💰 quantitative finance

Toward Black Scholes for Prediction Markets: A Unified Kernel and Market Maker's Handbook

El artículo propone un modelo logit de salto-difusión con deriva neutral al riesgo que actúa como un análogo al modelo Black-Scholes para los mercados de predicción, proporcionando una base unificada para la calibración, la cotización y la cobertura de riesgos de creencias mediante la separación de la volatilidad, los saltos y las dependencias.

Autores originales: Shaw Dalen

Publicado 2026-04-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shaw Dalen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que los mercados de predicción (como Polymarket) son como un gran mercado de apuestas sobre el futuro: "¿Ganará este candidato?", "¿Subirá el desempleo?". En estos mercados, el precio de una apuesta no es solo dinero; es una probabilidad. Si algo cuesta 60 centavos, el mercado cree que hay un 60% de probabilidad de que ocurra.

El problema es que, hasta ahora, manejar estas apuestas era como intentar navegar en un barco sin brújula ni mapa. Los creadores de mercado (quienes ponen los precios) se arriesgaban a perder mucho dinero cuando llegaba una noticia inesperada, porque no tenían herramientas estandarizadas para medir ese riesgo.

Este paper propone crear esa brújula y mapa, inspirándose en una fórmula famosa llamada Black-Scholes (usada en las opciones financieras), pero adaptada para las predicciones.

Aquí tienes la explicación sencilla, con analogías:

1. El Problema: Navegar a ciegas en un mar de noticias

Imagina que eres un vendedor en un mercado de apuestas. De repente, sale una noticia importante (un "salto" o jump).

Antes: Tu precio se dispara o cae de golpe. No sabías cuánto riesgo tenías ni cómo protegerte. Era como intentar adivinar si va a llover sin mirar el cielo.
El riesgo: Si la probabilidad de un evento cambia bruscamente, puedes perder todo tu inventario de apuestas.

2. La Solución: El "Logit" y el "Salto"

Los autores proponen una nueva forma de ver los precios, usando dos conceptos clave:

El "Logit" (La Escala Infinita):
Imagina que el precio de una apuesta es un termómetro que solo va de 0 a 100 grados (0% a 100%). Es difícil medir cambios rápidos cuando estás cerca de 0 o 100.
Los autores dicen: "¡Transformemos ese termómetro!". Usan una fórmula mágica (el logit) que convierte esos 0-100 en una línea infinita (de menos infinito a más infinito).
- Analogía: Es como cambiar de medir la temperatura en grados Celsius (donde el agua hierve a 100) a una escala que se estira infinitamente. Así, los movimientos rápidos se ven más claros y son más fáciles de calcular matemáticamente.
El "Salto" (Jump-Diffusion):
En la vida real, las probabilidades no cambian suavemente todo el tiempo. A veces, de repente, sale una noticia y la probabilidad "salta" de un 40% a un 70% en un segundo.
- Analogía: Imagina que conduces un coche. La mayoría del tiempo conduces suavemente (difusión), pero a veces hay un bache enorme o un salto de un precipicio (noticia sorpresa). Este modelo reconoce ambos: la conducción suave y los baches repentinos.

3. La "Regla de Oro": La Martingala (Justicia del Mercado)

Para que el modelo funcione, deben cumplir una regla estricta: el precio no puede tener una tendencia sesgada hacia arriba o hacia abajo por sí solo.

Analogía: Imagina una moneda justa. Si lanzas una moneda, no puedes predecir si saldrá cara o cruz, pero sabes que a largo plazo es 50/50. El modelo asegura que, si no hay nueva información, el precio de la apuesta no "se mueve" mágicamente. Solo se mueve si llega nueva información. Esto evita trampas y asegura que el mercado sea justo.

4. El Nuevo "Seguro": Derivados de Creencia

Una vez que tienen este mapa (el modelo), proponen crear nuevos productos financieros, como si fueran seguros para los vendedores:

Seguros de Volatilidad (Variance Swaps): Si sabes que va a haber mucha incertidumbre (muchos cambios de opinión), puedes comprar un "seguro" que te pague si el mercado se vuelve muy volátil.
Seguros de Correlación: Si apuestas sobre dos eventos relacionados (ej: "¿Ganará el Partido A?" y "¿Ganará el Partido B?"), puedes comprar un seguro que te proteja si ambos fallan o ambos triunfan al mismo tiempo.

