A data-driven approach to NFT trading : Q-learning based simulator

Abstract

Non-fungible tokens (NFTs) have garnered considerable attention in recent years due to their broad range of applications and potential as a lucrative investment oppor tunity. Given the nascent nature of the technology and the scarcity of comprehen sive studies, there is a pressing need for a holistic trading framework that not only addresses the complexities inherent in the trading process but also proposes viable solutions to existing challenges. This study introduces a novel approach for navi gating the NFT trading landscape, effectively confronting the various challenges and suggesting practical solutions. The trading environment is modeled using a Markov Decision Process (MDP), with Q-learning employed to simulate the environment and resolve the MDP problem. The study proposes machine learning models to tackle key challenges, including defining the market state, appraising NFT tokens, and ad dressing the illiquidity issue prevalent in the NFT market. The proposed approach yields an NFT trading strategy that has shown to outperform traditional strategies, generating substantial profits even amidst bearish market conditions. The Bored Ape Yacht Club (BAYC) collection serves as the primary data set, with the agent trained from June 1, 2021, through January 1, 2023. In testing period from January 1 to June 10, 2023, the proposed model outperformed traditional benchmarks, achieving a profit of 21.14% as opposed to a 20.39% loss for the best-performing benchmark. We assert that this forms a robust foundation for future research into NFT trading simulation and backtesting. We also identify potential areas for future enhancements, particularly possible improvements in the trading strategy and Q-learning approach. The insights gleaned significantly enhance the understanding of the importance of AI applications in the rapidly evolving field of NFT trading.

Nitelikli-Fikri Tapular (NFT’ler), geni¸s uygulama alanları ve kazan¸clı bir yatırım fırsatı olma potansiyelleri sebebiyle son yıllarda b¨uy¨uk ilgi toplamı¸stır. NFT teknolo jisinin yeni bir teknoloji olması ve kapsamlı ¸calı¸smaların yetersizli˘gi g¨oz ¨on¨une alındı˘gında, NFT alım-satım s¨urecindeki zorlukları tanımlayıp bunlara ¸c¨oz¨um ¨oneren b¨ut¨unsel bir alım-satım y¨onetim ¸semasına ciddi bir ihtiya¸c vardır. Bu ¸calı¸sma NFT alım-satım s¨urecindeki zorlukları tanımlayan ve bunlara pratik ¸c¨oz¨umler ¨oneren bir yakla¸sım sunmaktadır. Alım-satım s¨ureci Markov Karar S¨ureci (MDP) kullanılarak model lenmi¸s ve Q-¨o˘grenme ile ¸cevresel ko¸sullar sim¨ule edilerek MDP problemi ¸c¨oz¨ulm¨u¸st¨ur. C¸ alı¸sma, NFT marketinin durumunu tanımlamak, NFT token’larını de˘gerlemek ve NFT piyasasında yaygın olan likidite sorununu ele almak gibi temel zorluklara ¸c¨oz¨um olarak makine ¨o˘grenmesi modelleri geli¸stirmi¸stir. Onerilen yakla¸sım, geleneksel alım- ¨ satım stratejilerinden daha iyi performans g¨osteren bir NFT alım-satım stratejisi sunmu¸stur. Onerilen model, k¨ot¨u piyasa ko¸sullarında bile ¨onemli kazan¸clar elde ¨ etmi¸stir. 2023 yılının 1 Ocak tarihinden 10 Haziran’a kadar olan test d¨oneminde en iyi performans g¨osteren geleneksel alım-satım stratejisinin %20.39’luk kaybına kar¸sı %21.14 kar elde etmi¸stir. Bu ¸calı¸sma, NFT alım-satım sim¨ulasyonu ve strateji leri geriye d¨on¨uk test etme konularında gelecekte yapılacak ara¸stırmalar i¸cin sa˘glam bir temel olu¸sturmaktadır. C¸ alı¸smada, ¨onerilen yakla¸sımda kullanılan alım-satım stratejisi ve Q-¨o˘grenme yakla¸sımında yapılabilecek olası iyile¸stirmelerle ilgili ¨oneriler sunulmu¸stur. Elde edilen bulgular, NFT alım-satım alanındaki yapay zeka uygula malarının ¨onemini kavramada ciddi bir rol oynamaktadır