ในคำศัพท์ทางคณิตศาสตร์นั้น เป็นการทำให้ระยะทางยูคลิดเรียลลิกน้อยที่สุด: ||μ - θ||²

แต่มันมีปัญหาร้ายกับมัน: มันถือว่าการเปลี่ยนแปลงราคาทุกอย่างเท่ากัน

จาก $0.50 ไป $0.60 และจาก $0.05 ไป $0.15 ถือว่าเป็นการเพิ่มขึ้น 10 เซ็นต์ แต่ข้อมูลที่สอดคล้องกันต่างกันอย่างสิ้นเชิง

เพราะเหตุการณ์ที่เกิดขึ้นแทนด้วยความน่าจะเป็นที่ซ่อนอยู่ การเปลี่ยนจาก 50% ไป 60% คือการปรับมุมอย่างอ่อนโยน แต่เมื่อจาก 5% ไป 15% คือการกลับกึกลับตื้นขนาดใหญ่—เหตุการณ์ที่เกิดขึ้นได้แทบจะเป็นไปไม่ได้กลับเป็นมีความน่าจะเป็นบ้าง

สมมติว่าคุณกำลังชั่งน้ำหนัก จาก 70 กิโลกรัม ไป 80 กิโลกรัม คุณอาจพูดว่า «อ้วนขึ้นนิดหน่อย» แต่เมื่อจาก 30 กิโลกรัม ไป 40 กิโลกรัม (หากคุณเป็นผู้ใหญ่) นั้นคือการ «เปลี่ยนจากการกำลังตายจะมากเกินไป» เป็นมืดหดเติบโทรม—การเปลี่ยนแปลงขนาด 10 กิโลกรัมเดียวกัน สำคัญต่างกันแบบสิ้นเชิง ราคาก็ใช่เช่นกัน — ยิ่งสู่ขอบสูงหรือต่ำสุด ราคาเหลวเท่านั้นเท่าขอบสูงความรู้ใหญ่ขึ้น

Bregman ความห่าง: การวัด «ระยะทาง» ที่ถูกต้อง

ลูกค้าของ Polymarket ใช้ระบบ LMSR（กฎการให้คะแนนตลาดเชิงปริมาณที่ได้รับการดำเนินการที่เป็นบันทึกในระบบไฟล์）[4] ราคาแท้จริงแทนการกระจายนั้น

ในโครงสร้างนี้ ค่าความห่างที่ถูกต้องไม่ใช่ระยะห่างยูคลิดเรียลลิก แต่เป็น Bregman ความห่าง[5]

สำหรับ LMSR Bregman ความห่างกลายเป็น KL ความห่าง（Kullback-Leibler ความห่าง）[6]—ตัวบ่งชี้ที่วัด «ความห่างในสารสนเทศ» ระหว่างการกระจายทั้งสอง

คุณไม่จำเป็นต้องจำสูตร คุณเพียงจำได้ว่า:

KL ความห่างจะมอบน้ำหนักมากขึ้นให้กับการเปลี่ยนแปลงที่อยู่ใกล้ขอบราคาสูงสุด การเปลี่ยนจาก $0.05 เป็น $0.15 ใต KL ความห่างห่างออกไปจาก $0.50 เป็น $0.60 มากกว่าตาม KL ความห่าง—แล้วนั้นลงตรงกันตามสติปัญญาของเรา—การเปลี่ยนแปลงขอบราคาแสดงถึงอิทธิพลข้อมูลมากขึ้น

ตัวอย่างที่ดีให้เห็นเพิ่มเติมคือครั้งที่ใบดาวแห่งโซล (@zachxbt) ในตลาดทำนายโมเมนต์สุดท้ายข้อควรจำคือ Axiom ดัน Meteora จริงๆ ที่มีการเปลี่ยนแปลงขอบราคาอย่างสุดขั้ว ให้ทั้งหมด

