Înainte de Kalshi, am lucrat la o cunoscută companie de știri. Rolul meu s-a concentrat pe povestirea bazată pe date (traducerea datelor de la sursă la ecran). Mă simt calificat să-mi ofer părerea despre modul în care piețele de predicție democratizează colectarea datelor prin rezolvarea problemei întârzierii datelor. Introducere În ultimul meu rol, mi-am dat seama că colectarea tradițională de date vine cu un defect fatal: întârzierea. Seturile de date reacționează lent la schimbările rapide. Datele sunt colectate în perioade arbitrar lungi de săptămâni și ani. 1. Este nevoie de o lună pentru ca un raport privind locurile de muncă sau inflația să se rezolve într-un număr. 2. Este nevoie de un sezon sau un an pentru a măsura tiparele meteorologice cumulative. 3. Este nevoie de o zi pentru a evalua modul în care piața digeră o știre. Cazurile de întârziere creează buzunare de ineficiență, cauzând în cele din urmă pierderi actorilor din aval: 1. Un raport de inflație șoc îți distruge 401K. 2. Un contor de fasole într-un stat din Midwest vă crește primele de asigurare a locuinței, deoarece acum vă aflați într-o zonă inundată. 3. Informațiile asimetrice despre un studiu de medicamente prăbușesc o acțiune. (Pot enumera încă 50, dar ați înțeles ideea) Cum abordează piețele de predicție întârzierea Piețele de predicție transformă seturile de date zimțate, care ajung lent, într-un flux de probabilitate vie. În loc să așteptați următorul pas pe o scară agitată, obțineți o curbă netedă care se actualizează în timp real. O astfel de sursă de adevăr îmbunătățește modelele actuariale, financiare și sociale prin comprimarea funcției de pierdere a unui mediu de date eșalonat care necesită o perioadă arbitrară de timp pentru a fi recompensată. Dar nu aveți nevoie de date pentru ca PM-urile să funcționeze eficient? Da! Desigur. Fără date de susținere, piețele de predicție sunt doar opt bile magice. Colectarea datelor va exista întotdeauna – dar piețele de predicție absorb implicit aceste date într-o manieră susținută de dolari. 1. Piețele de predicție sunt agregatoare de date și vor susține opiniile surselor precise, imparțiale și actuale. 2. Ei contabilizează datele concrete și semnalele soft în timp real. 3. Piața eficientă recompensează participanții pentru corectarea cotelor care sunt incorecte. Profilul participantului creează părtinire? Oarecum, dar nu complet. Profilul celor care participă contează, dar designul piețelor de predicție tinde să autocorecteze părtinirea în moduri care le fac neobișnuit de robuste în comparație cu majoritatea sistemelor de colectare a datelor. 1. Tethering-ul rezultatelor reduce deriva. Toate piețele se rezolvă în cele din urmă, iar participanții sunt recompensați pentru renunțarea la prejudecăți. În timp, participanții caută să-și normalizeze prejudecățile pentru a maximiza rezultatele personale. 2. Prejudecățile sunt ardate. Dacă o cohortă părtinitoare de participanți face ca cotele de preț să devieze, o altă cohortă va fi stimulată să reevalueze forțat piața. 3. O piață eficientă constă din multe tranzacții de la participanți eterogene. La fel ca o piață bursieră, retail, experți, fonduri speculative etc. toate oferă propriul avantaj care este asamblat în prețul corect al unei piețe. Efect net: Prejudecățile există la nivel individual, dar sunt evaluate în mod continuu la nivel de sistem. Piețele de predicție transformă zgomotul convingerii individuale într-o curbă de probabilitate mai lină și mai precisă, care depășește seturile de date unidimensionale întârziate. Cui îi pasă? Există o căsătorie între piețele de date și predicții. Una nu poate exista fără cealaltă. Prin diverse mecanisme de stabilire a prețurilor corecte, piețele de predicție stabilesc o curbă continuă de probabilități care reduce zgomotul, comprimă pierderile din datele întârziate și produce un "număr final" mai bun pentru modelare. Rezultatele în lumea reală continuă pot fi acum înrădăcinate în indicatori mai eficienți. Într-un scenariu real, acest lucru înseamnă să se facă referire la rezultatele pieței de predicție direct în modele, articole de știri, analize și multe altele. Și asta abia începe cu adoptarea de către formatorii de piață, companiile de știri și platformele de date. TLDR Datele vin de obicei la intervale arbitrare. Piețele de predicție au moduri diferite de a comprima pierderile între aceste intervale. Puteți utiliza acest mecanism de stabilire a prețurilor corecte pentru aplicații utile din lumea reală. Ești încă devreme.