💰 quantitative finance

Manipulation in Prediction Markets: An Agent-based Modeling Experiment

Diese Arbeit verwendet agentenbasierte Modellierung und theoretische Analyse, um zu zeigen, dass Prognosemärkte im Allgemeinen eine selbstregulierende Stabilität aufweisen, hochbudgetierte „Whale“-Agenten jedoch Preise vorübergehend verzerren können, wobei das Ausmaß und die Dauer einer solchen Manipulation durch das Herdenverhalten und die langsamen Lernraten anderer Marktteilnehmer signifikant verstärkt werden.

Ursprüngliche Autoren: Bridget Smart, Ebba Mark, Anne Bastian, Josefina Waugh

Veröffentlicht 2026-01-29

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bridget Smart, Ebba Mark, Anne Bastian, Josefina Waugh

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 einen riesigen, digitalen Marktplatz vor, auf dem Menschen Geld darauf setzen, ob ein bestimmtes Ereignis eintreten wird – wie zum Beispiel: „Wird Kandidat X die Wahl gewinnen?“ In diesem Marktplatz fungiert der Preis einer Wette wie eine von der Menge bereitgestellte Wettervorhersage: Wenn der Preis hoch ist, glaubt die Menge, dass das Ereignis wahrscheinlich eintritt; wenn er niedrig ist, glauben sie, dass es unwahrscheinlich ist.

Dieses Paper mit dem Titel „Manipulation in Prediction Markets: An Agent-based Modeling Experiment“ stellt eine beängstigende Frage: Was passiert, wenn eine sehr reiche Person (ein „Whale“ bzw. ein „Wal“) diesen digitalen Marktplatz betritt und versucht, alle mit einer Lüge zu täuschen?

Hier ist eine einfache Aufschlüsselung dessen, was die Forscher gemacht und herausgefunden haben, unter Verwendung alltäglicher Analogien.

1. Das Setup: Ein digitaler Wettpool

Die Forscher bauten eine Computersimulation (eine „virtuelle Welt“), um diese Wettmärkte nachzubilden.

Die Spieler: Sie erschufen 100 virtuelle Personen (Agenten). Einige sind „Experten“, die über gute Informationen verfügen, und andere raten einfach nur.
Die Regeln: Jeder hat ein unterschiedliches Budget und ein unterschiedliches Maß an Sturheit. Manche Menschen ändern ihre Meinung leicht, wenn sie neue Informationen sehen; andere sind stur und bleiben bei ihrer Meinung.
Das Ziel: Der Markt versucht, das „wahre“ Ergebnis einer Wahl zu ermitteln. In einer perfekten Welt sollte der Wettpreis dem tatsächlichen Ergebnis entsprechen.

2. Der Bösewicht: Der „Whale“

In der Finanzwelt ist ein „Whale“ ein Teilnehmer mit so viel Geld, dass seine Handlungen den gesamten Ozean bewegen können.

Das Experiment: Die Forscher führten einen „Whale“ in ihre Simulation ein. Dieser Whale verfügte über ein massives Budget und eine voreingenommene Meinung (er war davon überzeugt, dass der falsche Kandidat gewinnen würde).
Die Strategie: Der Whale begann, aggressiv zu kaufen und zu verkaufen, um den Preis in Richtung seiner falschen Überzeugung zu drücken, in der Hoffnung, die anderen 99 Menschen zu täuschen.

3. Die Ergebnisse: Kann der Whale gewinnen?

Die Forscher ließen tausende Simulationen laufen, um zu sehen, was passiert. Hier ist, was sie entdeckten:

A. Der Markt ist normalerweise hartnäckig (selbstkorrigierend)

Wenn der Whale versucht, den Preis zu stark zu drücken, bemerken die anderen klugen Wettenden dies meistens. Sie sehen, dass der Preis im Vergleich zu den Informationen, die sie tatsächlich haben, „falsch“ ist, und wetten gegen den Whale.

Analogie: Stellen Sie sich vor, der Whale ist ein Riese, der versucht, einen schweren Felsbrocken einen Hügel hinaufzuschieben. Die anderen 99 Menschen sind wie ein Team von Wanderern, die den Brocken wieder zurückschieben. Meistens gewinnen die Wanderer, und der Felsbrocken (der Preis) bleibt dort, wo er hingehört.
Ergebnis: Der Markt ist belastbar. Er kann sich schnell selbst korrigieren, es sei denn, der Whale verfügt über ein enormes Vermögen (etwa 40 % des gesamten Geldes im Pool).

