Автор: Денис Аветисян
Исследователи разработали автоматизированную систему для торговли комбинированными контрактами, способную эффективно обрабатывать большое количество взаимосвязанных ставок.
"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.
Бесплатный Телеграм канал
Представлен автоматический маркет-мейкер ParlayMarket, использующий общую, обученную модель совместного распределения вероятностей для обеспечения полиномиальной сложности и ограниченных потерь.
Существующие механизмы агрегации информации в прогнозных рынках оптимизированы для отдельных событий, что затрудняет эффективную торговлю комплексными сценариями. В данной работе, посвященной разработке системы ‘ParlayMarket: Automated Market Making for Parlay-style Joint Contracts’, предложен автоматизированный маркет-мейкер, поддерживающий торговлю комбинаторными контрактами через единый пул ликвидности и обеспечивающий согласованное ценообразование. Показано, что динамика системы сходится к уникальной точке равновесия, аппроксимирующей истинное совместное распределение с полиномиальной сложностью и ограниченными убытками. Возможно ли дальнейшее расширение возможностей ParlayMarket для поддержки еще более сложных типов контрактов и сценариев, а также адаптация к различным финансовым рынкам?
Экспоненциальный кошмар: Почему вероятностное моделирование ломается
Точное представление совместного распределения вероятностей для большого числа взаимосвязанных активов представляет собой сложную вычислительную задачу, не поддающуюся решению традиционными методами. Проблема заключается в том, что количество возможных комбинаций состояний активов растет экспоненциально с увеличением их числа, что делает невозможным перебор и анализ всех вариантов. Например, для n активов необходимо учитывать 2^n различных состояний, что быстро становится непосильным даже для современных вычислительных мощностей. Такой экспоненциальный рост сложности ограничивает возможность точной оценки рисков и определения справедливых цен в финансовых моделях, особенно на рынках, где взаимосвязи между активами сложны и динамичны. В результате, существующие подходы часто прибегают к упрощениям и аппроксимациям, что приводит к потере информации и снижению точности прогнозов.
В контексте комбинаторных рынков, существующих методы моделирования вероятностей сталкиваются с серьезными ограничениями масштабируемости. Экспоненциальный рост пространства контрактов, характерный для этих рынков, делает невозможным эффективное представление и обработку всех возможных исходов. Это напрямую влияет на ликвидность — чем сложнее рынок, тем меньше участников готовы торговать по всем контрактам. В результате, процесс ценообразования становится неэффективным, приводя к неточным оценкам и снижая привлекательность рынка для потенциальных инвесторов. Ограниченное количество доступных контрактов, на которых совершаются сделки, препятствует полному раскрытию информации и формированию адекватных рыночных цен, что, в свою очередь, снижает общую эффективность и надежность таких платформ.
Для адекватного моделирования сложных взаимосвязей в комбинированных рынках требуется принципиально новый подход к представлению и обновлению вероятностных оценок. Традиционные методы, при попытке учесть все возможные комбинации активов, сталкиваются с экспоненциальным ростом вычислительной сложности и, как следствие, с экспоненциальным увеличением масштаба потерь при неточном прогнозировании. Это означает, что наивные подходы к оценке вероятностей становятся практически нереализуемыми при увеличении числа взаимосвязанных активов. Поэтому необходима парадигма, позволяющая эффективно представлять зависимости и динамически обновлять убеждения о них, избегая при этом неконтролируемого роста вычислительных затрат и обеспечивая устойчивость к ошибкам в оценках.
![ParlayMarket позволяет создавать [latex]2M^2[/latex] рынков с капиталом [latex]O(M^2)[latex], при этом теоретический и экспериментальный анализ показывает полиномиальное, а не экспоненциальное масштабирование потерь.](https://arxiv.org/html/2603.22596v1/x2.png)
![В отличие от всех остальных не-оракульных моделей, демонстрирующих плато или рост потерь при наличии парлея, модель ParlayMarket является единственной, чьи потери экспоненциально уменьшаются с увеличением числа базовых рынков [latex]MM[/latex].](https://arxiv.org/html/2603.22596v1/x4.png)
Динамическое обновление убеждений: Как ParlayMarket учится на ходу
В ParlayMarket для обновления параметров модели Изинга используются алгоритмы стохастического градиентного спуска (SGD) на основе наблюдаемых сделок. Алгоритм SGD позволяет итеративно корректировать параметры модели, минимизируя функцию потерь, вычисляемую на основе расхождений между предсказанными вероятностями и фактическими данными о сделках. Каждая сделка рассматривается как градиент, направляющий обновление параметров в сторону уменьшения ошибки. Использование SGD обеспечивает масштабируемость процесса обучения, особенно при обработке больших объемов данных о сделках, и позволяет модели адаптироваться к изменениям рыночной конъюнктуры в режиме реального времени. \nabla \theta = \eta \nabla L(\theta) , где θ - параметры модели, L - функция потерь, а η - скорость обучения.
Для оценки предельных вероятностей в графической модели ParlayMarket использует алгоритм Loopy Belief Propagation (LBP). LBP представляет собой метод приближенного вывода в вероятностных графических моделях, позволяющий эффективно вычислять вероятности для каждой переменной, учитывая зависимости между ними. В отличие от точного, но вычислительно сложного алгоритма Belief Propagation, LBP допускает циклы в графе, что делает его применимым к более широкому классу моделей, включая Ising Model, используемую в ParlayMarket. Масштабируемость LBP достигается за счет локальных вычислений, где каждое узловое сообщение зависит только от соседних узлов, что значительно снижает вычислительную сложность по сравнению с глобальными алгоритмами вывода.
