Algoritme Likuiditas Pasar Prediksi

TLDR:

- Likuiditas pasar prediksi dimulai dengan rumus matematika sederhana seperti LMSR dan AMM produk-konstan.

- Ini berhasil untuk bootstrap tetapi mengekspos operator pada risiko besar.

- Sekarang platform beralih ke algoritme adaptif dan buku pesanan yang memungkinkan mm untuk menyesuaikan spread, menyeimbangkan inventaris, dan mendaur ulang biaya.

- Gelombang berikutnya akan berupa netting lintas pasar, parlay, dan bot pembelajaran penguatan.

1. Masalah

Setiap pasar keuangan telah bergumul dengan pertanyaan yang sama: Siapa yang mengambil sisi lain dari perdagangan?

> Dalam ekuitas, spesialis dan pembuat pasar.
> Dalam futures, pedagang lantai dan anggota kliring.
> Dalam opsi, algoritme penyediaan likuiditas yang terkait dengan permukaan volatilitas.

> Dalam pasar prediksi, alatnya lebih baru, risikonya lebih aneh, dan algoritmenya masih terus berkembang.

- Setiap kontrak membutuhkan kutipan dua sisi yang berkelanjutan. Tanpa likuiditas, pasar terhenti. Terlalu banyak kebisingan, dan spread melebar ke tingkat yang tidak berguna.

- Tidak seperti ekuitas atau FX, kontrak prediksi tidak dapat dipetakan dengan jelas ke arus kas atau lindung nilai. Pembuat pasar tidak memindahkan risiko ke dalam kolam yang lebih dalam, itu adalah kolam tersebut.

2. Generasi Pertama: Produk Konstan dan LMSR

- LMSR: Model fungsi biaya Robin Hanson menetapkan harga perdagangan secara langsung. Satu parameter "b" mengatur likuiditas: b yang lebih tinggi berarti harga yang lebih halus, b yang lebih rendah berarti pergerakan yang lebih tajam.

- AMM: DeFi kemudian menggunakan kolam produk konstan gaya Uniswap (x·y = k) sehingga trader selalu dapat membeli token hasil melawan cadangan.

Kedua skema menyelesaikan bootstrapping tetapi memiliki kelemahan:
- LMSR mengekspos operator pada kerugian tak terbatas.
- Produk konstan menguras modal jika hasilnya miring atau likuiditasnya dangkal.

3. Generasi Kedua: Pembuat Pasar Adaptif

Untuk skala, platform mulai bereksperimen dengan algoritme adaptif:
- Penyesuaian spread dinamis: melebar atau mempersempit kutipan berdasarkan aliran pesanan.
- Kurva sensitif inventaris: menggeser peluang jika terlalu banyak minat terbuka terkumpul di satu sisi.
- Daur ulang biaya: mengalihkan biaya perdagangan kembali ke kolam likuiditas, memperpanjang jalur.

4. Pelajaran dari Sejarah

- Dalam opsi, Black-Scholes memberikan kerangka penetapan harga; permukaan volatilitas muncul; pembuat pasar melakukan lindung nilai secara dinamis.

- Dalam ETF, peserta yang berwenang melakukan arbitrase NAV vs. pasar, menjaga spread tetap ketat.

- Dalam FX, pembuat pasar algoritmik mengoptimalkan inventaris tick demi tick.

Pasar prediksi sedang mengulangi langkah-langkah ini, tetapi tanpa kemewahan instrumen lindung nilai yang dalam. Satu-satunya lindung nilai mereka adalah diversifikasi waktu ( banyak pasar ) dan pendapatan biaya.

5. Ke Mana Arah Tujuannya

Perbatasan adalah algoritme penyediaan likuiditas yang melakukan lindung nilai otomatis:
- Penyeimbangan lintas pasar: mengimbangi eksposur di berbagai peristiwa yang berkorelasi (misalnya, beberapa negara bagian pemilihan).

- Mesin parlay: menggabungkan kontrak menjadi keranjang, mengurangi varians.

- LP pembelajaran penguatan: bot yang menyesuaikan parameter "b", spread, dan inventaris secara dinamis berdasarkan volatilitas realisasi dari peluang acara.