B. Das Problem mit den „Sturen“ und den „Schafen“

Der Markt bleibt nur dann gestört, wenn die anderen Menschen spezifische Fehler machen:

Die Schafe (Herdenverhalten): Wenn die anderen Wettenden aufhören, selbst nachzudenken, und stattdessen einfach dem Preis der Menge folgen (wie Schafe, die einem Anführer folgen), bleibt der falsche Preis des Whales länger bestehen.
Die Sturren: Wenn die anderen Wettenden zu stur sind, um ihre Überzeugungen zu aktualisieren, wenn sie neue Informationen sehen, hält die Lüge des Whales länger an.
Analogie: Wenn die Wanderer zu stur sind, um auf die Wahrheit zu hören, oder wenn sie zu viel Angst haben, um Widerstand zu leisten, und dem Riesen einfach folgen, bleibt der Felsbrocken oben am Hügel liegen.

C. Das Profit-Paradoxon

Interessanterweise fanden die Forscher heraus, dass, wenn der Whale den Preis verfälscht, dies tatsächlich eine Profitmöglichkeit für die klugen, gut informierten Wettenden schafft.

Analogie: Wenn der Whale den Preis auf 10 $ treibt, obwohl etwas eigentlich nur 5 $ wert ist, können die klugen Wettenden ihre Anteile für 10 $ verkaufen und einen schnellen Gewinn machen, bevor der Markt sich korrigiert. Die Manipulation des Whales schadet der Genauigkeit des Marktes, aber sie bringt den klugen Händlern, die den Fehler erkennen, Geld ein.

4. Das große Ganze: Warum sollten wir das ernst nehmen?

Das Paper kommt zu dem Schluss, dass Prediction Markets zwar im Allgemeinen gut darin sind, die Zukunft vorherzusagen, sie aber anfällig für Manipulation sind, wenn die Regeln es erlauben, dass eine Person zu viel Geld besitzt.

Die Gefahr: Wenn eine reiche Person den Preis so drücken kann, dass es aussieht, als würde ein anderer Kandidat führen, könnte dies echte Wähler, Nachrichtenagenturen oder Politiker täuschen, sodass sie glauben, dieser Kandidat liege vorne. Dies könnte die Art und Weise verändern, wie Menschen wählen oder wie Kampagnen ihr Geld ausgeben.
Die Lösung: Die Autoren schlagen vor, dass es, um diese Märkte ehrlich zu halten, Limits für die Menge an Geld geben sollte, die eine Person setzen darf. In der Vergangenheit hatten Märkte strikte Limits (wie z. B. 3.500 $ pro Person), was Whales draußen hielt. Neuere Märkte erlauben Millionen von Dollar pro Wette, was die Tür für Manipulationen öffnet.

Zusammenfassung

Betrachten Sie einen Prediction Market als eine von der Menge bereitgestellte Wahrheitsmaschine.

Normalerweise: Funktioniert sie großartig, weil sich die unterschiedlichen Meinungen aller Beteiligten gegenseitig aus dem Rauschen herausfiltern.
Mit einem Whale: Eine reiche Person kann die Maschine vorübergehend mit einem falschen Signal blockieren.
Die Lösung: Die Maschine bleibt nur dann blockiert, wenn die Menge zu träge ist (Herdenverhalten) oder zu stur, um den Fehler zu korrigieren. Um dies zu verhindern, müssen wir Regeln haben, die verhindern, dass eine einzelne Person zu viel Macht über die gesamte Maschine hat.

Das Paper behauptet nicht, dass diese Manipulation in der realen Welt bereits definitiv Wahlergebnisse verändert, aber es warnt davor, dass das Potenzial besteht, wenn wir keine Grenzen setzen, wie viel Geld eine einzelne Person in das Spiel werfen darf.

