💰 quantitative finance

Empirical Evaluation of Deadline-Resolved Information Leakage on Documented Polymarket Insider Cases

Este artículo evalúa empíricamente la Puntuación de Fuga de Información Resuelta por Plazo (ILS-dl) en los casos documentados de trading con información privilegiada de Polymarket, específicamente dentro del clúster del conflicto Estados Unidos-Irán de 2026, demostrando la capacidad de la métrica para distinguir la señal genuina de los artefactos proxy, validando su ajuste de hazard exponencial para los mercados de geopolítica militar e identificando limitaciones en la trazabilidad de billeteras.

Autores originales: Maksym Nechepurenko

Publicado 2026-05-05

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Maksym Nechepurenko

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

Imagine una gigantesca casa de apuestas global llamada Polymarket. Aquí, las personas realizan apuestas sobre eventos futuros, como "¿Entrarán las tropas estadounidenses en Irán antes del 30 de abril?" o "¿Lanzará una empresa específica un informe secreto?".

A veces, las personas ganan cantidades enormes de dinero con estas apuestas. La gran pregunta es: ¿Ganaron porque tuvieron suerte, o porque sabían algo que el resto del mundo no sabía? (Esto se llama "comercio con información privilegiada" o "comercio informado").

Este artículo es una historia de detectives. Los autores construyeron una nueva herramienta matemática (una "puntuación") para intentar atrapar a estos apostadores astutos. Probaron esta herramienta en un grupo específico de apuestas sobre el conflicto entre EE. UU. e Irán en 2026.

Aquí está el desglose de su investigación en términos sencillos:

1. El Problema: El "Reloj Incorrecto"

La nueva herramienta de los autores, llamada Deadline-ILS, está diseñada para medir cuánto se movió el precio de la apuesta antes de que la noticia se hiciera pública realmente.

La Vieja Forma (El Reloj Defectuoso): Anteriormente, los investigadores observaban el precio de una apuesta solo una hora antes de que se anunciara el resultado oficial.
La Nueva Forma (El Reloj Real): Los autores se dieron cuenta de que, para muchas apuestas, la noticia "real" ocurre días o semanas antes del resultado oficial.
- Analogía: Imagina una apuesta sobre "¿Lloverá mañana?". El resultado oficial se anuncia a medianoche. Pero si empieza a llover a las 2:00 p. m., los apostadores inteligentes compraron sus boletos a las 2:00 p. m., no a las 11:59 p. m. Si solo miras el precio a las 11:59 p. m., te pierdes toda la historia.

2. La Investigación: Probando la Herramienta

Los autores intentaron ejecutar su nueva herramienta en 18 apuestas diferentes relacionadas con el conflicto entre EE. UU. e Irán. Sin embargo, se encontraron con algunos obstáculos:

Datos Faltantes: Para la mayoría de las apuestas, no pudieron encontrar el minuto exacto en que se rompió la noticia.
Precios Faltantes: Para muchas apuestas, no pudieron obtener el historial completo de cómo cambió el precio cada segundo (como un ticker de bolsa).
El Único Éxito: Solo una apuesta superó todas las pruebas: "¿Entrarán las fuerzas estadounidenses en Irán antes del 30 de abril?".

3. El Gran Descubrimiento: La Señal "Falsa"

En esa única apuesta exitosa, los autores encontraron algo impactante.

Usando el Reloj Viejo (1 hora antes del final): La herramienta indicó que el precio se movía en contra del ganador. ¡Parecía que los apostadores inteligentes estaban equivocados! La puntuación fue -0.33.
Usando el Reloj Nuevo (Cuando la noticia realmente se rompió): La herramienta indicó que el precio se movió a favor del ganador. La puntuación fue +0.11.

La Analogía:
Imagina una carrera.

El Método Viejo mira a los corredores 1 minuto antes de la línea de meta. Para entonces, todos están cansados y ralentizando. Parece que nadie corría rápido.
El Método Nuevo mira a los corredores cuando se dispara la pistola de salida. Ve un estallido de velocidad justo al inicio.

Los autores descubrieron que el "Método Viejo" les estaba mintiendo. Para cuando el resultado oficial estaba cerca, el mercado ya había renunciado a la idea de que el evento ocurriría. El "Método Nuevo" captó la pequeña pista temprana de que el evento podría ocurrir. Esto demuestra que usar el tiempo real de la noticia es crucial para encontrar la verdad.

4. El Misterio de la "Billetera"

Los autores también intentaron rastrear las billeteras digitales (las cuentas) de las personas que hacían estas apuestas para ver si las mismas personas estaban apostando en múltiples eventos relacionados.

El Resultado: Encontraron 332 billeteras que apostaron tanto a "EE. UU. entra en Irán" como a "Cese de fuego".
La Trampa: Solo pudieron ver las apuestas realizadas después de que ocurriera el evento (durante la ventana de liquidación).
La Conclusión: Estas personas no eran "iniciados" apostando antes de la noticia; eran simplemente "arbitrajistas" (personas que apostaban al resultado final para obtener una ganancia rápida una vez que la noticia ya estaba fuera).
La Limitación: Los autores admiten que no pudieron ver las apuestas "pre-evento" porque el sistema de datos que utilizaron no guarda ese historial. Es como intentar resolver un crimen cuando la cámara de seguridad solo comienza a grabar después de que el ladrón ha salido del edificio.

5. El Veredicto: "Prueba de Concepto"

Los autores son muy honestos sobre sus hallazgos. Dicen:

Esto es un viaje de prueba, no un informe final. Solo probaron con éxito la herramienta en una apuesta específica.
La herramienta funciona: Distinguió con éxito entre una "señal real" y un "artefacto falso" causado por mirar en el momento equivocado.
La herramienta necesita mejoras: Para usarla a gran escala (como verificar millones de apuestas), necesitan arreglar cinco cosas:
1. Asegurarse de que la apuesta se realice antes de que comience el evento (no después).
2. Separar diferentes tipos de noticias (por ejemplo, "discursos programados" frente a "largos procesos judiciales") porque ocurren a diferentes velocidades.
3. Obtener más datos sobre noticias corporativas.
4. Crucialmente: Construir un sistema que registre el precio de cada apuesta desde el segundo exacto en que el mercado se abre, no solo cuando cierra.
5. Crucialmente: Construir un sistema que registre cada operación individual realizada por cada persona desde el inicio, no solo la liquidación final.

Resumen

Este artículo es una "prueba de concepto". Dice: "Construimos un nuevo radar para detectar el comercio con información privilegiada en los mercados de apuestas. Lo probamos en un caso y funcionó mucho mejor que el radar antiguo porque miró en el momento correcto. Sin embargo, nuestro radar está actualmente ciego a la parte más importante de la historia (las operaciones tempranas) porque nuestro sistema de grabación de datos aún no es lo suficientemente rápido. Necesitamos construir mejores grabadores de datos antes de poder atrapar a los grandes peces".

Aquí se presenta un resumen técnico detallado del artículo "Evaluación empírica de la filtración de información resuelta por plazo en casos documentados de insiders de Polymarket".

1. Planteamiento del Problema

Los mercados de predicción descentralizados (por ejemplo, Polymarket) han acumulado evidencia significativa de presunta negociación con información privilegiada, particularmente en contratos de "resolución por plazo" (por ejemplo, "¿Ocurrirá el Evento X antes de la Fecha Y?"). Aunque un artículo metodológico complementario introdujo la Puntuación de Filtración de Información (ILS) y su extensión resuelta por plazo (ILS $_{dl}$ ), el marco carecía de una validación empírica de extremo a extremo en casos del mundo real.

Los desafíos clave abordados incluyen:

Calidad del Ancla: Los cálculos tradicionales de ILS a menudo dependen de un ancla proxy (por ejemplo, $T_{resolve} - 1$ hora), lo cual falla al capturar el flujo de información previo al evento si el precio del mercado colapsa debido a la creencia pública de que el evento no ocurrirá antes de la resolución.
Brechas de Datos: El cálculo preciso requiere la recuperación de las marcas temporales del evento ( $T_{event}$ ), datos de precios continuos del libro de órdenes (CLOB) desde la apertura del mercado e historial de billeteras por operación.
Rigor Metodológico: Determinar si los movimientos de precios observados representan una negociación informada genuina o simplemente una mala valoración del mercado e incertidumbre en los criterios de resolución.

2. Metodología

El artículo implementa el marco Deadline-ILS (ILS $_{dl}$ ) de extremo a extremo en el clúster de conflicto EE. UU.–Irán de 2026 del inventario de Casos de Insiders de ForesightFlow (FFIC).

Definiciones Centrales

Fórmula ILS $_{dl}$ :
$ILS_{dl}(M) = \frac{\Delta_{pre}^{dl}}{\Delta_{total}^{dl}} = \frac{p(T_{event}^-) - p(T_{open})}{p_{T_{resolve}} - p(T_{open})}$
Donde $p(T_{event}^-)$ es el precio un minuto antes del evento público, y $p_{T_{resolve}}$ es el precio final de resolución.
Condiciones de Alcance: La puntuación es válida solo si $|\Delta_{total}| \geq \epsilon$ (el mercado se movió significativamente), el mercado abre cerca de 0.5 (verificación de efecto borde) y el resultado es robusto frente a desplazamientos del ancla.
Recuperación de $T_{event}$ : Un LLM de Nivel 3 (Claude Haiku 4.5) con herramientas de búsqueda web recupera la marca temporal de la primera aparición pública del evento subyacente, verificada cruzadamente contra $\geq 3$ fuentes de noticias independientes.
Estimación de la Tasa de Riesgo: El marco asume una distribución exponencial de tiempo hasta el evento $S(\tau) = \exp(-\lambda\tau)$ . La tasa de riesgo $\lambda$ se ajusta mediante Estimación de Máxima Verosimilitud (MLE) para categorías específicas (militar, corporativa, regulatoria).

Pipeline de Evaluación

Ajuste de Tasa de Riesgo: Estimar $\lambda$ por categoría utilizando 20 mercados resueltos por categoría.
Cálculo de Caso Único: Aplicar el pipeline al mercado aplicable más grande ("Fuerzas de EE. UU. entran en Irán antes del 30 de abril").
Análisis de Billeteras Transversal: Analizar la superposición de billeteras entre contratos correlacionados para detectar coordinación.
Refinamiento Metodológico: Identificar brechas de infraestructura y clasificación que impiden la escalabilidad.

3. Contribuciones Clave

Primera Validación Empírica de Extremo a Extremo: El artículo lleva el marco ILS $_{dl}$ de la definición teórica a la aplicación cuantitativa en un clúster documentado de negociación con información privilegiada.
Demostración de Sensibilidad del Ancla: Prueba empíricamente que el uso de una $T_{event}$ derivada de un artículo genera una señal fundamentalmente diferente (y más precisa) que un proxy anclado a la resolución.
Caracterización de la Tasa de Riesgo: Proporciona las primeras estimaciones empíricas de distribuciones de tiempo hasta el evento para mercados de predicción, distinguiendo entre eventos militares/geopolíticos y regulatorios.
Identificación de Brechas de Infraestructura: Identifica explícitamente la falta de recopilación continua de datos por operación como el principal cuello de botella para detectar coordinación previa al evento.

4. Resultados Clave

A. Estimación de la Tasa de Riesgo

El estudio ajustó distribuciones exponenciales para tres categorías (tamaño de muestra $n=20$ por categoría cuando fue posible):

Militar/Geopolítica: Ajuste adecuado ( $KS\ p=0.609$ ). Vida media: 2.3 días. Tiempo medio de anticipación: 2.2 días.
Divulgación Corporativa: Ajuste preliminar adecuado ( $n=5$ , $KS\ p=0.616$ ). Vida media: 4.5 días.
Decisión Regulatoria: Rechazado ( $KS\ p=0.013$ ). La distribución es bimodal, mezclando mercados de anuncios cortos con mercados de deliberación larga. Esta categoría requiere sub-categorización antes de que el modelo pueda ser utilizado.

B. Análisis de Caso Único: "Fuerzas de EE. UU. entran en Irán antes del 30 de abril"

Este fue el único mercado en el clúster que cumplió los cuatro requisitos (recuperación de $T_{event}$ , $\tau$ positivo, cobertura CLOB, $\Delta_{total}$ válido).

Contexto del Mercado: Abrió en $p=0.25$ , alcanzó un pico en 0.46, luego colapsó a casi cero el 8 de abril (día antes de la resolución), antes de resolverse en SÍ el 9 de abril.
Comparación ILS $_{dl}$ :
- Ancla Derivada de Artículo ( $T_{event}$ = 3 de abril): $ILS_{dl} = \mathbf{+0.113}$ . Indica una ligera priorización positiva (aproximadamente el 11% del movimiento total ocurrió antes del evento).
- Proxy Heredado ( $T_{resolve} - 1h$ ): $ILS_{dl} = \mathbf{-0.331}$ . Indica que el precio se movió en contra del resultado.
- Significancia: El proxy falló porque capturó el colapso de la creencia del mercado (pensando que el evento no ocurriría) en lugar del flujo de información previo al evento. Los valores difieren en 0.444 y están en lados opuestos de cero.
Análisis de Deriva: Las variantes de ventana corta (30 min, 2 h) fueron exactamente cero, descartando un "pico informado" de último minuto. La señal fue una deriva temprana y leve, no un pico concentrado.

C. Análisis de Billeteras Transversal

Limitación de Datos: El historial de operaciones disponible solo cubrió la ventana de liquidación-resolución (8–11 de abril), no el período previo al evento.
Hallazgos: 332 billeteras estuvieron activas en ambos mercados principales del clúster de Irán. Las billeteras principales operaron entre 170.000 $y 1,97 M$ .
Interpretación: Debido a que los datos son posteriores al evento, esta señal representa arbitraje de liquidación (operar sobre el resultado de la resolución), no coordinación informada previa al evento. La metodología no puede detectar actualmente la firma "canónica" de negociación con información privilegiada debido a las brechas de datos.

5. Significancia y Trabajo Futuro

Refinamientos Metodológicos Requeridos

La evaluación puso de manifiesto cinco restricciones críticas para escalar la metodología:

Requisito de $\tau$ Positivo: Los mercados deben abrir antes de que ocurra el evento ( $T_{event} > T_{open}$ ). Los mercados de duración creados después de que un evento comienza están fuera de alcance.
Sub-categorización Regulatoria: Los mercados regulatorios deben dividirse en "anuncio" vs. "deliberación formal" para corregir la distribución bimodal de la tasa de riesgo.
Expansión de Muestra: La muestra de divulgación corporativa ( $n=5$ ) es demasiado pequeña para una estimación estable de la tasa de riesgo.
Recopilación Continua de CLOB: La infraestructura actual pierde el 82% de los mercados relevantes debido a la latencia de indexación. Se requiere recopilación continua desde $T_{open}$ .
Recopilación Continua por Operación: Para detectar coordinación, el sistema debe capturar operaciones individuales desde la apertura del mercado, no solo datos de liquidación.

Conclusión

El artículo sirve como una prueba de concepto metodológica. Demuestra que la extensión Deadline-ILS distingue con éxito la señal de los artefactos del proxy al utilizar marcas temporales de eventos precisas. Sin embargo, la incapacidad actual para acceder al historial de operaciones previo al evento impide una evaluación completa a nivel de población de la negociación con información privilegiada. Los autores proponen un "programa de trabajo" centrado en la construcción de pipelines de datos continuos y el refinamiento de taxonomías de clasificación para habilitar la detección a gran escala en el futuro.

Disponibilidad de Datos: El inventario FFIC y la clasificación de tipología de resolución de 911.237 mercados de Polymarket se publican como conjuntos de datos abiertos en GitHub.