การโปรเจกชันของ Bregman ปะทับกับ การโปรเจกชันของ Euclidean

กำไรจากการอาร์บิทราจ = ระยะทางของการโปรเจกชันของ Bregman

นี่เป็นหนึ่งในสรุปหลักที่เขียนไว้ของผู้เขียนเรื่อง:

กำไรสูงสุดที่สามารถได้รับจากธุรกรรมใด ๆ เท่ากับระยะทางของการโปรเจกชันของ Bregman จากสถานะของตลาดปัจจุบันไปสู่ช่องว่างที่ไม่มีโอกาสอาร์บิทราจ

กล่าวอีกนัยหนึ่ง:ราคาตลาดเลื่อนออกจาก "ช่องว่างชอบ" มากเท่าไหร่ก็ได้, เงินที่สามารถหาได้ก็มากขึ้น และการโปรเจกชันของ Bregman จะบอกคุณ:

1. สิ่งที่ควรซื้อขาย (ทิศทางของโปรเจกชันระบุทิศทางการซื้อขาย)

2. จำนวนที่ควรซื้อขาย (พิจารณาความลึกของสมุดคำสั่ง)

3. กำไรที่สามารถได้รับ (ระยะทางของการโปรเจกชันเป็นกำไรสูงสุด)

นักอาร์บิทราจอันดับ 1 มีรายได้ 2,009,631.76 ดอลลาร์ต่อปี. กลยุทธ์ของเขาคือการแก้ปัญหานี้ได้อย่างรวดเร็วและแม่นยำกว่าผู้อื่น.

Polymtope ของกำไร

ให้เข้าถึงโดยสมาคม คุณอยู่บนเขาโดยมีแม่น้ำไหลอยู่ที่ปากธารนั้น (ช่องว่างไม่มีโอกาส) ตำแหน่งปัจจุบันของคุณ (ราคาตลาดปัจจุบัน) ห่างจากแม่น้ำหนึ่งช่อง

การโปรเจกชันของ Bregman ก็คือการช่วยคุณค้นหา "เส้นทางสั้นที่สุดจากตำแหน่งของท่านไปสู่ริมแม่น้ำ" แต่ไม่ใช่ระยะทางตรง, แต่คำนึงถึงภูมิประเทศ (โครงสร้างตลาด) หลังจากนั้นเส้นทางที่สั้นที่สุดนี้จะเป็นกำไรสูงสุดของคุณ

บทที่ 3: วิธีฟรังค์-วูลฟ : ทำให้ทฤษฎีกลายเป็นรหัสที่สามารถดำเนินการได้

ดีแล้ว, ตอนนี้คุณรู้แล้ว: ต้องทำการโปรเจกชัน Bregman เพื่อคำนวณฟอร์มอาร์บิทราจที่ดีที่สุด

แต่ปัญหาคือ — การคำนวณการโปรเจกชันของ Bregman โดยตรงไม่ได้

ทำไม? เพราะช่องว่างที่ไม่มีโอกาส (Polymtope M) มีจุดยอดอย่างน้อยดีกว่าที่มีประเภทที่เป็นอนุกรมมีวิธีการคำนวณปกติของการจัดตั้งสมบูรณ์ ต้องมีการเข้าถึงชุดข้อจำกัดทั้งหมดนั่นคือ การลำดับทุกคำตอบที่ถูกต้อง เราพึงพูดถึงว่าเรื่องนี้ไม่สามารถทำได้ในมาตราการขนาดใหญ่

ความคิดสำคัญของ Frank-Wolfe

ความสำคัญของอัลกอริทึม Frank-Wolfe [7] อยู่ที่：มันไม่พยายามแก้ปัญหาทั้งหมดในคราวเดียว แต่เรียกให้เข้าใกล้คำตอบไปทีละขั้นตอน

วิธีการทำงานของมันคือดังนี้:

ขั้นตอนที่หนึ่ง: เริ่มต้นจากเซ็ตผลลัพธ์ที่ถูกต้องที่เล็กน้อย

ขั้นตอนที่สอง: ทำการปรับปรุงบนเซ็ตเล็กน้อยนี้เพื่อค้นหาสิ่งที่เป็นคำตอบที่ดีที่สุดปัจจุบัน

