Manipulation in Prediction Markets: An Agent-based Modeling Experiment

Resumen Técnico: Manipulación en los Mercados de Predicción: Un Experimento de Modelado Basado en Agentes

Planteamiento del Problema
Los mercados de predicción agregan creencias dispersas para pronosticar resultados de eventos binarios, demostrando a menudo una alta precisión en elecciones políticas. Sin embargo, la rápida expansión de estos mercados —ejemplificada por plataformas como Kalshi y Polymarket que permiten posiciones de millones de dólares— ha planteado preocupaciones con respecto a su susceptibilidad a la manipulación. A diferencia de los mercados anteriores con límites estrictos de posición por operador (por ejemplo, Iowa Electronic Markets, PredictIt), las plataformas modernas permiten que los "whales" (agentes de alto presupuesto) controlen un capital significativo. El problema central abordado es si estos mercados funcionan como mecanismos de información autocorrectivos o si pueden sostener desviaciones de precios introducidas por una minoría sesgada y altamente dotada de recursos. Específicamente, los autores investigan bajo qué condiciones persisten estas distorsiones y cómo interactúan con otros comportamientos de los participantes del mercado, tales como el efecto de rebaño (herding) y la terquedad (stubbornness).

Metodología
Los autores desarrollan un Modelo Basado en Agentes (ABM) de código abierto para simular un mercado de predicción sobre pasos de tiempo discretos. El modelo presenta:

• Agentes: $N$ agentes de apuestas con atributos heterogéneos, incluyendo pericia ($e_i$), sesgo ($b_i$), aversión al riesgo ($r_i$), terquedad ($s_i$) y presupuestos iniciales ($B_{i,0}$).
• Estructura de Información: Los agentes reciben una señal privada "difusa" del resultado real de la elección ($\eta_t$), modelada como un camino aleatorio (random walk). La varianza de la señal es inversamente proporcional a la pericia del agente.
• Valoración y Aprendizaje: Los agentes actualizan sus valoraciones internas ($V_{i,t}$) basándose en señales privadas y, opcionalmente, en un parámetro de efecto de rebaño ($h_i$) que pondera el precio de mercado actual. La terquedad ($s_i$) gobierna la tasa a la que los agentes incorporan nueva información.
• Mecanismo de Mercado: Un mercado central empareja órdenes de compra/venta mediante reglas de doble subasta aleatoria. El precio del mercado ($m_t$) se actualiza según la demanda neta, escalado por un parámetro $\lambda$.
• Protocolo de Simulación: El estudio primero valida la estabilidad del modelo a través de un amplio espacio de parámetros. Luego, introduce un único agente "whale" con una valoración sesgada fija y una proporción específica del capital total del mercado ($\rho_w$) para probar la distorsión de precios.
• Análisis Teórico: Complementando las simulaciones, los autores derivan una solución teórica para el error de precio en estado estacionario, linealizando los tamaños de las órdenes para analizar la interacción entre la participación del presupuesto del whale, el sesgo y la degradación de los errores en presencia de efecto de rebaño.

Contribuciones Clave

1. Marco de Código Abierto: Los autores proporcionan un ABM de código abierto y una aplicación Dash con una interfaz gráfica de usuario, lo que permite la exploración del comportamiento de los agentes, la variación de parámetros y los choques de información.
2. Análisis Sistemático de la Manipulación: El estudio aísla los efectos de la concentración de capital ("whales") en la precisión del mercado, yendo más allá de las suposiciones teóricas de pequeños operadores para modelar concentraciones de capital realistas.
3. Integración de la Dinámica Conductual: El modelo incorpora explícitamente la pericia heterogénea, las tasas de aprendizaje y el comportamiento de efecto de rebaño para determinar cómo estos factores influyen en la resiliencia del mercado frente a la manipulación.
4. Corroboración Teórica: El artículo deriva relaciones analíticas que muestran que los errores de precio en estado estacionario escalan linealmente con la participación del presupuesto del whale y su error de valoración, y que la degradación de estos errores depende de la dinámica de aprendizaje y la intensidad del efecto de rebaño de los no-whales.

Resultos

• Estabilidad del Mercado: En ausencia de whales, el mercado de predicción exhibe una robustez y precisión estables a través de un amplio rango de valores de parámetros. El precio del mercado sigue de cerca el resultado real de la elección, con errores cuadráticos medios (MSE) comparables a los de los principales modelos de pronóstico electoral.
• Impacto del Whale: Los whales pueden distorsionar temporalmente los precios del mercado. La magnitud de la distorsión es proporcional al producto de la participación del presupuesto del whale y su error de valoración. Un whale requiere aproximadamente el 40% del capital total del mercado para inducir un error significativo y sostenido bajo los parámetros probados.
• Papel del Efecto de Rebaño y la Terquedad: La presencia de un comportamiento de efecto de rebaño ($h_i > 0$) y una alta terquedad ($s_i \approx 1$) entre los no-whales impacta significativamente la recuperación del mercado.
  • Un efecto de rebaño moderado no altera drásticamente las tasas de recuperación.
  • Un efecto de rebaño alto ($h_i = 1$) combinado con una alta terquedad puede conducir a la inestabilidad, caracterizada por oscilaciones en el precio del mercado y una degradación más lenta de las distorsiones de precio.
• Oportunidades de Beneficio: Las distorsiones temporales de precios creadas por los whales generan oportunidades de beneficio para los agentes no-whale bien informados (aquellos con alta pericia), quienes pueden explotar los precios desalineados.
• Validación Teórica: El análisis teórico confirma que el error en estado estacionario ($\delta_S$) es igual a la fracción del presupuesto del whale ($\rho$) multiplicado por el error de valoración del whale ($\Delta_S$). Además, demuestra que la degradación del error es más rápida cuando los agentes tienen baja terquedad y bajos pesos de efecto de rebaño.

Significancia y Afirmaciones
El artículo afirma proporcionar un marco de precaución para la regulación y el diseño de los mercados de predicción, particularmente en contextos electorales donde los precios pueden servir como señales de información pública.

• Implicaciones Regulatorias: Los hallazgos sugieren que, si bien los mercados de predicción son generalmente resilientes, son vulnerables a la manipulación cuando se permite la concentración de capital sin restricciones. Los autores abogan por un enfoque regulatorio que equilibre la libertad recreativa con la integridad democrática, potencialmente mediante restricciones en los tamaños de las operaciones individuales o límites de presupuesto general donde sea aplicable.
• Bucles de Retroalimentación: El estudio destaca el riesgo de endogeneidad: si los precios de mercado manipulados influyen en las creencias de los votantes, las estrategias de campaña o las narrativas de los medios, la distorsión podría retroalimentarse en el proceso político, alterando potencialmente el mismo resultado que se está prediciendo.
• Modestia de las Afirmaciones: Los autores declaran explícitamente que no validan empíricamente el bucle de retroalimentación entre los precios del mercado y los resultados electorales del mundo real, señalando que esto sigue siendo una pregunta abierta. Su contribución es principalmente la caracterización de las condiciones bajo las cuales los precios del mercado pueden ser distorsionados y sostenidos, proporcionando una base para medidas de política precautorias. Enfatizan que su modelo aísla mecanismos específicos (concentración de capital, efecto de rebaño) en lugar de simular la complejidad total de los ecosistemas políticos del mundo real.