💰 quantitative finance

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

Cet article propose un noyau stochastique unifié basé sur un modèle logit à sauts et diffusion pour les marchés de prédiction, fournissant une infrastructure de tarification et de couverture analogue au modèle Black-Scholes afin de gérer les risques de volatilité et de sauts des croyances.

Auteurs originaux : Shaw Dalen

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shaw Dalen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎯 Le Titre : "Vers un Black-Scholes pour les marchés de prédiction"

Imaginez que vous voulez parier sur l'avenir : "Qui gagnera l'élection ?", "La température dépassera-t-elle 30°C ?", "Le Bitcoin atteindra-t-il 100k$ ?".
Sur des plateformes comme Polymarket, les gens achètent et vendent des contrats qui paient 1 $ si l'événement se produit, et 0 $ sinon. Le prix de ces contrats (par exemple, 0,60 $) représente la probabilité que l'événement arrive (ici, 60 %).

Le problème ? Jusqu'à présent, il n'existait pas de langage commun pour gérer les risques liés à ces paris. C'est un peu comme si les traders d'actions avaient des règles précises pour calculer les risques, mais que les parieurs sur les événements du monde réel naviguaient à l'aveugle.

Ce papier propose de créer ce langage commun, en s'inspirant de la célèbre formule Black-Scholes (utilisée pour les options boursières), mais adaptée aux probabilités.

🧠 L'Analogie Centrale : La Boussole et la Tempête

Pour comprendre l'idée, imaginons un capitaine de bateau (le Market Maker ou celui qui fournit la liquidité) qui doit naviguer sur un océan de probabilités.

Le problème actuel :
Aujourd'hui, si une nouvelle importante tombe (une "tempête"), le prix du contrat change brutalement. Le capitaine se retrouve avec un bateau qui tangue violemment. Il ne sait pas combien de "voiles" (de couverture) il doit déployer pour ne pas couler. Il n'a pas de boussole fiable pour prédire à quelle vitesse la tempête va arriver.
La solution du papier (Le "Noyau Logit") :
Les auteurs proposent de transformer la probabilité (qui va de 0 % à 100 %) en une échelle mathématique plus simple, appelée "Logit" (comme passer d'une échelle de température en degrés Celsius à une échelle absolue).
- L'analogie : Au lieu de regarder la mer agitée directement, le capitaine utilise un radar qui transforme les vagues en données lisses.
- La règle d'or : Ils imposent une règle mathématique stricte (la "martingale") qui garantit que, tant qu'aucune nouvelle n'arrive, le bateau ne dérive pas tout seul. Il ne bouge que si le vent (l'information) souffle.
Les deux types de mouvements :
Le papier distingue deux façons dont les prix bougent :
- La diffusion (Le vent constant) : Des petites variations continues, comme une brise légère. C'est la "volatilité de la croyance".
- Les sauts (Les coups de tonnerre) : Des changements brusques quand une nouvelle tombe (ex: un candidat se retire). C'est le "risque de saut".

🛠️ La "Boîte à Outils" pour les Traders

Grâce à ce nouveau modèle, les traders peuvent maintenant créer des instruments financiers pour se protéger, exactement comme les traders d'actions le font avec les options.

Voici les nouveaux outils proposés, expliqués simplement :

📉 Le Swap de Variance (L'assurance contre l'agitation) :
Imaginez que vous louez un parapluie. Si la pluie (la volatilité) devient trop forte, vous êtes couvert. Ici, les traders peuvent acheter une assurance contre les mouvements brusques des probabilités. Si le marché devient trop nerveux, ils sont remboursés.
🔗 Le Swap de Corrélation (Le filet de sécurité) :
Souvent, deux événements sont liés (ex: "Le parti A gagne" et "Le parti B perd"). Si l'un bouge, l'autre bouge aussi. Ce nouvel outil permet de parier sur le lien entre les deux, pour neutraliser le risque si les deux bougent ensemble.
🚧 La Variance de Couloir (L'assurance ciblée) :
Parfois, le danger n'est pas partout, mais seulement dans une zone précise (par exemple, quand la probabilité est à 50 %, tout peut basculer). Cet outil permet de s'assurer uniquement quand le prix passe dans cette "zone de danger", sans payer pour les moments calmes.

🧪 Comment ça marche en pratique ? (Le "Laboratoire")

Les auteurs ont testé leur idée avec deux choses :

Des données synthétiques : Ils ont créé un monde virtuel où ils connaissaient la vérité parfaite pour voir si leur boussole fonctionnait.
Des données réelles : Ils ont regardé les données de Polymarket.