ขั้นตอนที่สาม: ใช้การวางแผนเชิงจำนวนเต็มเพื่อค้นหาผลลัพธ์ที่ถูกต้องใหม่ และเพิ่มเข้าเซ็ต

ขั้นตอนที่สี่: ตรวจสอบว่าเข้าใกล้คำตอบที่ดีที่สุดเพียงพอหรือไม่ หากไม่พอ กลับไปที่ขั้นตอนที่สอง

ในทุกรอบของการวนซ้ำ เซ็ตจะเพิ่มเพียงอันเดียว เหมือนมีการวิ่งรอบไป 100 รอบ คุณต้องการติดตามเพียง 100 จุด—ไม่ใช่ 2^63 จุด

กระบวนการการวนซ้ำของ Frank-Wolfe

จินตนาการว่าคุณอยู่ในเขาใหญ่พยายามค้นหาทางออก

วิธีกระทำโหราษาคือที่จะเดินทางลงไปทุกเส้นทาง วิธีของ Frank-Wolfe คือ: ก่อนอะไร ๆ ก็ไล่ออกไปเส้นทางหนึ่ง แล้วต่อมาที่ทุกชุดทางแยก ถามใหว่หนึ่งคนก็ไร้ลมรบดิบ (โปรแกรมแก้ปัญหาการวางแผนเชิงจำนวนเต็ม): "ที่นี่เริ่มแล้ว ทิศไหนที่เป็นไปได้ที่สุดกลุ่มพานาออกนอก?" จากนั้นก็ทักทายทิศนั้นหนึ่งก้าว คุณไม่จำเป็นต้องสำรวจเขาใหญ่ทั้งหมด แค่ต้องเลือกที่ถูกต้องที่ทุกโหนดสำคัญ

โปรแกรมแก้ปัญหาการวางแผนเชิงจำนวนเต็ม: "ผู้นำทาง" ในทุกขั้นตอน

ทุกรอบการวนซ้ำของ Frank-Wolfe ต้องการแก้ปัญหาการวางแผนเชิงจำนวนเต็มหนึ่งปัญหามุ่งหมายที่วิธีทำตัวได้ประเภท NP ยาก (หรือ "ไม่มีอัลกอริทึมรวดเร็วๆที่แจกแจง")

อย่างไรก็ดี โปรแกรมแก้ปัญหารุ่นใหม่ เช่น Gurobi[8] สามารถแก้ได้เร็วและประสบความสำเร็จสำหรับปัญหาที่มีโครงสร้างที่ดี

ทีมวิจัยใช้ Gurobi 5.5 สงครามเวลารวบรวม:

• รอบเริ่มต้น (เกมตอนพูดมาก): ไม่ถึง 1 วินาที

• รอบปานกลาง (เกม 30-40 โตมีดี): 10-30 วินาที

• ช่วงปลายเกม (50+ เกมเสร็จแล้ว): น้อยกว่า 5 วินาที

ทำไมช่วงปลายเกมถึงเร็วขึ้น? เพราะเมื่อผลลัพธ์ของเกมเริ่มเป็นที่ชัดเจนขึ้น พื้นที่ที่เป็นไปได้ในการคำนวณจะลดลง ตัวแปรมีน้อยลง ข้อจำกัดมีเข้มพันธุ์ขึ้น การคำนวณก็จะเร็วขึ้น

ปัญหาการระอุเกรดและแบริเออร์ Frank-Wolfe

Frank-Wolfe มาตรฐานมีปัญหาทางเทคนิค: เมื่อราคาเข้าใกล้ 0 Gradient ของ LMSR จะเข้าสู่อนันต์ลบ ซึ่งส่งผลให้ขั้นตอนต่างที่ชุดเงื่อนไขเป็นไม่คงที่

