💰 quantitative finance

Per-Market Information Leakage and Order-Flow Skill: Two Methodological Lenses on Informed Trading in Decentralized Prediction Markets

Este artículo sostiene que tres enfoques metodológicos distintos para detectar el comercio informado en mercados de predicción descentralizados: la evaluación de habilidades a nivel de cuenta, la identificación heurística de insiders y la puntuación de fugas de información por mercado, son capas complementarias de detección en lugar de métodos competidores, y demuestra cómo su integración mejora la precisión mediante un pipeline combinado.

Autores originales: Maksym Nechepurenko

Publicado 2026-05-05

📖 7 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

Imagina un enorme casino de apuestas global llamado Polymarket. Aquí, la gente apuesta de todo, desde "¿Quién ganará el Super Bowl?" hasta "¿Será destituido un político específico?" o "¿Lloverá mañana en Londres?".

Recientemente, una gran pregunta ha atormentado este casino de apuestas: ¿Hay gente haciendo trampa? ¿Hay "insiders" que utilizan información secreta y privada para ganar dinero antes de que el resto de nosotros siquiera sepamos que ha ocurrido la noticia?

En abril de 2026, tres grupos diferentes de investigadores aparecieron con tres linternas distintas para encontrar a estos tramposos. Este artículo es una guía que explica cómo funcionan estas linternas, por qué son todas diferentes y cómo debes usarlas juntas para atrapar realmente a los malos.

Aquí tienes el desglose en términos sencillos:

Las Tres Linternas (Metodologías)

El artículo argumenta que estos tres métodos no compiten entre sí; están examinando el problema desde tres ángulos diferentes.

1. El "Detective de Carrera" (Randomización de Señales)

Quién lo usa: Gomez-Cram y colegas.
Cómo funciona: Imagina que eres un entrenador observando a un jugador de baloncesto durante toda una temporada. Te preguntas: "¿Es este jugador realmente bueno, o simplemente tuvo suerte?"
- Toman el historial completo de apuestas de un trader.
- Ejecutan una simulación por computadora donde cambian aleatoriamente el botón de "Ganar/Perder" en cada apuesta 10.000 veces.
- Si las ganancias reales del trader son mucho mejores que lo que obtendrías solo adivinando al azar, se les etiqueta como "Hábiles".
El Truco: Esto solo funciona para personas que han hecho muchas apuestas (al menos 10 eventos diferentes).
- Analogía: Si un ladrón roba un banco una vez, se lleva un millón de dólares y luego desaparece, este "Detective de Carrera" no lo atrapará. El detective necesita un historial largo para probar que el ladrón es "hábil" en lugar de simplemente afortunado.
- El Problema: El artículo señala que Polymarket tiene muchos tipos diferentes de apuestas (Deportes, Cripto, Política). Un apostador deportivo "hábil" (que conoce las lesiones de los jugadores) se ve igual que un "insider" político hábil (que conoce planes militares secretos). Mezclarlos todos hace difícil saber quién está realmente haciendo trampa.

2. El Detector de "Visitante de Una Sola Vez" (Heurística del Ciclo de Vida)

Quién lo usa: Gomez-Cram y colegas (una segunda herramienta del mismo equipo).
Cómo funciona: Esto busca al tramposo de "una sola vez".
- Señala cuentas que:
  1. Fueron creadas solo días antes de un gran evento.
  2. Apuestan fuertemente solo a ese único evento.
  3. Dejaron de apostar inmediatamente después de que el evento terminó.
El Truco: Esta es una alarma de "comportamiento sospechoso", no una prueba de culpabilidad.
- Analogía: Imagina a un guardia de seguridad viendo a alguien comprar un boleto, caminar directamente a la caja VIP, apostar todo a un solo caballo y luego desaparecer. ¡Eso es sospechoso! Pero también podría ser un nuevo fanático emocionado, un programa bot, o alguien intentando ocultar su identidad por privacidad. El artículo dice que no sabemos exactamente cuántas de estas personas "sospechosas" son realmente insiders culpables.

