預測市場流動性算法

頂級域名：

- 預測市場流動性始於簡單的數學公式，如LMSR和恆定乘積AMM。

- 這些方法在啓動時有效，但使操作員面臨了巨大的風險。

- 現在平台正在轉向自適應算法和訂單簿，讓做市商調整價差、平衡庫存和回收費用。

- 下一波將是跨市場淨額結算、連環投注和強化學習機器人。

1. 問題

每個金融市場都面臨着同一個問題：誰來承擔交易的另一方？

> 在股票市場，專業人士和做市商。
> 在期貨中，場內交易員和結算會員。
> 在期權中，與波動率曲面相關的流動性提供算法。

> 在預測市場中，工具更新，風險更爲陌生，算法仍在不斷演進。

- 每個合約需要持續的雙向報價。沒有流動性，市場就會停滯不前。噪音過多，價差會擴大到無用的水平。

- 與股票或外匯不同，預測合約並不能清晰地映射到現金流或對沖。市場做市商並不是將風險轉移到某個更深的池子中，而是這個池子。

2. 第一代：恆定產品和LMSR

- LMSR: 羅賓·漢森的成本函數模型直接定價交易。一個單一的參數“b”設定流動性：更高的b意味着價格更平滑，較低的b意味着價格波動更劇烈。

- AMM：DeFi後來使用了Uniswap風格的常數乘積池(x·y = k)，以便交易者可以始終根據儲備購買結果代幣。

這兩種方案都解決了引導問題，但存在缺陷：
- LMSR使操作者面臨無界損失。
- 如果結果偏斜或流動性較淺，常數乘積會導致資本流失。

3. 第二代：自適應市場做市商

爲了擴展，平台開始嘗試自適應算法：
- 動態點差調整：根據訂單流量擴大或縮小報價。
- 庫存敏感曲線：如果一側的未平倉合約過多，則調整賠率。
- 費用回收：將交易費用再投資於流動性池，延長資金使用時間。

4. 歷史的教訓

- 在期權中，Black-Scholes 提供了定價框架；波動率曲面出現；市場做市商動態對沖。

- 在ETF中，授權參與者套利淨值與市場，保持價差緊密。

- 在外匯市場中，算法市場做市商優化了逐筆的庫存。

預測市場正在重走這些步驟，但沒有深度對沖工具的奢侈。它們唯一的對沖是時間多樣化(許多市場)和費用收入。

5. 它將去往何處

前沿是自我對沖的流動性提供算法：
- 跨市場淨額結算：抵消相關事件的風險敞口，例如，多個選舉州(。

- 復合引擎：將合約組合成籃子，降低方差。

- 強化學習的流動性提供者：根據事件賠率的實際波動性動態調整“b”參數、價差和庫存的機器人。