การแก้ไขคือแบริเออร์ Frank-Wolfe: ไม่คำนึงถึงการค้นหาบนพื้นหลังมาตรฐาน M ทั้งหมด แต่คำนึงถึงการค้นหาบนเวอร์ชัน 'หด' ของ M เวอร์ชันหด ε ยอมรับการลดลงโดยปรับตัวเองขึ้น—เริ่มต้นไกลจากขอบ (เสถียร) และแล้วชินขึ้นมาเข้าใกล้ขอบแท้ (แม่นยำ)

การวิจัยพบว่า การทำซ้ำ 50 ถึง 150 รอบเป็นพอสมควร

ผลการปฏิบัติ

มีค้นพบสำคัญในเอกสาร [2]:

ใน 16 เกมแรกของการแข่งขัน NCAA ผู้ค้าของ Frank-Wolfe (FWMM) และผู้ค้าของกฎจำกัดเส้นตรง (LCMM) มีประสิทธิภาพไม่ต่างกัน—เนื่องจากโซล์เวอร์ของจำนวนเต็มยังช้า

แต่หลังจากลงเดิมพันแล้ว 45 เกม การโปรเจคชันครั้งแรกฝั่ง FWMM เสร็จสิ้นใน 30 นาที

ตั้งแต่นั้นเป็นต้นมา FWMM ในการกำหนดราคาได้ดีกว่า LCMM ถึง 38%

จุดเริ่มต้นคือ: เมื่อช่วงผลลัพธ์ลดลงเหลือจำนวนเต็มที่โซล์โดยไม่เกินไปยังหน้าต่างเวลาของการค้า

FWMM เหมือนนักเรียนที่คาดว่าจะตั้งแต่ข้อเรียน แต่หากหากมีแนวโน้มข้างล่าง จะเริ่มแพร่ LCMM เป็นนักเรียนที่แสดงประสิทธิภาพอย่างเสถียร แต่มีที่ว่าการเข้าถึงจำกัด ความแตกต่างสำคัญก็คือ: FWMM มี 'อาวุธ' ที่ได้รับความเข้ม (การโดนบา้แมน) แต่ต้องใช้เวลาในการ 'ประจด' (รอให้ตัวหารคำนวณ)

บทที่สี่ : ดำเนินการ—ทำไมการคำนวณที่ใช้แล้วก็ยังเสี่ยงที่จะขาดทุน

คุณตรวจพบการอาร์บิทราจำนวน คุณคำนวณการค้าที่สุด

ตอนนี้คุณต้องดำเนินการ

นี่คือจุดที่ส่วนใหญ่ของกลยุทธ์ล้มเหลว

ปัญหาการดำเนินการชั่วคราว

Polymarket ใช้ CLOB (Central Limit Order Book) [9] ไม่เหมือนกับ DEX การซื้อขายบน CLOB เป็นการดำเนินการตามลำดับ - คุณไม่สามารถรับรองได้ว่าคำสั่งทั้งหมดจะเกิดขึ้นพร้อมกัน

แผนกำไรข้อนี้ของคุณ:

ซื้อ YES ราคา $0.30 ซื้อ NO, ราคา $0.30 รวมต้นทุน $0.60 โดยไม่ว่าผลลัพธ์จะเป็นอย่างไรคุณจะได้รับ $1.00 กำไร $0.40

ความเป็นจริง:

· ยื่นคำสั่ง YES → ราคาที่เกิดคือ $0.30 ✓

· คำสั่งของคุณได้เปลี่ยนแปลงราคาตลาด

· ยื่นคำสั่ง NO → ราคาที่เกิดคือ $0.78 ✗

· รวมต้นทุน: $1.08 ได้รับคืน: $1.00 ผลลัพธ์จริง: ขาดทุน $0.08

หนึ่งขาทำการแล้วอีกขาไม่ได้คุณเผชิญกับ

นี่คือเหตุผลที่บทความนำสถิติให้กับโอกาสทางกำไรที่มากกว่า $0.05ความแตกต่างราคาขนาดเล็กๆหนึ่งนี้จะถูกกระตุ้น