3. El "Medidor de Fugas" (Puntuación de Fuga de Información - ILS)

Quién lo usa: Nechepurenko.
Cómo funciona: Esto no mira a las personas; mira a las líneas de apuestas (las cuotas).
- Imagina que una noticia estalla a las 10:00 AM diciendo "El Presidente ha dimitido".
- Esta herramienta verifica las cuotas de apuestas a las 9:59 AM.
- La Pregunta: "¿Cuánto se movieron las cuotas antes de que la noticia llegara al público?"
- Si las cuotas eran 50/50 a las 9:00 AM y saltaron al 90% a las 9:59 AM, el "Medidor de Fugas" dice: "¡Oye, alguien sabía que esto iba a pasar antes de que estallara la noticia!".
El Truco: Te dice que hubo una fuga de información, pero no te dice quién la filtró. Es como escuchar un fuerte estruendo en la cocina pero no saber qué niño rompió el jarrón.

El Caso de Prueba del Mundo Real: La Operación "Maduro"

El artículo utiliza un ejemplo de la vida real para mostrar cómo se apilan estas herramientas. A principios de 2026, hubo una operación militar secreta de EE. UU. que involucraba a Venezuela.

El Caso Legal: El Departamento de Justicia de EE. UU. (DOJ) arrestó a un soldado llamado Gannon Van Dyke. Probaron que utilizó planes militares secretos para ganar $409,881 en apuestas.
El Detector de "Visitante de Una Sola Vez": Esta herramienta señaló tres cuentas. Una de ellas ganó exactamente $409,882. El momento y el dinero coincidían perfectamente con el crimen del soldado. Esta herramienta encontró con éxito la "aguja en el pajar".
El "Detective de Carrera": Esta herramienta falló al señalar al soldado. ¿Por qué? Porque el soldado solo hizo apuestas en este único evento y luego se detuvo. No tenía un historial largo, por lo que el "Detective de Carrera" no tenía suficientes datos para llamarlo "hábil".
El "Medidor de Fugas": El artículo sugiere que esta herramienta podría haberse utilizado para medir exactamente cuánto se movieron las cuotas antes de que se diera a conocer la noticia en cada contrato específico, pero no ejecutaron realmente los cálculos en este artículo.

La Lección: El "Detective de Carrera" se perdió al soldado porque era un jugador de una sola vez. El detector de "Visitante de Una Sola Vez" lo atrapó. Pero ninguna de las dos herramientas pudo decirnos cuánto se movieron las cuotas antes de la noticia (lo cual haría el "Medidor de Fugas").

La Solución Propuesta: Un Pipeline de Seguridad de Tres Etapas

El autor sugiere que, en lugar de depender de una sola linterna, deberíamos construir un sistema de seguridad con tres etapas:

Etapa 1 (El Filtro): Usar el detector de "Visitante de Una Sola Vez" y el "Detective de Carrera" (pero separados por categoría, por ejemplo, no mezclar apostadores deportivos con insiders políticos) para crear una "Lista de Vigilancia" de cuentas sospechosas.
Etapa 2 (El Medidor): Tomar los mercados donde estas cuentas sospechosas están apostando y usar el "Medidor de Fugas" para ver si las cuotas se movieron de manera extraña antes de la noticia.
Etapa 3 (El Humano): Si una cuenta está en la Lista de Vigilancia Y las cuotas se movieron de manera extraña, enviarlo a un investigador humano (como un oficial de policía o un regulador) para decidir si es realmente un delito.

Lo que el Artículo Dice que Aún No Sabemos

El artículo termina admitiendo que aún hay tres grandes vacíos en nuestro conocimiento:

Reglas Confusas: A veces el mercado se mueve porque la gente está confundida sobre las reglas de la apuesta, no porque alguien tenga información secreta. Aún no tenemos una buena manera de distinguir la diferencia.
Datos Faltantes: Para atrapar a los tramposos en tiempo real, necesitamos rastrear cada apuesta individual a medida que ocurre. Actualmente, a menudo solo vemos los datos después de que el evento ha terminado.
Trabajo en Equipo: No tenemos una buena manera de detectar si un grupo de personas está trabajando juntos a través de diferentes mercados para mover las cuotas.

Resumen

El artículo es un "Manual de Usuario" para atrapar tramposos en los mercados de predicción. Dice: No uses solo una herramienta. Necesitas al "Detective de Carrera" para encontrar a los profesionales, al detector de "Visitante de Una Sola Vez" para encontrar a los ladrones sigilosos, y al "Medidor de Fugas" para medir el daño. Solo usando las tres juntas puedes obtener una imagen clara de lo que realmente está sucediendo.

