Avant Kalshi, j'ai travaillé dans une entreprise de presse grand public bien connue. Mon rôle était centré sur la narration basée sur les données (traduire les données de la source à l'écran). Je me sens qualifié pour donner mon avis sur la façon dont les marchés de prédiction démocratisent la collecte de données en résolvant le problème du décalage des données. Introduction Dans mon dernier poste, j'ai réalisé que la collecte de données traditionnelle présente un défaut fatal : le décalage. Les ensembles de données réagissent lentement aux changements rapides. Les données sont collectées sur des périodes arbitrairement longues de semaines et d'années. 1. Il faut un mois pour qu'un rapport sur l'emploi ou l'inflation se traduise par un chiffre. 2. Il faut une saison ou une année pour mesurer les tendances météorologiques cumulées. 3. Il faut un jour pour évaluer comment le marché digère une information. Les cas de décalage créent des poches d'inefficacité, entraînant finalement des pertes pour les acteurs en aval : 1. Un rapport d'inflation choquant détruit votre 401K. 2. Un comptable dans un État du Midwest augmente vos primes d'assurance habitation parce que vous êtes maintenant dans une zone inondable. 3. Une information asymétrique sur un essai clinique fait chuter une action. (Je peux en lister 50 de plus, mais vous avez compris l'idée) Comment les marchés de prédiction abordent le décalage Les marchés de prédiction transforment des ensembles de données irréguliers et lents à arriver en un flux de probabilité vivant. Au lieu d'attendre la prochaine étape sur un escalier chaotique, vous obtenez une courbe lisse qui se met à jour en temps réel. Une telle source de vérité améliore les modèles actuariels, financiers et sociaux en compressant la fonction de perte d'un support de données échelonné qui prend un temps arbitraire pour se stabiliser. Mais, avez-vous besoin de données pour que les marchés de prédiction fonctionnent efficacement ? Oui ! Bien sûr. Sans données de soutien, les marchés de prédiction ne sont que des Magic Eight Balls. La collecte de données existera toujours – mais les marchés de prédiction absorbent implicitement ces données de manière soutenue par des dollars. 1. Les marchés de prédiction sont des agrégateurs de données et défendront les points de vue de sources précises, impartiales et actuelles. 2. Ils tiennent compte des données dures et des signaux faibles en temps réel. 3. Le marché efficace récompense les participants pour avoir corrigé des cotes incorrectes. Le profil des participants crée-t-il un biais ? En quelque sorte, mais pas complètement. Le profil de qui participe compte, mais la conception des marchés de prédiction tend à auto-corriger le biais de manière à les rendre exceptionnellement robustes par rapport à la plupart des systèmes de collecte de données. 1. L'ancrage des résultats réduit la dérive. Tous les marchés finissent par se résoudre, et les participants sont récompensés pour avoir renoncé à leurs biais. Au fil du temps, les participants cherchent à normaliser leur biais pour maximiser leur résultat personnel. 2. Le biais est arbitré. Si un groupe de participants biaisés fait dériver les cotes, un autre groupe sera incité à réévaluer le marché de force. 3. Un marché efficace se compose de nombreuses transactions de participants hétérogènes. Comme dans un marché boursier, les détaillants, les experts, les fonds spéculatifs, etc. offrent tous leur propre avantage qui est assemblé dans le bon prix d'un marché. Effet net : le biais existe au niveau individuel mais est continuellement éliminé au niveau systémique. Les marchés de prédiction transforment le bruit de la conviction individuelle en une courbe de probabilité plus lisse et plus précise qui surpasse les ensembles de données unidimensionnels en retard. Qui s'en soucie ? Il y a un mariage entre les données et les marchés de prédiction. L'un ne peut exister sans l'autre. À travers divers mécanismes de juste prix, les marchés de prédiction établissent une courbe continue de probabilités qui réduit le bruit, compresse la perte due aux données lentes, et produit un "chiffre final" meilleur pour la modélisation. Les résultats dans le monde réel peuvent désormais être ancrés dans des métriques plus efficaces. Dans un scénario réel, cela signifie référencer directement les résultats des marchés de prédiction dans des modèles, des articles de presse, des analyses, et plus encore. Et cela commence à peine avec l'adoption par les créateurs de marché, les entreprises de presse et les plateformes de données. TLDR Les données arrivent généralement par intervalles arbitraires. Les marchés de prédiction ont différentes manières de compresser la perte entre ces intervalles. Vous pouvez utiliser ce mécanisme de juste prix pour des applications utiles dans le monde réel. Vous êtes encore tôt.