🤖 machine learning

Probabilistic Prediction Markets with Intermittent Contributions

Dieser Beitrag schlägt einen flexiblen Vorhersagemarktrahmen vor und analysiert diesen, der historische Agentenleistung mit robuster Regression kombiniert, um optimale Vorhersagen zu generieren und Belohnungen zuzuweisen, wodurch intermittierende Beiträge, zeitvariierende Bedingungen und dynamische Agententeilnahme effektiv berücksichtigt werden.

Ursprüngliche Autoren: Michael Vitali, Pierre Pinson

Veröffentlicht 2026-05-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Michael Vitali, Pierre Pinson

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Gruppe von Wettervorhersagern vor, die versuchen, die Windgeschwindigkeit für ein Windpark vorherzusagen. Jeder Vorhersager hat sein eigenes geheimes Rezept und eigene Daten, aber sie sind Rivalen. Sie möchten ihre besten Zutaten nicht teilen, weil sie befürchten, ihren Wettbewerbsvorteil zu verlieren.

Dieser Artikel schlägt eine Lösung vor: einen „Vorhersagemarkt". Denken Sie dabei nicht an einen Aktienmarkt für Geld, sondern an einen Marktplatz für Vermutungen.

So funktioniert das System, aufgeschlüsselt in einfache Konzepte:

1. Das Setup: Ein digitaler Marktplatz

Stellen Sie sich einen zentralen Schiedsrichter (den Marktbetreiber) vor, der eine digitale Plattform betreibt.

Die Käufer: Das sind die Personen, die die Vorhersage benötigen (wie der Eigentümer des Windparks). Sie zahlen eine feste Gebühr, um die bestmögliche Vorhersage zu erhalten.
Die Verkäufer: Das sind die Vorhersager (die Rivalen). Sie reichen ihre Vorhersagen beim Schiedsrichter ein.
Das Ziel: Der Schiedsrichter kombiniert alle einzelnen Vermutungen zu einer „Super-Vorhersage" und gibt sie dem Käufer.

2. Das Problem: Menschen sind unzuverlässig

In der realen Welt tauchen Vorhersager nicht immer auf. Vielleicht sind sie krank, ihr Computer stürzt ab, oder sie beschließen einfach, eine Pause zu machen.

Der alte Weg: Wenn ein Vorhersager einen Tag verpasste, würde das System ihn entweder vollständig ignorieren oder versuchen zu erraten, was er gesagt hätte (Imputation), was häufig zu Fehlern führt.
Der neue Weg (Robuste Regression): Die Autoren bauten einen „intelligenten Mixer". Selbst wenn eine Zutat (ein Vorhersager) fehlt, passt der Mixer das Rezept automatisch mit den verbleibenden Zutaten an, um dennoch einen köstlichen Smoothie herzustellen. Er lernt, wie er fehlende Daten im laufenden Betrieb kompensieren kann.

3. Das Belohnungssystem: Wer wird bezahlt?

Dies ist der kreativste Teil. Wie teilt man das Geld unter den Vorhersagern auf? Der Artikel schlägt ein zweigeteiltes Zahlungssystem vor, um alle ehrlich und konsistent zu halten.

Teil A: Der „Sofortiger Star"-Bonus (Out-of-Sample)

Was es ist: Wenn Sie eine Vermutung gemacht haben, die sich heute als sehr genau herausstellte, erhalten Sie einen Bonus.
Die Analogie: Es ist wie eine „Spieler des Spiels"-Auszeichnung. Wenn Ihre Vorhersage der tatsächlichen Windgeschwindigkeit am nächsten kam, erhalten Sie sofort ein Stück vom Kuchen. Dies ermutigt die Menschen, jedes einzelne Mal ihr Bestes zu geben.

Teil B: Der „Zuverlässiger Veteran"-Bonus (In-Sample)

Was es ist: Dies belohnt Sie dafür, über einen langen Zeitraum ein guter Teamplayer zu sein, nicht nur für einen glücklichen Treffer. Es verwendet ein mathematisches Konzept namens Shapley-Wert.
Die Analogie: Stellen Sie sich eine Gruppenarbeit vor. Manchmal bekommt ein Schüler an einem Tag eine schlechte Note, aber er ist meist derjenige, der die Gruppe rettet, wenn andere verwirrt sind. Dieser Teil der Belohnung sagt: „Wir schätzen Ihren konsistenten Beitrag zum Gesamterfolg der Gruppe, auch wenn Sie einen Tag verpasst haben oder eine schlechte Woche hatten." Er betrachtet Ihre Historie, um zu sehen, welchen einzigartigen Wert Sie dem Team bringen.