Le résultat ?
Leur nouveau modèle (le "RN-JD") a été beaucoup plus précis pour prédire les futures agitations du marché que les anciennes méthodes.

Avant : Les traders devaient deviner ou utiliser des formules trop simples qui ne tenaient pas compte des "sauts" soudains.
Après : Le modèle sépare intelligemment le bruit de fond (les petites variations) des véritables nouvelles (les gros sauts), ce qui permet de fixer des prix plus justes et de mieux gérer les risques.

💡 Pourquoi est-ce important pour tout le monde ?

Aujourd'hui, les marchés de prédiction (comme Polymarket) deviennent énormes, avec des investisseurs institutionnels et des volumes de milliards de dollars. Mais sans ces outils, les risques sont mal gérés, ce qui rend le marché instable et dangereux.

En résumé, ce papier dit :

"Pour que les marchés de prédiction deviennent aussi matures et sûrs que la Bourse, nous avons besoin d'une boussole standardisée. Cette boussole nous permet de mesurer la peur (volatilité), les chocs (sauts) et les liens entre les événements. Une fois que nous avons cette mesure, nous pouvons créer des assurances, réduire les coûts pour les parieurs et rendre le marché plus fluide."

C'est comme passer d'un système de navigation à l'ancienne (où l'on regardait juste les étoiles) à un système GPS moderne qui vous dit exactement où sont les tempêtes et comment les éviter. 🌊🧭

Titre : Vers un modèle Black-Scholes pour les marchés de prédiction : Un noyau unifié et manuel pour les teneurs de marché

1. Problématique

Les marchés de prédiction (ex. : Polymarket) agrègent des informations dispersées en probabilités négociables. Cependant, contrairement aux marchés d'options qui bénéficient du modèle Black-Scholes-Merton (BSM) comme langage commun pour le quotation et la couverture, les marchés de prédiction souffrent d'un manque de fondation stochastique unifiée.

Les défis majeurs identifiés sont :

Absence de noyau stochastique : Il n'existe pas de modèle standard décrivant l'évolution des probabilités d'événements binaires dans le temps, face aux chocs d'information ou entre événements corrélés.
Risques non couverts : Les teneurs de marché (makers) sont exposés au risque de "croyance" (mouvement du niveau de probabilité), à la volatilité de cette croyance, aux sauts (jumps) liés aux actualités, et aux risques de corrélation croisée, sans outils standardisés pour les couvrir.
Fragmentation de l'exécution : Les mécanismes actuels (LMSR, AMM à produit constant, carnet d'ordres) fixent les prix mais ne fournissent pas de dynamique probabiliste partagée.

L'objectif est de créer un équivalent du "volatilité implicite" pour les marchés de prédiction, permettant de coter, couvrir et transférer le risque de croyance à grande échelle.

2. Méthodologie : Le Noyau Logit Jump-Diffusion

L'article propose un modèle fondé sur une diffusion avec sauts en espace logit, sous une mesure risque-neutre (RN).

A. Transformation de l'espace d'état
Au lieu de modéliser directement la probabilité $p_t \in (0, 1)$ , l'auteur utilise la transformation logit :
$x_t = \text{logit}(p_t) = \ln\left(\frac{p_t}{1-p_t}\right)$
Cela permet de mapper le domaine borné $[0, 1]$ vers $\mathbb{R}$ , rendant applicables les outils standards des semi-martingales (Itô-Lévy).

B. Dynamique du processus
Le processus $x_t$ suit une équation différentielle stochastique (EDS) avec sauts :
$dx_t = \mu(t, x_t)dt + \sigma_b(t, x_t)dW_t + \int_{\mathbb{R}} z \tilde{N}(dt, dz)$

$\sigma_b$ : Volatilité de la croyance (belief volatility).
$N(dt, dz)$ : Mesure aléatoire de Poisson pour les sauts d'information.
Contrainte de Martingale : Puisque $p_t$ est le prix d'un actif risqué neutre (payant 1$ si l'événement se produit), $p_t$ doit être une martingale sous la mesure risque-neutre $Q$ . Cette contrainte fixe la dérive $\mu(t, x_t)$ de manière analytique (Équation 3 du papier), éliminant le risque de dérive arbitraire et laissant $\sigma_b$ , l'intensité des sauts et les corrélations comme facteurs de risque négociables.