Technische Zusammenfassung: Manipulation in Prognosemärkten: Ein Agenten-basiertes Modellierungsexperiment

Problemstellung
Prognosemärkte aggregieren verteilte Überzeugungen, um die Ausgänge binärer Ereignisse vorherzusagen, und weisen dabei oft eine hohe Genauigkeit bei politischen Wahlen auf. Die rasche Expansion dieser Märkte – exemplarisch durch Plattformen wie Kalshi und Polymarket, die Positionen in Millionenhöhe ermöglichen – hat jedoch Bedenken hinsichtlich ihrer Anfälligkeit für Manipulation geweckt. Im Gegensatz zu früheren Märkten mit strengen Limits für die Position pro Händler (z. B. Iowa Electronic Markets, PredictIt) erlauben moderne Plattformen „Whales“ (hochkapitalisierte Akteure), signifikantes Kapital zu kontrollieren. Das zentrale Problem, das hier adressiert wird, ist, ob diese Märkte als selbstkorrigierende Informationsmechanismen fungieren oder ob sie Preisabweichungen, die durch eine hochressourcierte, voreingenommene Minderheit eingeführt werden, aufrechterhalten können. Konkret untersuchen die Autoren, unter welchen Bedingungen solche Verzerrungen fortbestehen und wie sie mit dem Verhalten anderer Marktteilnehmer, wie etwa Herdenverhalten und Sturheit, interagieren.

Methodik
Die Autoren entwickeln ein Open-Source Agenten-basiertes Modell (ABM), um einen Prognosemarkt über diskrete Zeitschritte zu simulieren. Das Modell umfasst:

Agenten: $N$ Wetter-Agenten mit heterogenen Attributen, einschließlich Expertise ( $e_i$ ), Bias ( $b_i$ ), Risikoaversität ( $r_i$ ), Sturheit ( $s_i$ ) und anfänglichen Budgets ( $B_{i,0}$ ).
Informationsstruktur: Agenten erhalten ein „unscharfes“ privates Signal des wahren Wahlausgangs ( $\eta_t$ ), das als Random Walk modelliert wird. Die Varianz des Signals steht in einem inversen Verhältnis zur Expertise des Agenten.
Bewertung und Lernen: Agenten aktualisieren ihre internen Bewertungen ( $V_{i,t}$ ) basierend auf privaten Signalen und optional einem Herding-Parameter ( $h_i$ ), der den aktuellen Marktpreis gewichtet. Sturheit ( $s_i$ ) steuert die Rate, mit der Agenten neue Informationen integrieren.
Marktmechanismus: Ein zentraler Markt matcht Kauf- und Verkaufsaufträge über Regeln einer zufälligen Doppelauktion. Der Marktpreis ( $m_t$ ) aktualisiert sich basierend auf der Nettonachfrage, skaliert durch einen Parameter $\lambda$ .
Simulationsprotokoll: Die Studie validiert zunächst die Stabilität des Modells über einen breiten Parameterraum. Anschließend wird ein einzelner „Whale“-Agent mit einem festen voreingenommenen Bewertungswert und einem spezifischen Anteil am gesamten Marktkapital ( $\rho_w$ ) eingeführt, um die Preisverzerrung zu testen.
Theoretische Analyse: Ergänzend zu den Simulationen leiten die Autoren eine theoretische Lösung für den stationären Preisfehler ab, wobei sie die Auftragsgrößen linearisieren, um die Interaktion zwischen Whale-Budgetanteil, Bias und dem Abklingen von Fehlern in Gegenwart von Herdenverhalten zu analysieren.

Zentrale Beiträge

Open-Source-Framework: Die Autoren stellen ein Open-Source-ABM und eine Dash-Applikation mit grafischer Benutzeroberfläche bereit, die die Untersuchung von Agentenverhalten, Parametervariation und Informationsschocks ermöglicht.
Systematische Analyse der Manipulation: Die Studie isoliert die Auswirkungen konzentrierten Kapitals („Whales“) auf die Marktgenauigkeit und geht damit über theoretische Annahmen kleiner Händler hinaus, um realistische Kapital-Konzentrationen zu modellieren.
Integration behavioraler Dynamiken: Das Modell bezieht explizit heterogene Expertise, Lernraten und Herdenverhalten ein, um zu bestimmen, wie diese Faktoren die Resilienz des Marktes gegenüber Manipulation beeinflussen.
Theoretische Untermauerung: Die theoretische Analyse bestätigt analytische Beziehungen, die zeigen, dass stationäre Preisfehler linear mit dem Budgetanteil und der Fehlbewertung des Whales skalieren und dass das Abklingen dieser Fehler von den Lernmechanismen und der Herdenintensität der Nicht-Whale-Agenten abhängt.