В ParlayMarket для обеспечения согласованности цен на коррелированных рынках используются внутренние “теневые” сделки (Shadow Trades). Эти сделки распространяют информацию о торговых потоках между рынками, позволяя модели Ising быстро адаптироваться к изменениям. Синтетические оценки демонстрируют, что использование теневых сделок обеспечивает геометрическую сходимость ошибок цен, то есть ошибка уменьшается экспоненциально с каждой итерацией обновления модели. Это позволяет достичь стабильных и точных цен, отражающих взаимосвязи между различными рынками.
![Модель ParlayMarket демонстрирует наилучшую производительность среди не-оракульных моделей при различных уровнях шума, пересекая точку безубыточности только при его высоких значениях [latex] (M=9, M\in\{3,4,5\}) [/latex].](https://arxiv.org/html/2603.22596v1/x9.png)
Масштабируемость и эффективность: когда рост сложности не страшен
Эмпирические результаты демонстрируют, что величина потерь в ParlayMarket масштабируется благоприятным образом с увеличением числа базовых активов - явление, получившее название Complete-Parlay Scaling. Этот процесс означает, что по мере экспоненциального роста сложности контрактного пространства, рыночная эффективность не снижается, а сохраняется на стабильном уровне. В частности, установлено, что масштабирование потерь подчиняется закономерности O(M^2), где M - количество базовых активов. Таким образом, ParlayMarket демонстрирует способность поддерживать предсказуемый уровень риска даже при значительном увеличении числа доступных для торговли инструментов, что делает его перспективным решением для сложных финансовых рынков.
Исследования демонстрируют, что эффективность разработанного рынка сохраняется даже при экспоненциальном росте сложности контрактов. Уникальная особенность заключается в том, что потери масштабируются пропорционально квадрату количества базовых активов - O(M^2). Такое масштабирование указывает на то, что рынок способен эффективно обрабатывать всё более сложные финансовые инструменты без существенного увеличения рисков, что делает его устойчивым к росту объемов торгов и разнообразию активов. Данный показатель свидетельствует о превосходной способности системы поддерживать оптимальную производительность и минимизировать потенциальные убытки в условиях быстрорастущей сложности.
Внутренняя стабильность предложенной структуры обеспечивается механизмом ограничения убытков, что является ключевым фактором управления рисками и способствует укреплению доверия участников рынка. Данный подход гарантирует, что потенциальные потери остаются в приемлемых пределах, даже при высокой волатильности базовых активов. В результате, рыночная структура демонстрирует конкурентоспособную эффективность портфельных инвестиций, сопоставимую с существующими рыночными моделями, и обеспечивает более предсказуемую и устойчивую доходность для инвесторов, что особенно важно в условиях сложной финансовой среды.
Работа описывает ParlayMarket, автоматизированного маркет-мейкера, который пытается обуздать экспоненциальную сложность комбинированных предсказательных рынков. Авторы утверждают, что им удалось добиться полиномиальной сложности, поддерживая общую, выученную репрезентацию совместного распределения. Звучит красиво, но, вероятно, через пару лет кто-нибудь скажет, что это «современный AI» и получит финансирование, чтобы всё сломать. Как метко заметил Г.Х. Харди: «Чистая математика - это не помощь в решении конкретных проблем, а, скорее, создание мира, в котором эти проблемы могут быть сформулированы». В данном случае, задача сформулирована, но не факт, что решение не превратится в технический долг, за который придётся расплачиваться коммитами и бессонными ночами.
Что дальше?
Предложенный подход, безусловно, элегантен. Попытка уместить сложность комбинаторных рынков предсказаний в рамки полиномиальной сложности - задача достойная. Однако, история учит, что любая «эффективность» на бумаге неизбежно сталкивается с жестокой реальностью производственной нагрузки. Вопрос не в том, сработает ли модель в вакууме, а в том, как она поведет себя, когда пользователи начнут пытаться эксплуатировать любые, даже самые незначительные, несоответствия.
Особое внимание следует уделить вопросу ликвидности. Поддержание "консистентности ликвидности" - звучит красиво, но кто-нибудь проверил, что эта консистентность не требует таких объемов капитала, что вся схема станет попросту нереализуемой? Ведь в конечном итоге, даже самый изящный алгоритм агрегации информации бесполезен, если на рынке некому торговать.
Вполне вероятно, что в погоне за масштабируемостью, авторы упустили из виду более простые, но надежные решения. Иногда лучше монолит, чем сто микросервисов, каждый из которых врёт. Будущие исследования, вероятно, покажут, что истинная ценность этой работы не в самом алгоритме, а в постановке вопроса - а именно, в том, что комбинаторные рынки предсказаний требуют совершенно иного подхода к построению автоматизированных маркет-мейкеров, чем традиционные.
Оригинал статьи: https://arxiv.org/pdf/2603.22596.pdf
Связаться с автором: https://www.linkedin.com/in/avetisyan/
Смотрите также:
- Стоит ли покупать фунты за йены сейчас или подождать?
- Nvidia: О дроблениях акций и призраках биржи
- Аэрофлот акции прогноз. Цена AFLT
- Рынок в ожидании: ставка ЦБ, риски для маркетплейсов и убытки регулятора (21.03.2026 01:32)
- Стоит ли покупать доллары за бразильские реалы сейчас или подождать?
- Российский рынок: между геополитикой, инфляцией и корпоративной прибылью (23.03.2026 11:33)
- Российский рынок: Снижение производства, стабильный банковский сектор и ускорение инфляции (26.03.2026 01:32)
- Искусственный интеллект: Кого выбрать?
- Стоит ли покупать фунты за рубли сейчас или подождать?
- Владельцы биткоинов потеряли 7 миллиардов долларов — и это уморительно! 🤣
2026-03-25 14:12