ความเสี่ยงการดำเนินการชั่วคราว

VWAP: ราคาดำเนินการจริง

อย่าสมมติว่าคุณสามารถทำการดำเนินการตามราคา. คุณต้องคำนวณราคาเฉลี่ยตามปริมาณ (VWAP) [10]

วิธีการของทีมวิจัยคือ: สำหรับทุกบล็อกบนโพลีกอน (ประมาณ 2 วินาที) คำนวณ VWAP ของการซื้อ YES ทั้งหมดและ VWAP ของการขาย NO ทั้งหมดในบล็อกนั้นหาก |VWAP_yes + VWAP_no - 1.0| > 0.02, เราจะบันทึกโอกาสที่สามารถล้มเหลว [2]

VWAP คือ "ค่าเฉลี่ยราคาที่คุณจ่ายจริง ๆ" หากคุณต้องการซื้อ 10,000 เหรียญ แต่บนบัญชีคำสั่งมีเหรียญ 2,000 เหรียญที่ $0.30, เหรียญ 3,000 ที่ $0.32, 5,000 เหรียญที่ $0.35 ค่า VWAP ของคุณคือ (2000×0.30 + 3000×0.32 + 5000×0.35) / 10000 = $0.326 แพงกว่าราคา "ไฮโซ" $0.30 ที่คุณเห็น

การจำกัดความเคลื่อนไหว: ความสามารถในการได้กำไรขึ้นอยู่กับความลึกของ Order Book

แม้ว่าราคาจะขีดขวางจริงๆ ความสามารถในการได้กำไรของคุณก็ถูกจำกัดโดย Likelihood ที่พร้อมใช้งาน

ตัวอย่างที่แท้จริง [2]：

ตลาดแสดงการมีโอกาสในการอ้วน: YES ราคารวม = $0.85 กำไรโอกาส: สำหรับทุก $1 = $0.15 แต่ความลึกของ Order Book บนราคาเหล่านี้มีเพียง $234 กำไรสูงสุดที่สามารถได้รับ: $234 × 0.15 = $35.10

สำหรับการอ้วนข้ามตลาด คุณต้องมี Likelihood ในทุกที่พร้อมใช้งานพร้อมกัน สิ่งที่เล็กที่สุดจะกำหนดกำกับของคุณ

นี่ก็คือเหตุผลที่ทำให้แสดงราคา Order ต่อราคาการซื้อจะมีผลมากในแพลตฟอร์มที่ได้มา

บทที่ห้า: ระบบครบวงจร—การจัดการสิ่งที่ดำเนินการจริง

ทฤษฎีสะอาด แต่สิ่งที่ดำเนินการจริงกลายเป็นสกปรก

นี่คือระบบออกมาจากการค้นพบโอกาสการอ้วน [2]

ท่อข้อมูล

ข้อมูลแบบเรียลไทม์: เชื่อมต่อ WebSocket กับ API บน Polymarket [9] เพื่อรับการอัพเดท Order Book (การเปลี่ยนแปลงราคา/ปริมาณ) การแจ้งเลิกการซื้อ, การสร้างตลาด/เหตุการณ์การเงินล้างจากตลาด

ข้อมูลประวัติ: ค้นหา API โหนด Alchemy Polygon เพื่อสอบถามเหตุการณ์สัญญา—OrderFilled (การดำเนินการซื้อเสร็จ), PositionSplit (การสร้างเหรียญใหม่), PositionsMerge (การทำลายเหรียญ)

ทีมวิจัยได้วิเคราะห์ราคา 86 ล้านครั้ง [2] ข้อนี้ต้องใช้พื้นฐานไม่ใช่มั่นคง

ปัจจุบันมีแผนสำหรับเปิดตัว API การซื้อขายขายเร็ว หากมีแผนที่จะใช้ระบบซื้อขายประเภทนี้ หวังว่าจะได้ลองใช้ API ให้ได้ในเวลาทันที คุณสามารถส่งข้อความถึงฉันได้ตลอดเวลา