4. Die Regeln des Spiels

Um sicherzustellen, dass der Markt fair funktioniert, haben die Autoren ihn mit spezifischen Regeln gestaltet:

Kein kostenloses Mittagessen: Wenn Sie keine Vorhersage einreichen, erhalten Sie kein Geld.
Fairness: Wenn zwei Personen exakt dieselbe Vorhersage einreichen, erhalten sie exakt dieselbe Belohnung.
Ehrlichkeit: Das System ist so gestaltet, dass der einzige Weg, Ihre Einnahmen zu maximieren, darin besteht, die Wahrheit über Ihre Vorhersage zu sagen. Das Lügen oder Fälschen von Daten schadet tatsächlich Ihrem Ergebnis.

5. Hat es funktioniert?

Die Autoren testeten diese Idee auf zwei Arten:

Simulierte Spiele: Sie erstellten gefälschte Szenarien, in denen Vorhersager zufällig verschwanden. Der „intelligente Mixer" (ihre neue Methode) handhabte die fehlenden Personen viel besser als alte Methoden und hielt die Vorhersagen stabil und genau.
Echter Windpark: Sie nutzten echte Daten von einem Windpark in Belgien und drei verschiedenen Wettermodellen. Selbst wenn einige Modelle 10 % bis 20 % der Zeit keine Daten sendeten, war ihre kombinierte Marktvorhersage immer noch genauer als jedes einzelne Wettermodell, das allein arbeitete.

Das Fazit

Dieser Artikel stellt eine Möglichkeit vor, Rivalen dazu zu bringen, zusammenzuarbeiten, ohne dass sie ihre privaten Geheimnisse teilen müssen. Durch die Verwendung eines „intelligenten Mixers" zum Umgang mit fehlenden Daten und eines fairen „zweigeteilten Zahlungssystems" entsteht ein Marktplatz, auf dem die beste kollektive Vorhersage gewinnt und alle sowohl für ihre unmittelbare Genauigkeit als auch für ihre langfristige Zuverlässigkeit belohnt werden.

Technische Zusammenfassung: Probabilistische Vorhersagemärkte mit intermittierenden Beiträgen

Problemstellung

Der Beitrag adressiert die Herausforderung, die Vorhersagegenauigkeit in Bereichen wie der erneuerbaren Energie zu verbessern, wo die Datenverfügbarkeit zunimmt, die Zusammenarbeit jedoch durch Datenbesitz, konkurrierende Interessen und Datenschutzbedenken behindert wird. Obwohl bereits kooperative spieltheoretische Rahmenwerke und datenschutzfreundliche verteilte Lernmethoden existieren, gehen diese häufig von rationaler, wahrheitsgemäßer und kontinuierlicher Teilnahme der Agenten aus. In der Praxis sind Stakeholder möglicherweise nicht bereit, Daten zu teilen, oder ihre Teilnahme ist intermittierend.

Die Autoren schlagen einen Rahmen für einen Vorhersagemarkt vor, bei dem unabhängige Agenten (Verkäufer) probabilistische Vorhersagen für unsichere zukünftige Ereignisse gegen Belohnungen handeln. Die spezifischen technischen Herausforderungen, die adressiert werden, sind:

Echtzeit-Implementierung: Die Notwendigkeit von Online-Lernen ohne eine distincte Trainingsphase.
Historische Leistung: Berücksichtigung des langfristigen Informationswerts von Agenten, nicht nur der momentanen Genauigkeit.
Intermittierende Teilnahme: Handhabung von Szenarien, in denen Agenten nach Belieben in den Markt eintreten oder diesen verlassen, was zu fehlenden Vorhersageeinreichungen führt (ein Problem fehlender Daten).
Faire Belohnungsverteilung: Entwicklung eines Auszahlungsmechanismus, der die In-Sample-Konsistenz (historischer Beitrag) mit der Out-of-Sample-Genauigkeit (echte Vorhersagequalität) ausbalanciert und gleichzeitig wirtschaftliche Eigenschaften wie Budgetausgleich und Wahrheitsgemäßheit erfüllt.

