Innan Kalshi arbetade jag på ett välkänt nyhetsföretag. Min roll var centrerad kring datadriven storytelling (att översätta data från källa till skärm). Jag känner mig kvalificerad att ge min syn på hur prognosmarknader demokratiserar datainsamling genom att åtgärda problemet med datafördröjning. Införandet I min förra roll insåg jag hur traditionell datainsamling kommer med en dödlig brist: fördröjning. Datauppsättningar reagerar långsamt på snabba förändringar. Data samlas in under godtyckligt långa perioder av veckor och år. 1. Det tar en månad för en jobb- eller inflationsrapport att lösa sig till en siffra. 2. Det tar en säsong eller ett år att mäta kumulativa vädermönster. 3. Det tar en dag att bedöma hur marknaden smälter en nyhet. Fall av fördröjning skapar fickor av ineffektivitet, vilket i slutändan orsakar förlust för aktörer nedströms: 1. En chockinflationsrapport förstör din 401K. 2. En bönräknare i en delstat i Mellanvästern höjer dina hemförsäkringspremier eftersom du nu befinner dig i en översvämningszon. 3. Asymmetrisk information om en läkemedelsprövning påverkar en aktie. (Jag kan räkna upp 50 till, men ni fattar) Hur prognosmarknader hanterar fördröjning Förutsägelsemarknader förvandlar ojämna, långsamt anlända datauppsättningar till en levande sannolikhetsström. Istället för att vänta på nästa steg i en hackig trappa får du en jämn kurva som uppdateras i realtid. En sådan informationskälla gör aktuariella, finansiella och sociala modeller bättre genom att komprimera förlustfunktionen hos ett förskjutet datamedium som tar en godtycklig tid att räkna ut. Men behöver du inte data för att projektledare ska kunna arbeta effektivt? Ja! Självklart. Utan stöddata är förutsägelsemarknader bara Magic Eight Balls. Datainsamling kommer alltid att finnas – men prognosmarknader absorberar implicit dessa data på ett dollaruppbackat sätt. 1. Prognosmarknader är dataaggregatorer och kommer att kämpa för åsikterna från korrekta, opartiska och aktuella källor. 2. De tar hänsyn till hårda data och mjuka signaler i realtid. 3. Den effektiva marknaden belönar deltagare för att korrigera odds som är felaktiga. Skapar deltagarens profil partiskhet? Något, men inte helt. Profilen för vem som deltar spelar roll, men utformningen av förutsägelsemarknader tenderar att självkorrigera bias på ett sätt som gör dem ovanligt robusta jämfört med de flesta datainsamlingssystem. 1. Resultattjudring minskar driften. Alla marknader löser sig i slutändan, och deltagarna belönas för att de avstår från fördomar. Med tiden försöker deltagarna normalisera sina fördomar för att maximera det personliga resultatet. 2. Partiskhet uppstår. Om en partisk kohort av deltagare får oddsen att glida iväg, kommer en annan kohort att uppmuntras att med tvång ändra priset på marknaden. 3. En effektiv marknad består av många transaktioner från heterogena aktörer. Precis som en aktiemarknad erbjuder detaljhandel, experter, hedgefonder etc. alla sin egen fördel som sätts samman till rätt prissättning av en marknad. Nettoeffekt: Bias finns på individnivå men prisas kontinuerligt ut på systemnivå. Förutsägelsemarknader omvandlar bruset av individuell övertygelse till en jämnare, mer exakt sannolikhetskurva som överträffar eftersläpande, endimensionella datamängder. Vem bryr sig? Det finns ett äktenskap mellan data och förutsägelsemarknader. Det ena kan inte existera utan det andra. Genom olika mekanismer för rätt prissättning etablerar förutsägelsemarknader en kontinuerlig kurva av sannolikheter som minskar bruset, komprimerar förluster från laggiga data och ger en bättre "slutlig siffra" för modellering. Resultat i den kontinuerliga verkliga världen kan nu förankras i mer effektiva mätvärden. I ett verkligt scenario innebär detta att referera till förutsägelser av marknadsresultat direkt i modeller, nyhetsartiklar, analyser med mera. Och detta har bara börjat med adoption från marknadsgaranter, nyhetsföretag och dataplattformar. TLDR (på engelska) Data kommer vanligtvis i godtyckliga intervall. Förutsägelsemarknader har olika sätt att komprimera förlust mellan dessa intervall. Du kan använda den här mekanismen för rätt prissättning för användbara verkliga program. Du är fortfarande tidig.