ชั้นตรวจพินิจความสามารถในการเชื่อมโยง

สำหรับ 305 ตลาดการเลือกตั้งในสหรัฐอเมริกา มีทั้งหมด 46,360 คู่การจับคู่ที่เป็นไปได้ที่ต้องตรวจสอบ การวิเคราะห์ด้วยวิธีด้วยมือไม่เป็นไปได้

ทีมวิจัยได้ใช้วิธีอัจฉริยะ: ใช้โมเดลภาษาความลึก DeepSeek-R1-Distill-Qwen-32B เพื่อทำการคัดเลือกเบื้องต้น

ข้อมูลนำเข้า: คำอธิบายเงื่อนไขของสองตลาด ผลลัพธ์: JSON ของคู่ผลลัพธ์ที่ถูกต้อง

จากนั้นทำการตรวจสอบสามชั้น: ตลาดแต่ละตลาดมีเพียงเงื่อนไขเดียว? จำนวนคู่ที่ถูกต้องน้อยกว่า n × m (มีการพึ่งพา)? ชุดย่อยที่พึ่งพาตรงกันกันได้มุ่งเน้นกระทำ?

ผลลัพธ์: 40,057 คู่ที่เป็นอิสระ (ไม่มีการพึ่งพา) → 1,576 คู่ที่มีการพึ่งพา (มีการัศนาการ) → 374 คู่ที่ผ่านเกณฑ์เข้มงวด → 13 คู่ที่มีประโยชน์ตามที่ผ่านการตรวจสอบด้วยมือ [2]

ความแม่นยำของ LLM ในตลาดที่ซับซ้อนที่มีหลายเงื่อนไขคือ 81.45% เพียงพอสำหรับการทำการคัดเลือกเบื้องต้น แต่ต้องมีการตรวจสอบด้วยมือก่อนดำเนินการ

เครื่องมือการปรับปรุงที่สามชั้น

· ชั้นที่หนึ่ง: การจำกัดเชิงเส้นง่าย (LCMM) ตรวจสอบกฎพื้นฐานเช่น "ผลรวมความน่าจะเป็นเท่ากับ 1", "ถ้า A หมายถึง B แล้ว P(A) ต้องไม่เกิน P(B)" เสร็จในไมลิวินาที เอาชนะข้อผิดพลาดในการกำหนดราคาอย่างชัดเจน

· ชั้นที่สอง: การโครงการจำนวนเต็ม (Frank-Wolfe + Gurobi) นี้เป็นส่วนสำคัญ พารามิเตอร์: Alpha = 0.9 (แยกอย่างน้อย 90% ของการทำสาระให้สามารถใช้), ε เริ่มต้น = 0.1 (การหด 10%), ขีดจำกัดการผลผัน = 1e-6, จำกัดเวลา = 30 นาที จำนวนการวนซ้ำทั่วไป: 50-150 ครั้ง การคำนวณในการแก้ไขแต่ละครั้ง: 1-30 วินาที

· ชั้นที่สาม: การตรวจสอบ ก่อนที่จะส่งคำสั่ง จำลองการเทรดบนตำแหน่งสินค้าปัจจุบัน ตรวจสอบ: ของเหลวพอเพียงหรือไม่? มีสไลป์ปลายทางอย่างไร? กำไรที่ได้หลังหักสไลป์ปลายทางคือเท่าไร? กำไรมากกว่าระดับขั้นต่ำหรือไม่ ($0.05)? เฉพาะเมื่อผ่านทุกข้อจฉายว่าจะดำเนินการ

การจัดการตำแหน่ง: สูตร Kelly รุ่นปรับปรุง

สูตร Kelly มาตรฐาน [11] บอกคุณว่าควรลงทุนกี่เปอร์เซ็นต์ของเงินในการเทรด แต่ในบริบทการยืมพื้นที่ เราจำเป็นต้องรวมการปรับปรุงเรื่องความเสี่ยงในการดำเนินด้านกลาง เช่นนี้:

f = (b×p - q) / b × √p

ที่นี่ b คือ อัตรากำไรจากการ套ออกมา, p คือ โอกาสที่จะทำการดำเนินการเต็มร้อย (คาดเดาจากความลึกของ order book), q = 1 - p.

