эти алгоритмы гарантируют, что предлагаемая структура не только теоретически обоснована, но и адаптивна, основана на данных и подходит для динамических NFT-маркетплейсовых сред. Все алгоритмы перечислены в Дополнительном файле 1.

Results

Предлагаемый подход на основе блокчейна для торговли цифровыми произведениями искусства использует ZKP. Каждый метод торговли инкапсулирован в смарт-контракте, при этом основные функции — такие как регистрация создателей произведений искусства, регистрация пользователей и торговые механизмы — определены как выделенные контрактные функции. Параметры среды блокчейн-платформы, используемые в симуляциях, изложены в Таблице 1.

Для поддержания согла...

Discussion

В данном исследовании предложена кооперативная теоретическая торговля с использованием машинного обучения (CoGTT) для рынков цифрового искусства на основе NFT, направленную на повышение точности ценообразования, стратегических переговоров и эффективности принятия решений. Этот подход интегрирует модели обучения под надзором, без надзора и подкрепление — такие как деревья решений, K-Means и Q-обучение — на блокчейн-платформе с поддержкой смарт-контрактов, что позволяет осуществлять децент...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Hardhat (Фреймворк для разработки блокчейна)	Каска	v2.19.1	https://hardhat.org
MetaMask (расширение кошелька)	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
Пиньята	Pinata.cloud	v2.1.0	https://www.pinata.cloud
Политика закрепления	Pinata.cloud	—	https://docs.pinata.cloud
React	React	v18.2.0	https://react.dev
Ремикс	Ремикс	v0.31.0	https://remix.ethereum.org
Solidity (язык компиляторов)	Solidity	v0.8.20	https://soliditylang.org
Ubuntu	Ubuntu	22,04 LTS	https://ubuntu.com