論文の概要: When do prophets profit in prediction markets?
- arxiv url: http://arxiv.org/abs/2607.06166v2
- Date: Sat, 11 Jul 2026 01:51:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 13:33:35.67268
- Title: When do prophets profit in prediction markets?
- Title（参考訳）: 預言者が予測市場で利益を得るのはいつか?
- Authors: Anri Gu, Nicole Kagan, Alec Sun, Jibang Wu, Haifeng Xu,
- Abstract要約: 正しい賭けは、正確性を確実に利益に変換する唯一の戦略であることを示す。
カルシでの1ヶ月のライブ配信は、シャープ比が3.35ドルで、投資に対して+80.33%$リターンを達成した。
- 参考スコア（独自算出の注目度）: 26.557660121922808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction markets aggregate dispersed beliefs into prices that act as probabilistic forecasts of uncertain events. Classical theory establishes a clean equivalence between forecasting accuracy and trading profit, but only for the specific automated market maker (AMM) design. However, the largest exchanges today are based on central limit order books in which informed forecasters routinely lose money while uninformed strategies can profit on simple heuristics. We resolve this discrepancy by establishing a formal equivalence between predictive accuracy and profitability. For any strictly proper scoring rule $S$, we exhibit a "proper" betting strategy that depends only on the forecaster's prediction $\mathbf{p}$ and the market price $\mathbf{q}$, and earns positive expected profit whenever $\mathbf{p}$ outperforms $\mathbf{q}$ under $S$ and the market has sufficient liquidity. Moreover, this proper betting is essentially the only strategy with such robust profitability guarantee. The proof rests on a decomposition of expected profit that strictly generalizes the classical AMM guarantee and also explains how strategies can profit without an accuracy edge. Empirically, across thousands of forecasts by AI models, proper betting is the only strategy that reliably converts accuracy into profit, and we further identify systematic forecasting personas and show how the optimal proper strategy varies across them. A month-long live deployment on Kalshi achieves $+80.33\%$ return on investment with a Sharpe ratio of $3.35$.
- Abstract（参考訳）: 予測市場は、不確実な出来事の確率的予測として働く価格に分散した信念を集約する。
古典的理論は、予測精度と取引利益の間に明確な等価性を確立するが、それは特定の自動市場メーカー(AMM)の設計に限られる。
しかし、今日の最大の取引所は、情報提供者が日常的に損失を被る中央制限秩序書に基づいており、非情報化戦略は単純なヒューリスティックスで利益を得ることができる。
我々は、予測精度と収益性の間の公式な等価性を確立することで、この相違を解消する。
厳密に適切なスコアリングルールである$S$に対して、予測値の予測値である$\mathbf{p}$と市場価格である$\mathbf{q}$にのみ依存する「適切な」賭け戦略を示します。
さらに、この適切な賭けは、基本的にはそのような堅牢な収益性を保証する唯一の戦略である。
この証明は、古典的AMM保証を厳密に一般化する期待利益の分解と、戦略が精度の限界なしに利益を得る方法を説明するものである。
実証的に、AIモデルによる数千の予測において、適切な賭けは、正確性を確実に利益に変換する唯一の戦略であり、体系的な予測ペルソナをさらに特定し、最適な適切な戦略がどのように異なるかを示す。
カルシでの1ヶ月のライブ配信は、シャープ比が3.35ドルの投資に対して80.33.%のリターンを達成している。
関連論文リスト
- Forecasting Future Language: Context Design for Mention Markets [81.25011140991566]
我々は、参照市場における正確な予測を支援するために、入力コンテキストをどのように設計するかを検討する。
1 より豊かなコンテキストは予測性能を継続的に改善し、(2)市場条件付きプロンプト(MCP)は事前の市場確率を扱い、テキストによる証拠を用いてそれを更新し、より良いキャリブレーションの予測を得る、(3)市場確率とMCP(MixMCP)の混合が市場ベースラインを上回っている、という3つの洞察を得た。
論文 参考訳（メタデータ） (2026-02-04T12:43:31Z) - Going All-In on LLM Accuracy: Fake Prediction Markets, Real Confidence Signals [0.0]
検証可能な回答で100の数学と論理の質問を生成しました。
そして、ベースラインが正しく答えられるならば、各質問ベースラインペアに対して3つの予測モデルが予測された。
1条件当たりの予測は5,400回を超え、インセンティブランはわずかに高い精度を示した。
4万枚以上の賭けは99%、小賭け(1000枚)は74%の精度しか示さなかった。
論文 参考訳（メタデータ） (2025-12-01T19:04:25Z) - Smooth Quadratic Prediction Markets [6.576051895863941]
我々はSmooth Quadratic Prediction Marketと呼ばれる新しい予測市場を提案する。
DCFMMとは対照的に、Smooth Quadratic Prediction MarketはAD証券で最悪の金融損失を被る。
本研究は,価格更新規則と料金構造が分離されているが,保証は維持されている将来の設計を示唆する。
論文 参考訳（メタデータ） (2025-05-05T18:43:58Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。
GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Online Prediction With History-Dependent Experts: The General Case [1.52292571922932]
本稿では,オンライン・機械学習の古典的な例である,オンライン・セッティングにおけるエキスパート・アドバイスによるバイナリ・シーケンスの予測問題について検討する。
我々は、バイナリシーケンスを株価の価格履歴と解釈し、予測器を投資家とみなし、その問題を株価予測問題に変換する。
論文 参考訳（メタデータ） (2020-07-31T19:40:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。