Ergebnisse

Marktstabilität: In Abwesenheit von Whales weist der Prognosemarkt eine robuste Stabilität und Genauigkeit über einen weiten Bereich von Parameterwerten auf. Der Marktpreis folgt eng dem wahren Wahlausgang, wobei die mittleren quadratischen Fehler (MSE) mit führenden Wahlprognosemodellen vergleichbar sind.
Whale-Impact: Whales können Marktpreise temporär verzerren. Das Ausmaß der Verzerrung ist proportional zum Produkt aus dem Budgetanteil des Whales und seiner Fehlbewertung. Ein Whale benötigt etwa 40 % des gesamten Marktkapitals, um unter den getesteten Parametern eine signifikante, anhaltende Fehlentwicklung zu induzieren.
Rolle von Herdenverhalten und Sturheit: Das Vorhandensein von Herdenverhalten ( $h_i > 0$ $h_{i} > 0$ ) und hoher Sturheit ( $s_i \approx 1$ $s_{i} \approx 1$ ) unter den Nicht-Whale-Agenten hat signifikante Auswirkungen auf die Erholung des Marktes.
- Moderates Herdenverhalten verändert die Erholungsraten nicht drastisch.
- Hohes Herdenverhalten ( $h_i = 1$ ) in Kombination mit hoher Sturheit kann zu Instabilität führen, die durch Oszillationen im Marktpreis und ein langsameres Abklingen der Preisverzerrungen gekennzeichnet ist.
Profitmöglichkeiten: Temporäre Preisverzerrungen durch Whales schaffen Profitmöglichkeiten für gut informierte Nicht-Whale-Agenten (jene mit hoher Expertise), die die falsch ausgerichteten Preise ausnutzen können.
Theoretische Validierung: Die theoretische Analyse bestätigt, dass der stationäre Fehler ( $\delta_S$ ) dem Produkt aus dem Budgetanteil des Whales ( $\rho$ ) und seinem Bewertungsfehler ( $\Delta_S$ ) entspricht. Sie zeigt ferner, dass das Abklingen des Fehlers schneller erfolgt, wenn Agenten eine geringe Sturheit und geringe Herden-Gewichtungen aufweisen.

Bedeutung und Behauptungen
Das Paper beansprucht, einen vorsorglichen Rahmen für die Regulierung und Gestaltung von Prognosemärkten zu bieten, insbesondere im Kontext von Wahlen, in denen Preise als öffentliche Informationssignale dienen können.

Regulatorische Implikationen: Die Ergebnisse legen nahe, dass Prognosemärkte zwar generell resilient sind, aber anfällig für Manipulation sind, wenn konzentriertes Kapital ohne Einschränkungen zugelassen wird. Die Autoren plädieren für einen regulatorischen Ansatz, der die rekreative Freiheit mit der demokratischen Integrität in Einklang bringt, potenziell durch Beschränkungen der individuellen Handelsgrößen oder allgemeiner Budgetlimits, sofern diese durchsetzbar sind.
Feedback-Schleifen: Die Studie hebt das Risiko der Endogenität hervor: Wenn manipulierte Marktpreise die Wählerüberzeugungen, Kampagnenstrategien oder Mediennarrative beeinflussen, könnte die Verzerrung in den politischen Prozess zurückkoppeln und das dadurch vorhergesagte Ergebnis potenziell verändern.
Bescheidenheit der Ansprüche: Die Autoren stellen explizit klar, dass sie die Feedback-Schleife zwischen Marktpreisen und realen Wahlausgängen nicht empirisch validieren, da dies eine offene Frage bleibt. Ihr Beitrag liegt primlich darin, die Bedingungen zu charakterisieren, unter denen Marktpreise verzerrt und aufrechterhalten werden können, um eine Basis für vorsorgliche politische Maßnahmen zu schaffen. Sie betonen, dass ihr Modell spezifische Mechanismen (Kapitalkonzentration, Herdenverhalten) isoliert, anstatt das volle Komplexitätsniveau realer politischer Ökosysteme zu simulieren.