Análise Preditiva de NFTs: Um Estudo de Redes de Transações e Aprendizado de Máquina

Este projeto de pesquisa explora a relação entre a posição estrutural de um vendedor em uma rede de transações e a precificação futura de seus NFTs. Utilizando um pipeline de aprendizado de máquina supervisionado, o estudo visa classificar NFTs em quartis de valor (Low, Mid, High) com base em métricas de rede extraídas de transações históricas. A metodologia empregada oferece uma abordagem transparente e replicável para compreender a relevância da estrutura da rede na valoração de ativos digitais, em contraste com a subjetividade e falta de critérios claros frequentemente observados no mercado.

As ferramentas utilizadas para a realização deste projeto foram: sklearn, SHapley Additive exPlanations

Nossos experimentos foram realizados com as implementações de métodos de classificação da biblioteca scikit-learn da linguagem Python [Pedregosa et al., 2011].

• Os métodos de aprendizado de máquina utilizados são:

• Floresta Aleatória (RF)

• Máquinas de Vetor de Suporte (SVM)

• Multi-layer Perceptron (MLP).

Metodologia

• Pré-processamento de Dados: O conjunto de dados original foi filtrado para incluir apenas NFTs transacionados em 2020 e 2021. As transações foram agrupadas por par (NFT, dono), e métricas de rede (grau de entrada, grau de saída, coeficiente de agrupamento, entre outros) foram calculadas para cada vendedor com base na rede de 2020.

• Definição da Variável-Alvo: O valor futuro dos NFTs, representado por seu preço médio de venda em 2021, foi dividido em quartis (Low, Mid, High) para criar a variável de classe (y). Essa divisão foi realizada utilizando o módulo percentile disponivel na biblioteca pandas.

• Modelagem e Classificação: Três modelos de aprendizado de máquina supervisionado foram empregados para a classificação:

  • Random Forest Classifier
  • Support Vector Machine (SVM)
  • Multi-layer Perceptron (MLP)

• Avaliação: A performance dos modelos foi avaliada com base em métricas como Acurácia, Precisão Macro, Recall Macro e F1-Score Macro.

• Interpretabilidade: A biblioteca SHAP (Shapley additive explanations) foi utilizada para interpretar as previsões dos modelos e identificar a contribuição de cada feature.

Resultados

Na tabela a seguir apresentamos os resultados das métricas aplicadas aos modelos implementados e treinados.

Tabela 1. Desempenho do modelos avaliados com as métricas Precisão (P), Revocação (R), F1-score (F1), Acurácia (Acc) e F1-macro.

Métrica	Quartil	MLP	RF	SVM
Precision	Low (Classe 0)	0.68	0.75	0.59
	Mid (Classe 1)	0.85	0.76	0.88
	High (Classe 2)	0.58	0.66	0.47
Recall	Low (Classe 0)	0.81	0.77	0.76
	Mid (Classe 1)	0.71	0.74	0.66
	High (Classe 2)	0.77	0.68	0.83
F1-Score	Low (Classe 0)	0.74	0.76	0.66
	Mid (Classe 1)	0.77	0.75	0.75
	High (Classe 2)	0.66	0.67	0.60
Acurácia		0.74	0.73	0.70
F1-Score Glob		0.72	0.72	0.67

Os resultados apresentados na Tabela 1 indicam que MLP apresentou a maior acurácia (0,74), seguido de perto por RF (0,73) e por SVM (0,70). O F1-Score global foi idêntico para MLP e RF (0,72), superando o SVM (0,67). Considerando as métricas por classe, observa-se que o MLP manteve um desempenho equilibrado: alcançou a maior precisão para a classe de preço Médio (0,85), obteve a maior revocação para a classe de preço baixo (0,81) e bom desempenho para a classe de preço Alto. Com base nisso, para este projeto optou-se por seguir com a análises mais detalhadas com o modelo MLP devido à sua melhor performance geral em comparação aos demais modelos.

Métrica Mais Influente

A análise SHAP revelou que a métrica NFT_mean_origin (o preço médio dos NFTs vendidos por um usuário) foi a feature mais relevante para as previsões do modelo, validando a hipótese de que o histórico de transações de um nó é um forte indicador de valor.

Requisitos

Para executar o código deste repositório, você precisará das seguintes bibliotecas Python. Elas podem ser instaladas via pip:

pip install pandas numpy scikit-learn matplotlib seaborn openpyxl shap

Como Usar

Para reproduzir os resultados:

• Clone este repositório para a sua máquina local.

• Certifique-se de que os arquivos de dados estejam no mesmo diretório.

• Abra o notebook models.ipynb no Jupyter ou em um ambiente de sua preferência.

• Execute.

Autores

@NaraAndrad3

@OscarWilliamM

@gdgnew