C. Dépendance Multi-Événements
Le modèle intègre :

Corrélation diffusive : Entre les mouvements browniens de différents événements.
Sauts communs (Co-jumps) : Pour capturer les chocs d'information simultanés affectant plusieurs événements liés (ex. : élections).

D. Couche Dérivée
Sur ce noyau, l'article définit une gamme d'instruments dérivés analogues aux produits de volatilité sur actions :

Swaps de variance de croyance : Sur $x$ ou $p$ .
Swaps de corrélation : Pour couvrir les risques croisés.
Variance de couloir (Corridor) : Se concentre sur la zone de "swing" (ex: $p \in [0.35, 0.65]$ ) où le flux d'ordres est le plus toxique.
Notes de premier passage : Pour les risques de franchissement de seuils.

3. Contributions Clés

Le Noyau RN-JD (Risk-Neutral Jump-Diffusion) : Une fondation mathématique rigoureuse qui traite la probabilité comme une martingale, isolant la volatilité de croyance et les sauts comme facteurs de risque explicites.
Pipeline de Calibration (Section 5) : Une méthode robuste pour passer des données brutes (prix, bid/ask) à une surface de volatilité de croyance :
- Filtrage : Utilisation de filtres d'état (Kalman) pour séparer le signal latent $x_t$ du bruit microstructurel.
- Séparation Diffusion/Sauts : Utilisation de l'algorithme EM (Expectation-Maximization) pour identifier les sauts sans seuils arbitraires.
- Enforcement de la dérive RN : Recalcul de la dérive pour garantir la propriété de martingale.
- Lissage : Construction d'une surface de volatilité $\sigma_b(\tau, m)$ stable via des splines.
Manuel pour Teneurs de Marché (Section 4) :
- Définition des "Grecques" dans l'espace logit ( $\Delta_x, \Gamma_x, \text{Vega}_b$ ).
- Stratégies de cotation optimisées (inspirées d'Avellaneda-Stoikov) adaptées aux unités logit.
- Règles de gestion des inventaires et de couverture (hedges) contre l'adverse selection et les sauts.
Validation Empirique : Une expérimentation complète montrant la supériorité du modèle par rapport aux alternatives.

4. Résultats Expérimentaux

Les auteurs ont testé leur pipeline sur des données synthétiques (respectant la contrainte RN) et des données réelles de Polymarket.

Tâche : Prédire la variance réalisée du logit sur un horizon court (60 secondes).
Comparaison : Le modèle RN-JD a été comparé à :
- Une marche aléatoire logit (RW-logit).
- Une diffusion logit à volatilité constante.
- Des modèles Wright-Fisher/Jacobi (bornés).
- Des modèles AR-GARCH dans l'espace des probabilités.
Performance :
- Le modèle RN-JD a obtenu les erreurs quadratiques moyennes (MSE) et les pertes QLIKE les plus faibles.
- Les modèles basés sur l'espace $p$ (Wright-Fisher, GARCH) ont souffert d'instabilité numérique lors du mapping vers l'espace logit, générant des erreurs massives.
- Les modèles sans structure de sauts (RW-logit) ont sous-estimé la variabilité lors des chocs d'information.
Conclusion : La combinaison de la contrainte de martingale (éliminant le biais systématique) et de la séparation diffusion/sauts (via EM) permet des prévisions de volatilité plus précises et économiquement interprétables.

5. Signification et Impact

Ce travail est une étape cruciale vers la standardisation institutionnelle des marchés de prédiction.

Langage Commun : Il fournit l'équivalent de la "volatilité implicite" pour les événements, permettant aux teneurs de marché de coter et de couvrir le risque de manière standardisée.
Liquidité et Efficacité : En permettant aux makers de transférer le risque de volatilité et de sauts via des dérivés (swaps de variance/corrélation), les spreads devraient se resserrer et la liquidité augmenter, même lors d'événements majeurs (élections, données macro).
Adoption Institutionnelle : Avec l'investissement récent d'ICE (Intercontinental Exchange) dans Polymarket et l'évolution réglementaire (CFTC), ce modèle offre l'infrastructure mathématique nécessaire pour intégrer ces marchés dans la finance traditionnelle.
Pragmatisme : L'auteur souligne que la standardisation (comme Black-Scholes) est plus importante que le réalisme parfait du modèle. L'objectif est la coordination des flux et la gestion des risques, pas la modélisation parfaite de la réalité.

En résumé, l'article propose une architecture complète, allant de la théorie stochastique à l'implémentation pratique, pour transformer les marchés de prédiction en un marché de risque de croyance mature et liquide.