ขีดจำกัด: 50% ของความลึกของ order book เกินส่วนนี้ คำสั่งซื้อของคุณเองจะทำให้ตลาดเคลื่อนไหวอย่างมาก

ผลลัพธ์สุดท้าย

จำนวนกำไรรวมตั้งแต่เมษายน 2024 ถึง เมษายน 2025:

การ套กลุ่มเงื่อนไขเดี่ยว: ซื้อด้านต่ำ 2 ด้าน $5,899,287 + ขายด้านสูง 2 ด้าน $4,682,075 = $10,581,362

การสมดุลตลาด: ซื้อ YES ด้านต่ำทั้งหมด $11,092,286 + ขาย YES ด้านสูงทั้งหมด $612,189 + ซื้อ NO ทั้งหมด $17,307,114 = $29,011,589

การตรวจสอบข้ามตลาด: $95,634

รวม: $39,688,585

นักลงทุนเดิมพันที่ได้รับกำไร 10 อันดับแรก ได้กลับบ้านกับ $8,127,849 (อัตราเปอร์เซนต์ 20.5% ของกำไรทั้งหมด) นักเดิมพันอันดับ 1: $2,009,632, มาจากการซื้อขายทั้งสิ้น 4,049 รายการ, ค่าเฉลี่ยต่อรายการ $496[2]

ไม่ใช่การเล่นสลาก ไม่ใช่โชคชะตา แต่เป็นการดำเนินการอย่างระบบสมบูรณ์ตามคณิตศาสตร์

ความเป็นจริงสุดท้าย

ขณะที่นักเทรดกำลังอ่าน "เคล็ดลับ 10 ข้อเที่คาดการณ์ตลาด" ระบบควอนติ้ไม่ส่งเสริมอะไร?

พวกเขากำลังตรวจจับความสัมพันธ์ระหว่างเงื่อนไข 17,218 รายการด้วยอุปกรณ์ประมาณจำนวนเต็ม พวกเขากำลังคำนวณการซื้อขายเพื่อดำเนินการอย่างไร้ที่ติความลำบากด้วยอัลกอริทึมเบรกแมน พวกเขากำลังเรียกใช้อัลกอริทึล์ Frank-Wolfe เพื่อประมวลผลเน้ไบร์ชาเองพวกเขากำลังใช้ VWAP เพื่อประมาณการ Slip และปฏิบัติคำสั่งพร้อมๆ กันพวกเขากำลังทำการแปรผลออกมาถึง 4000 ล้านเหรียญสหรัฐ

ความแตกต่างไม่ได้เป็นโชคชะตา มันเป็นพื้นฐานทางคณิตศาสตร์

ผลกระด่างถูกเผยแพร่ [1] อัลกอริธัมรู้จัก กำไรเป็นจริง

คำถามคือ: คุณจะสามารถสร้างระบบอย่างนี้ก่อนจำนวนเงิน 4000 ล้านเหรียญถูกกดออกมา?

คู่มือเบราว์ซีรวดเร็ว

• Marginal Polytope → พื้นที่ที่ประกอบด้วย "ราคาที่ถูกต้อง" ราคาจะต้องอยู่ในพื้นที่นี้เพื่อไม่มีโอกาสการอัดอ้อม สามารถเข้าใจได้ว่าเป็น "พื้นที่ราคาที่ถูกต้อง"

• Integer Programming → ใช้อัตราความโปร่งใสเช่นเส้นเชื่อมอธิบายผลลัพธ์ที่ถูกต้อง เพื่อหลีกเลี่ยงการทำการแบบหยั่งแบบกระทบประสิทธิภาพการกระทำ การบีบอัดระดับการตรวจสอบ 2^63 เท่าเท่ากับเส้นขีดจำกัดเล็ก ๆ เพื่อรักษาตลอด [3]