5. ¿Por qué es importante esto? (La Analogía del "Dólar de la Predicción")

Antes de que existiera el modelo Black-Scholes para las acciones, cada banco tenía su propia forma de poner precio a las opciones. Era un caos. Luego, todos acordaron usar la "Volatilidad Implícita" como un lenguaje común. Todos entendían lo que significaba "20% de volatilidad".

Este paper quiere hacer lo mismo para las predicciones:

Crear un lenguaje común llamado "Volatilidad de Creencia".
Que un banco en Nueva York y un trader en Singapur entiendan exactamente el mismo riesgo cuando dicen "la probabilidad de este evento es muy volátil".
Esto permite que los mercados crezcan, que los grandes inversores (instituciones) entren con confianza y que los precios sean más estables y justos.

En resumen

Los autores dicen: "Dejemos de adivinar. Vamos a tratar las probabilidades de los eventos como si fueran acciones financieras, usando matemáticas avanzadas para separar los cambios suaves de los saltos bruscos por noticias. Así, los vendedores podrán protegerse mejor, los precios serán más precisos y el mercado de predicciones podrá crecer hasta ser tan grande y seguro como el mercado de acciones."

Es como pasar de jugar a las cartas en un bar oscuro a tener un casino regulado con reglas claras, seguros disponibles y un sistema que sabe exactamente cuándo va a llover.

Resumen Técnico: Hacia un Black-Scholes para Mercados de Predicción

1. El Problema: La Falta de un Kernel Unificador

Los mercados de predicción (como Polymarket) agregan información dispersa en probabilidades negociables, pero carecen de un kernel estocástico unificado similar al que el modelo de Black-Scholes (BS) proporcionó a los mercados de opciones.

Falta de estandarización: Actualmente, los creadores de mercado (makers) enfrentan riesgos de volatilidad de creencias, saltos (jumps) por noticias y riesgos de correlación cruzada sin herramientas estandarizadas para cotizar o cubrirse.
Fragmentación de ejecución: Los mecanismos de ejecución varían (LMSR, AMMs de producto constante, libros de órdenes), pero ninguno proporciona una dinámica estocástica compartida para explicar cómo evolucionan las probabilidades de un evento ante choques de información.
Riesgo de inventario: Los makers sufren selección adversa y riesgo de inventario concentrado cerca de la resolución (0 o 1), sin instrumentos derivados para transferir el "riesgo de creencia" (el movimiento de la probabilidad implícita).

2. Metodología Propuesta: El Kernel Logit Salto-Difusión

Los autores proponen un modelo fundamental basado en un proceso de salto-difusión en el espacio logit con deriva neutral al riesgo (RN).

Transformación de Estado:
- Se define la probabilidad negociada $p_t \in (0, 1)$ y se mapea a log-odds (logits) en el espacio real: $x_t = \text{logit}(p_t) = \ln(\frac{p_t}{1-p_t})$ .
- Esto permite el uso de herramientas estándar de semimartingales (Itô-Lévy) mientras se respetan los límites de la probabilidad.
Dinámica del Proceso:
- Se modela $x_t$ mediante una Ecuación Diferencial Estocástica (SDE) con un término de difusión y un término de salto:
  $dx_t = \mu(t, x_t) dt + \sigma_b(t, x_t) dW_t + \int_{\mathbb{R}} z \tilde{N}(dt, dz)$
- Restricción de Martingala: Dado que $p_t$ es el precio descontado bajo la medida neutral al riesgo ( $Q$ ), debe ser una martingala. Esto fija la deriva $\mu(t, x_t)$ de manera analítica, eliminando la deriva libre y dejando que la volatilidad de creencia ( $\sigma_b$ ), la intensidad de saltos y la correlación cruzada sean los factores de riesgo negociables.
Dependencia Multi-Evento:
- Se introduce una medida de salto conjunto ( $\nu_{ij,t}$ ) para capturar choques de noticias simultáneos entre eventos relacionados (ej. elecciones en diferentes distritos), además de la correlación difusiva estándar.