Methodik

Das vorgeschlagene Marktdesign umfasst einen zentralen Marktbetreiber, der mit Kunden (Vorhersagekäufern) und Verkäufern (Vorhersagern) interagiert. Das System arbeitet in diskreten Zeitschritten $t$ und verarbeitet nichtparametrische probabilistische Vorhersagen, die durch Quantile dargestellt werden.

1. Vorhersagekombination durch adaptive robuste Regression

Um Vorhersagen mehrerer Verkäufer zu kombinieren, verwenden die Autoren ein lineares Regressionsframework, das über Online-Gradientenabstieg (OGD) aktualisiert wird.

Zielfunktion: Das Modell minimiert den Quantilverlust (Pinball-Verlust), um Gewichte für spezifische nominale Quantilniveaus $\tau$ zu optimieren.
Handhabung fehlender Daten: Um intermittierende Teilnahme zu ermöglichen, erweitern die Autoren ein Robustes Lineares Regressionsmodell (RQR). Sie führen einen binären Verfügbarkeitsvektor $\alpha_t$ und eine lineare Korrekturmatrix $D_t$ ein. Wenn die Vorhersage eines Verkäufers fehlt, passt das Modell die Kombinationsgewichte dynamisch unter Verwendung der Korrekturmatrix an, um den fehlenden Informationsgehalt zu kompensieren und effektiv zusätzliche Informationen aus den verbleibenden verfügbaren Vorhersagen zu extrahieren.
Online-Aktualisierung: Die Gewichte $w_t$ und die Korrekturmatrix $D_t$ werden iterativ unter Verwendung von Subgradienten des Quantilverlusts aktualisiert. Die Methode unterstützt Mini-Batch-Aktualisierungen, um Mehrschritt-Vorhersagehorizonte effizient zu handhaben.

2. Auszahlungs-Allokationsmechanismus

Die vom Kunden bereitgestellte Gesamtbelohnung $U_t$ wird für jeden Verkäufer $i$ und jedes Quantil $\tau$ in zwei Komponenten aufgeteilt:
$r^{(\tau)}_{i,t} = U^{(\tau)}_t [\delta r^{is}_{i,t} + (1-\delta) r^{oos}_{i,t}]$
wobei $\delta$ ein Gewichtsparameter ist.

In-Sample-Allokation ( $r^{is}$ ): Entwickelt, um Konsistenz und kumulativen Informationswert zu belohnen.
- Nutzt eine Online-Variante des Shapley-Werts ( $\phi^c_{i,t}$ ), die über die Zeit rekursiv aktualisiert wird ( $\phi^c_{i,t} = \lambda \phi^c_{i,t-1} + (1-\lambda)\phi^s_{i,t}$ ).
- Der Shapley-Wert wird basierend auf dem marginalen Beitrag eines Verkäufers zur aggregierten Vorhersage unter Verwendung der korrigierten Gewichte berechnet.
- Fehlende Verkäufer erhalten keine In-Sample-Belohnung.
Out-of-Sample-Allokation ( $r^{oos}$ ): Entwickelt, um momentane Vorhersagegenauigkeit zu belohnen.
- Basierend auf einer aus dem Quantilverlust abgeleiteten Bewertungsfunktion.
- Verkäufer werden proportional zu ihrer Genauigkeit im Verhältnis zu anderen anwesenden Verkäufern belohnt.
- Fehlende Verkäufer erhalten keine Out-of-Sample-Belohnung.

3. Wirtschaftliche Eigenschaften

Die Autoren definieren und beweisen formal, dass der Allokationsmechanismus folgende Eigenschaften erfüllt:

Budgetausgleich: Die Summe der verteilten Belohnungen entspricht dem generierten Gesamtnutzen.
Symmetrie: Identische Vorhersagen ergeben identische Belohnungen.
Nullelement: Nicht teilnehmende Verkäufer erhalten keine Belohnung.
Individuelle Rationalität: Belohnungen sind nicht-negativ.
Wahrheitsgemäßheit (Anreizkompatibilität): Verkäufer maximieren die erwarteten Belohnungen, indem sie wahre Vorhersagen melden, da das Ändern von Vorhersagen den Verlust erhöht und sowohl In-Sample- (über den Shapley-Wert) als auch Out-of-Sample-Belohnungen reduziert.