• ความเบรกแมน / KL Divergence → วิธีวัด "ระยะทาง" ระหว่างการกระจายความน่าจะเป็นสองรูปแบบ ดีกว่าระยะของยูคลิดเหมาะกับเนื้อหาราคา / ความน่าจะเป็น น้ำหนักระหว่างการเปลี่ยนแปลงที่อยู่ใกล้ตัวของราคาสุดยอด [5][6]

• LMSR (Logarithmic Market Scoring Rule) → กฎการกำหนดราคาซึ่ง Polymarket ใช้เป็นกลไกการตั้งราคา ราคาแทนความน่าจะเป็นที่ถาวร [4]

• อัลกอริทึม Frank-Wolfe → วิธีการเลือกตั้งที่มีการส่งผ่านรายการหมุนการปรับแต่ละรอบเพียงที่จะใส่จุดยอดใหม่หนึ่งดวงเพื่อหลีกเลี่ยงการค้นหาผลลัพธ์ที่ถูกต้องจำนวนเชิงกำลัง [7]

• Gurobi → ซอล์เวิอร์การคำนวณอิเล็กตรอที่เป็นผู้นำในโลกซอล์วอร์ การดำเนินการปรับที่มีการแนะนำ Frank-Wolfe ในแต่ละรอบรอบ [8]

• CLOB (Central Limit Order Book) → กลไกการจับคู่รายการของ Polymarket การแก้ไขชุดคำสั่งตามลำดับ ไม่สามารถรับประกันการทำให้เสร็จสิ้นแทนการ [9]

• VWAP (Volume-Weighted Average Price) → ราคาเฉลี่ยที่ท่านจ่ายจริง ๆ คำนึงถึงความลึกของสมุดคำสั่ง ดีกว่า "ราคาดีที่สุด" ที่เป็นความจริง [10]

• สูตร Kelly → บอกให้คุณรู้ว่าคุณควรลงทุนสัดส่วนใดของเงินในการซื้อขาย เพื่อสมดุลระหว่างกำไรและความเสี่ยง [11]

• การดำเนินการที่ไม่ใช้อิโตมี → หัวขาตั้งไม่สามารถรับประกันการส่งผลลัพธ์ที่รวดเร็ว คำสั่งหลายๆ ชุดที่ไม่สามารถรับประกันการดำเนินการพร้อมกัน การซื้อขายที่สมบูรณ์แบบอาจไม่สามารถทันที [9]

• DeepSeek → ระอำความคิดเบื้องต้นของตลาดโมเดลภาษาใหญ่ที่ใช้ในการคัดเลือก ความแม่นยำ 81.45%

อ้างอิง

[1] ต้นฉบับ: https://x.com/RohOnChain/status/2017314080395296995

[2] รายงานวิจัย "Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets": https://arxiv.org/abs/2508.03474

[3] รายงานพื้นฐานทฤษฎี "Arbitrage-Free Combinatorial Market Making via Integer Programming": https://arxiv.org/abs/1606.02825

[4] คำอธิบายกฎ LMSR โดยแบบไปสุค: https://www.cultivatelabs.com/crowdsourced-forecasting-guide/how-does-logarithmic-market-scoring-rule-lmsr-work

[5] คำแนะนำค่าบร็อกแมน: https://mark.reid.name/blog/meet-the-bregman-divergences.html

[6] ความแตกต่างของ KL Divergence - Wikipedia: https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence

[7] อัลกอริทึม Frank-Wolfe - Wikipedia: https://en.wikipedia.org/wiki/Frank%E2%80%93Wolfe_algorithm

[8] Gurobi โซล์เวอร์: https://www.gurobi.com/

[9] การดำเนินการ CLOB API ของ Polymarket: https://docs.polymarket.com/

[10] คำอธิบาย VWAP - Investopedia: https://www.investopedia.com/terms/v/vwap.asp

[11] สูตรเคลลี - Investopedia: https://www.investopedia.com/articles/trading/04/091504.asp

[12] รายงานของ Decrypt "The $40 Million Free Money Glitch": https://decrypt.co/339958/40-million-free-money-glitch-crypto-prediction-markets

ลิงก์เดิม

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia