論文の概要: What Prediction-Market Contracts Reveal at Launch: Trading Volume and Dispute Risk
- arxiv url: http://arxiv.org/abs/2610.29578v1
- Date: Wed, 21 Oct 2026 11:20:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.320909
- Title: What Prediction-Market Contracts Reveal at Launch: Trading Volume and Dispute Risk
- Title（参考訳）: 市場予測:取引量と紛争リスク
- Abstract要約: ポリマーケットにリストアップされた802,863の市場をほぼセンセーションで利用しています。
終生の取引量と、後に和解が議論されるかどうかを予測します。
- 参考スコア（独自算出の注目度）: 2.4493299476776778
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using a near-census of 802,863 resolved markets listed on Polymarket between January 2023 and May 2026, and only information available at listing (the market's title and description, named resolution source, and contract metadata), we predict lifetime trading volume and whether settlement is later disputed. Contract information predicts trading volume well (out-of-sample $R^2 = 0.747$ for log volume), and most of the signal is interpretable: market topic provides the largest gain ($+0.289$ $R^2$ over a $0.220$ contract-feature baseline), wording and resolution-rule design add smaller but measurable improvements ($+0.027$ combined), and neural text models add little beyond the interpretable features. This performance does not survive a period of platform change coinciding with a shift in listing formats: accuracy in predicting whether a market reaches \$1,000 falls from AUC $0.940$ under same-period evaluation to $0.577$ when training on past quarters and testing on later ones. The loss concentrates in markets whose question forms were absent from training (76.9% of test markets; on familiar forms the model still reaches $0.778$), and a decomposition attributes more of it to a changed relationship between contract characteristics and demand than to an outdated mapping from text to features. Dispute predictors are more stable but less precise: launch-time features rank dispute risk far better than chance (AUC $0.78$), yet at a 0.31% base rate precision is too low for case-by-case prediction (average precision $0.012$), so the scores suit ranking groups of markets rather than forecasting individual disputes.
- Abstract（参考訳）: 2023年1月から2026年5月にかけて、ポリマーケットに上場した市場802,863のほぼセンセーションと、上場時に利用可能な情報(市場の名称及び説明、名称の解決資料及び契約メタデータ)を用いて、終身取引量の予測を行い、後に和解が議論されるかどうかを判断する。
市場トピックは、最大の利益(+0.289$$R^2$ over a $0.220$ contract-feature baseline)を提供し、ワードと解像度ルルルの設計は、小さいが測定可能な改善(+0.027$ Combin)を加え、ニューラルテキストモデルは、解釈可能な機能以上のほとんど追加しない。
市場が1000ドルに達するかどうかを予測する精度は、同時期の評価の下でAUC$0.940ドルから、過去の四半期でトレーニングし、後の四半期でテストする場合0.577ドルに低下する。
この損失は、テスト市場の76.9%を占めていない市場に集中しており、よく知られた形ではまだ0.778ドルに達しており、分解は、テキストから特徴への古いマッピングよりも、契約特性と需要の変化によるものである。
しかし、0.31%の基準レート精度ではケース・バイ・ケースの予測には低すぎる(平均精度0.012ドル)ため、個々の紛争を予測するのではなく市場のランキンググループに適合する。
関連論文リスト
- Market Impact Estimation via Causal Foundation Models [3.654594055714305]
本稿では,隠れ情報フローが構築によってフロー-プライス関係を相殺する合成市場で訓練された概念因果前データ適合ネットワーク(PFN)について述べる。
エンフェド関連双生児は、介入入力を除去したのと同じモデルで、プレウインドウ平均に崩壊する。
介入反応は、BTC/ETH/SOLの永久的に検出された約2,300回、ナスダックの株式の3,800回の流速を再現するが、因果転移の証拠ではない。
論文 参考訳（メタデータ） (2026-10-08T13:29:39Z) - BAIBAICHUCHU at the NTCIR-19 FinArg-3 Task: When Is Maximum Possible Profit Predictable from Investor Text? [0.8594140167290097]
NTCIR-19 FinArg-3 最高収益率(MPP)による中国の投資家ポストランキング
語彙特徴の3トラックアンサンブル、FinArg-2-pre-finetuned MacBERTランキング、LCM判定器は、後グループ開発評価で0.734に達する。
全12本が0.4598から0.5402の間、全26本が0.500である。
論文 参考訳（メタデータ） (2026-10-02T19:15:51Z) - Price Dislocations, News Citations, and Epistemic Leverage on Polymarket [0.7792020418343021]
われわれは、2024年から2025年にかけて1770万件のPolymarket取引をニュース報道にリンクしている。
予測市場について言及した6,990の記事から、LLMをベースとした人間公認のマッカーは、市場確率を引用する1,582の文を抽出し、価格を引用する特定の市場に対する918の属性を抽出する。
我々は、44,976の価格ずれ、集中した片側取引による少なくとも5ポイントの動きを検出し、その後、市場が頻繁に引用されるかどうかを問う。
論文 参考訳（メタデータ） (2026-09-05T10:14:50Z) - 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) - 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) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z)
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。