Ergebnisse

Die Methodik wurde mit synthetischen Daten und einer realen Fallstudie zur Windkraftvorhersage evaluiert.

Synthetische Fallstudien

Zeitinvariantes Szenario: Sowohl die Standard-Quantilregression (QR) als auch die Robuste QR (RQR) konvergierten zu optimalen Gewichten. RQR handhabte zufälliges Fehlen (5 % Rate) erfolgreich mit stabiler Konvergenz.
Zeitvariantes Szenario: Die Methoden passten sich erfolgreich an sich entwickelnde Gewichtsverteilungen in einer dynamischen Umgebung an und verfolgten periodische Änderungen der optimalen Kombination.
Variierende Fehlerraten: RQR zeigte eine geringere Varianz und einen vergleichbaren oder überlegenen Bias im Vergleich zu Benchmark-Imputationsstrategien (Mittelwert- und Letztwert-Imputation) über Fehlerraten von 5 % bis 90 %.

Realwelt-Fallstudie (Windenergie)

Aufbau: Prognose für den Tag zuvor für einen belgischen Offshore-Windpark unter Verwendung von neun Eingangsmodellen (Kombinationen aus drei NWP-Quellen: ECMWF, NOAA, DWD, und drei Modelltypen: XGBoost, QRF, MLP).
Leistung:
- Die kombinierte Vorhersage (QR) übertraf alle einzelnen Modelle und bestätigte den Wert heterogener Informationsquellen.
- RQR-Robustheit: Selbst bei 10–20 % fehlenden Daten erreichte RQR Quantilverlustwerte, die sehr nahe am „Oracle"-QR-Benchmark (volle Information) lagen und deutlich besser waren als das beste einzelne Modell.
- Anpassungsfähigkeit: Der gleitende Durchschnittsverlust von RQR blieb konsistent niedriger als der des einzelnen besten Experten, insbesondere während Perioden, in denen einzelne Experten unterdurchschnittlich abschnitten.
Belohnungsdynamik: Die Belohnungsverteilung zeigte, dass Modelle mit einem distincten Vorhersagewert (z. B. ECMWF-MLP, ECMWF-XGB) die höchsten nachhaltigen Belohnungen ansammelten. Das System verfolgte erfolgreich zeitvariable Leistungen, wie den steigenden Beitrag von DWD-MLP in der zweiten Hälfte des Testzeitraums.

Bedeutung und Behauptungen

Der Beitrag behauptet, ein Vorhersagemarktdesign vorzustellen, das die Lücke zwischen theoretischen kooperativen Rahmenwerken und praktischen, realweltlichen Einschränkungen effektiv überbrückt. Seine primäre Bedeutung liegt in:

Handhabung von Intermittenz: Es ist die erste Erweiterung der robusten linearen Regression für Vorhersagekombinationen auf ein Online-Lernsetting, das Agenten erlaubt, sich frei zu beteiligen und zu entfernen, ohne die aggregierte Vorhersage zu verschlechtern.
Dual-Ziel-Belohnung: Es schlägt einen neuartigen Auszahlungsmechanismus vor, der gleichzeitig historische Konsistenz (über zeitvariable Shapley-Werte) und momentane Genauigkeit (über Out-of-Sample-Bewertung) belohnt und damit eine Einschränkung bestehender Literatur adressiert, die sich oft ausschließlich auf In-Sample-Leistung konzentriert.
Wirtschaftliche Tragfähigkeit: Der Mechanismus erfüllt nachweislich wichtige wirtschaftliche Eigenschaften, was Fairness sicherstellt und wahrheitsgemäße Berichterstattung anreizt.

Die Autoren schließen, dass der vorgeschlagene Markt zwar bei der Vorhersage erneuerbarer Energien wirksam ist, zukünftige Arbeiten jedoch vollständig dynamische Teilnehmergruppen und alternative Allokationsmechanismen untersuchen könnten, um die Rechenkomplexität weiter zu reduzieren und die Skalierbarkeit zu verbessern.