1. Planteamiento del Problema

Los mercados de predicción descentralizados (por ejemplo, Polymarket) han acumulado evidencia significativa de comercio informado, incluidos casos que involucran información gubernamental clasificada (por ejemplo, la operación de 2026 entre EE. UU. y Venezuela). Sin embargo, la literatura académica carece de un marco unificado para detectar dicho comercio. Los enfoques existentes a menudo confunden diferentes tipos de "habilidad" (por ejemplo, experiencia en apuestas deportivas frente a comercio con información privilegiada) o operan en niveles de granularidad incompatibles (nivel de billetera frente a nivel de mercado).

El problema central abordado es la fragmentación metodológica en la detección del comercio informado. Tres enfoques distintos surgieron en abril de 2026 (Mitts & Ofir; Gomez-Cram et al.; Nechepurenko) que abordan la misma realidad empírica pero operan en diferentes capas. El artículo argumenta que estos no son métodos competitivos, sino capas de detección complementarias que deben combinarse para formar una tubería de vigilancia robusta.

2. Marco Metodológico

El artículo organiza las metodologías de detección en tres capas estructurales basadas en la granularidad, el tiempo y el resultado:

A. Capa 1: Clasificación de Anomalías y Habilidades a Nivel de Billetera

Filtro de Anomalía Compuesto (Mitts & Ofir, 2026): Agrupa características (tamaño de la apuesta, rentabilidad, momento) para puntuar pares (billetera, mercado). Es retrospectivo y estima la ganancia anómala agregada (143 millones de dólares), pero no puede distinguir la habilidad de la suerte ni proporcionar señales en tiempo real.
Clasificador de Habilidad por Aleatorización de Signos (Gomez-Cram et al., 2026):
- Mecanismo: Para cuentas que operan en $\ge$ 10 eventos, aleatoriza la dirección de compra/venta de las operaciones 10.000 veces manteniendo fijos el evento, el tamaño y el momento. Compara la PnL realizada contra esta distribución nula.
- Resultado: Clasifica las cuentas como "ganadores hábiles", "ganadores afortunados", "perdedores desafortunados" o "perdedores no hábiles".
- Limitación: Mide la habilidad direccional persistente condicionada a la selección de oportunidades, no el comercio con información privilegiada. Excluye por diseño a los "insiders de un solo tiro" (cuentas creadas para un solo evento).
Heurística de Ciclo de Vida y Convicción (Gomez-Cram et al., 2026):
- Mecanismo: Señala cuentas creadas dentro de los 7 días posteriores a un evento, que operan exclusivamente ese evento, con alto volumen/ganancia, y que quedan inactivas tras la resolución.
- Resultado: Una bandera binaria para sospechar de "insiders" de un solo tiro.
- Limitación: Alta recuperación (recall) para patrones de insiders, pero precisión desconocida (alto riesgo de falsos positivos por granjas de Sybil o nuevos usuarios).

B. Capa 2: Fuga de Información a Nivel de Mercado

Puntuación de Fuga de Información (ILS / ILSdl) (Nechepurenko, 2026b,a):
- Mecanismo: Cuantifica la fracción del movimiento del precio terminal ( $p_{T_{resolve}} - p_{T_{open}}$ ) que fue incorporado al precio antes del evento de noticias público ( $T_{news}$ ).
- Fórmula: $ILS(M) = \frac{p(T_{news}^-) - p(T_{open})}{p_{T_{resolve}} - p(T_{open})}$ .
- Condiciones de Alcance: Requiere incertidumbre sustancial en la apertura, un movimiento total no trivial y robustez frente a perturbaciones de anclaje.
- Resultado: Una puntuación por mercado (por ejemplo, 0.6 implica que el 60% del movimiento fue anticipado).
- Limitación: No identifica qué billetras causaron la fuga; depende de la recuperación precisa de las marcas de tiempo de eventos públicos.

3. Contribuciones Clave

Taxonomía de Detección: El artículo establece que estos métodos responden a preguntas diferentes:
- Aleatorización de signos: "¿Ha demostrado esta cuenta una capacidad direccional repetida?"
- Heurística de ciclo de vida: "¿Exhibe esta cuenta la firma conductual de un insider de un solo tiro?"
- ILS: "¿Cuánta información fue anticipada en este contrato específico?"
Crítica a la "Habilidad" a Nivel de Plataforma: El autor argumenta que una única clasificación de "ganador hábil" es ambigua en cuanto al mecanismo, ya que Polymarket mezcla categorías (Deportes, Política, Cripto) con tecnologías de información fundamentalmente diferentes. Una "habilidad" en apuestas de la NBA (ingestión de noticias) es distinta del comercio con información privilegiada geopolítica. El artículo aboga por una descomposición condicionada por categoría antes de utilizar estas métricas para la vigilancia.
Reproducibilidad y Restricciones de Datos: El artículo destaca que, aunque la metodología de Gomez-Cram et al. es reproducible en principio, las etiquetas específicas de las cuentas (los 1.950 insiders señalados) y las descomposiciones condicionadas por categoría aún no se han publicado, lo que limita su uso operativo inmediato.
Integración de Estudio de Caso (Cúmulo Maduro/Venezuela): El artículo analiza la operación de enero de 2026 entre EE. UU. y Venezuela (Operación Resolución Absoluta) y el posterior indiciamiento del Sargento Mayor Gannon Van Dyke.
- Alineación: La heurística de ciclo de vida señaló tres cuentas; la PnL de la cuenta principal (409.882 dólares) coincidió con la ganancia alegada en el indiciamiento del Departamento de Justicia (409.881 dólares) hasta el último dólar.
- Brecha: El clasificador de aleatorización de signos pasó por alto estas cuentas (ya que eran operadores de un solo tiro), y el indiciamiento del Departamento de Justicia no cuantificó la fuga por contrato.
- Síntesis: Las capas se apilan: la heurística identifica el quién, la investigación legal confirma el qué (MNPI), y el ILS cuantificaría el cuánto por contrato.

4. Resultados y Hallazgos

Persistencia de la Habilidad: El clasificador de aleatorización de signos encontró que el 3,14% de las cuentas son "ganadores hábiles", capturando más del 30% de las ganancias de la plataforma. Estas cuentas hábiles mostraron un 44% de persistencia fuera de la muestra, significativamente mayor que la de los gestores de fondos mutuos.
Validez de la Heurística: En el estudio de caso de Maduro, la heurística de ciclo de vida identificó con éxito las cuentas asociadas al insider indiciado, demostrando una alta recuperación (recall) para casos alineados con la aplicación de la ley, aunque la precisión en toda la población de 1.950 cuentas señaladas permanece sin verificar.
Brechas Metodológicas:
- Incertidumbre en Criterios de Resolución: Los mercados pueden malvalorarse debido a la ambigüedad en las reglas de resolución (por ejemplo, "¿Entraron las fuerzas en Irán?"), lo que los modelos estadísticos pueden malinterpretar como comercio con información privilegiada o falta de habilidad.
- Infraestructura: La vigilancia en tiempo real está actualmente bloqueada por la falta de recopilación continua de datos por operación (limitaciones del subgrafo de The Graph), lo que obliga a depender de análisis retrospectivos.
- Coordinación Transversal de Mercados: Los métodos actuales no detectan operaciones coordinadas a través de mercados relacionados (por ejemplo, múltiples contratos sobre Venezuela) antes de un evento.

5. Significado y Tubería Propuesta

El artículo propone una tubería de vigilancia de tres etapas para integrar estas capas:

Etapa 1 (Triaje): Puntuación de riesgo de cuentas condicionada por categoría. Combina la aleatorización de signos (para habilidades multi-evento) y heurísticas de ciclo de vida (para patrones de un solo tiro), ponderadas por categoría (por ejemplo, riesgo geopolítico > riesgo deportivo).
Etapa 2 (Cuantificación): Puntuación ILSdl por mercado en mercados donde las cuentas señaladas mantienen posiciones significativas. Esto cuantifica la magnitud de la fuga de información.
Etapa 3 (Revisión): Revisión de cumplimiento humana de los contratos que superan tanto la Etapa 1 (billeteras sospechosas) como la Etapa 2 (alta fuga).

Conclusión:
El artículo concluye que ninguna metodología única es suficiente. La aleatorización de signos identifica la habilidad persistente pero pasa por alto a los insiders de un solo tiro; las heurísticas de ciclo de vida atrapan a los de un solo tiro pero carecen de precisión; el ILS cuantifica la fuga pero carece de atribución de billetera. Un enfoque combinado, fundamentado en el análisis específico por categoría y respaldado por puntos de referencia de aplicación legal (como el indiciamiento de Van Dyke), ofrece el camino más robusto para la tecnología regulatoria (RegTech) en mercados de predicción descentralizados. El trabajo enfatiza que, aunque las contribuciones académicas son sustanciales, su operacionalización requiere la publicación de las etiquetas de datos subyacentes y la atención a las brechas de infraestructura en la recopilación continua de datos.