3. Capa Derivada y Gestión de Riesgos (Manual para Market Makers)

Sobre este kernel, los autores definen una capa coherente de derivados y herramientas de gestión:

Instrumentos Derivados:
- Swaps de Varianza de Creencia: Intercambian la variación cuadrática realizada de $x$ (o $p$ ) por un strike fijo, permitiendo a los makers vender volatilidad.
- Swaps de Correlación: Para cubrirse contra movimientos conjuntos de eventos relacionados.
- Varianza de Corredor (Corridor Variance): Se enfoca en la zona de "swing" ( $p \in [a, b]$ ), donde el flujo de órdenes es más tóxico, ignorando los bordes 0/1.
- Notas de Primer Paso (First-Passage): Apuestas sobre si la probabilidad cruzará un umbral antes de una fecha.
Gestión de Inventario y Cotización:
- Adaptación del modelo Avellaneda-Stoikov al dominio logit ( $x$ ).
- Se calculan los "Greeks" ( $\Delta, \Gamma, \text{Vega}$ ) en el espacio logit y se mapean a probabilidades.
- Se implementan filtros de toxicidad y guardias de noticias para ajustar los spreads dinámicamente, evitando la selección adversa.

4. Pipeline de Calibración

Se presenta un proceso de datos para estimar el kernel a partir de datos de mercado (mid, bid-ask, trades):

Filtrado de Microestructura: Uso de filtros de espacio de estado (Kalman) heterocedásticos para recuperar el proceso latente $x_t$ del ruido de microestructura.
Separación Difusión-Salto: Aplicación del algoritmo EM (Expectation-Maximization) para distinguir entre movimientos difusivos y saltos en los incrementos de log-odds, en lugar de usar umbrales ad-hoc.
Enforcement de Deriva RN: Recálculo de la deriva $\mu$ para asegurar que la probabilidad implícita sea una martingala.
Construcción de Superficie: Suavizado de las estimaciones puntuales en una superficie de volatilidad de creencia $\sigma_b(\tau, m)$ (tiempo hasta resolución vs. moneyness) usando splines con restricciones de forma.

5. Resultados Experimentales

Los autores realizaron experimentos controlados con datos sintéticos (consistentes con RN) y datos reales de Polymarket.

Comparativa: Se comparó el modelo RN-JD (propuesto) contra baselines como:
- Caminata aleatoria en logit (RW-logit).
- Difusión logit con volatilidad constante.
- Modelos de Wright-Fisher/Jacobi en espacio $p$ .
- AR-GARCH en espacio $p$ .
Métricas: Se evaluó el error de pronóstico de la varianza realizada a corto plazo (horizonte de 60s) usando MSE, MAE y la pérdida QLIKE.
Hallazgos:
- El modelo RN-JD obtuvo el menor error (MSE y QLIKE más bajos) en todos los escenarios.
- Los modelos basados solo en difusión fallaron en capturar los brotes de volatilidad cerca de choques de información.
- Los modelos en espacio $p$ (Wright-Fisher, GARCH) sufrieron inestabilidad numérica masiva al mapear de vuelta al espacio logit, generando errores de magnitud astronómica.
- La separación explícita de saltos y la imposición de la deriva neutral al riesgo fueron clave para la estabilidad y precisión.

6. Significado e Impacto

Lenguaje Común: El kernel RN-JD actúa como el "Black-Scholes" para los mercados de predicción, proporcionando un lenguaje común (volatilidad de creencia, intensidad de saltos, dependencia) para cotizar y cubrir riesgos.
Institucionalización: Facilita la entrada de capital institucional (como la inversión de ICE en Polymarket) al ofrecer herramientas de cobertura estandarizadas y reducir las pérdidas de los market makers por selección adversa.
Liquidez: Al permitir que los makers transfieran el riesgo de volatilidad y saltos a través de derivados, se espera que los spreads se estrechen y la liquidez se concentre, incluso durante eventos de alta incertidumbre.
Escalabilidad: Proporciona una base matemática para listar derivados complejos (swaps de varianza, correlación) en plataformas de predicción, similar a lo que ocurrió en los mercados de opciones tradicionales.

En conclusión, el artículo demuestra que la estandarización de un kernel estocástico basado en la martingala de probabilidad y la separación de saltos es crucial para madurar los mercados de predicción, transformándolos de plataformas de apuestas a mercados de riesgo de creencia eficientes y cubribles.