💰 quantitative finance

ParlayMarket: Automated Market Making for Parlay-style Joint Contracts

Ce papier présente ParlayMarket, le premier mécanisme de marché automatisé permettant d'opérer des contrats conjoints de type parieur au sein d'une seule pool de liquidité, dont la dynamique converge vers une approximation optimale de la distribution conjointe tout en réduisant l'erreur de prix grâce à l'intégration structurelle des trades de parieurs.

Auteurs originaux : Ranvir Rana, Viraj Nadkarni, Niusha Moshrefi, Pramod Viswanath

Publié 2026-03-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ranvir Rana, Viraj Nadkarni, Niusha Moshrefi, Pramod Viswanath

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

Imaginez un grand casino de paris sportifs, mais au lieu de miser sur un seul match de football, les gens veulent parier sur des combinaisons complexes : "Si l'équipe A gagne, ET que le joueur B marque plus de 20 points, ET qu'il pleut à Paris, alors je gagne."

C'est ce qu'on appelle un parlay (ou un pari combiné). Le problème, c'est que pour gérer ces paris, les systèmes actuels sont soit trop rigides, soit trop chers à faire tourner. Ils traitent chaque combinaison comme un tout nouveau jeu, ce qui fragmente l'argent disponible et crée des prix incohérents.

Voici l'histoire de ParlayMarket, une nouvelle invention qui change la donne, expliquée simplement.

1. Le Problème : La "Tour de Babel" des Paris

Imaginez que vous avez 10 événements différents (comme 10 matchs).

Si vous voulez parier sur chaque match individuellement, c'est facile : 10 paris.
Mais si vous voulez parier sur toutes les combinaisons possibles (Match A + Match B, Match A + Match C, Match A + B + C, etc.), le nombre de combinaisons explose. Pour 10 matchs, il y a plus de 1 000 combinaisons. Pour 20 matchs, c'est plus d'un million !

Les systèmes actuels essaient de gérer chacun de ces millions de paris séparément. C'est comme essayer de tenir un livre de comptes pour chaque grain de sable sur une plage. C'est impossible à gérer, ça coûte une fortune, et les prix deviennent fous (parfois, le prix de la combinaison est plus élevé que la somme de ses parties, ce qui est mathématiquement absurde).

2. La Solution : Le "Chef d'Orchestre" Intelligent

Les auteurs de ce papier (Ranvir Rana et son équipe) ont créé ParlayMarket. Au lieu de gérer chaque grain de sable séparément, ils ont créé un chef d'orchestre unique.

Voici comment ça marche, avec une analogie :

L'ancien système (Indépendant) : Imaginez 100 musiciens jouant chacun leur partition sans se parler. Si le violoniste joue une note fausse, le contrebassiste ne le sait pas. Le résultat est du chaos.
Le nouveau système (ParlayMarket) : Imaginez un chef d'orchestre qui a une partition unique. Quand le violoniste joue, le chef ajuste le volume de tout l'orchestre pour que l'harmonie soit parfaite.

La magie technique (simplifiée) :
Le système ne mémorise pas le résultat de chaque combinaison possible. À la place, il utilise une formule mathématique intelligente (un modèle statistique) qui se souvient seulement de deux choses :

La probabilité de chaque événement seul (ex: probabilité que l'équipe A gagne).
La probabilité que deux événements se produisent ensemble (ex: probabilité que l'équipe A gagne ET qu'il pleut).

C'est comme si le système ne retenait que les "liens" entre les événements, et non chaque détail. Cela réduit la complexité d'un million de combinaisons à seulement quelques centaines de liens. C'est beaucoup plus léger !

3. Comment il apprend ? (Le jeu de l'ombre)

C'est ici que ça devient fascinant. Le système apprend en temps réel grâce aux paris des gens.

Imaginez que vous pariez sur une combinaison très obscure : "L'équipe A gagne ET il y aura un but dans la 3ème minute".

Dans un système normal, ce pari n'affecte que ce pari précis.
Dans ParlayMarket, ce pari est comme un message envoyé à tout le monde. Le système dit : "Tiens, quelqu'un pense que l'équipe A va gagner ET qu'il y aura un but tôt. Donc, je vais ajuster légèrement mes prévisions pour le match de l'équipe A, pour la météo, et pour tous les autres paris liés à ça."

Le système utilise ce qu'ils appellent des "paris fantômes" (shadow trades). Quand un vrai pari arrive, le système imagine virtuellement que des milliers d'autres paris liés ont aussi été passés, et il met à jour ses prix partout instantanément.

4. Pourquoi c'est génial ?

Pas de perte explosive : Avec les anciens systèmes, si vous avez beaucoup de paris combinés, le risque de perdre de l'argent pour la maison de paris augmente de façon exponentielle (comme une boule de neige qui dévale une montagne). Avec ParlayMarket, le risque reste contrôlé, même si le nombre de paris explose.
Des prix justes : Parce que tout est connecté, il n'y a plus de contradictions. Le prix d'un pari combiné sera toujours cohérent avec le prix des paris individuels.
L'apprentissage : Plus les gens parient sur des combinaisons complexes, plus le système devient intelligent sur la façon dont les événements sont liés entre eux. Les paris combinés sont en fait le "carburant" qui permet au système d'apprendre les corrélations cachées.

En résumé

ParlayMarket est comme un traducteur universel pour les parieurs. Au lieu de traiter chaque pari comme un monde isolé, il crée une carte mentale unique de tous les événements.

Quand vous faites un pari, vous ne faites pas juste bouger un prix isolé ; vous aidez à affiner la carte entière pour tout le monde. C'est plus efficace, moins cher à faire tourner, et cela permet de parier sur des scénarios complexes (comme dans les sports ou la finance) sans que le système ne s'effondre sous le poids des calculs.

C'est la première fois qu'on réussit à mettre de l'ordre dans le chaos des paris combinés automatisés, rendant possible un marché fluide et intelligent pour des millions de combinaisons différentes.

Titre : ParlayMarket : Création de Marché Automatisée pour des Contrats Conjoints de Style "Parlay"

1. Problématique

Les marchés de prédiction sont des mécanismes puissants pour agréger l'information, mais les conceptions actuelles sont optimisées pour des contrats d'événements uniques. En pratique, les traders expriment souvent des croyances sur des résultats conjoints (paris combinés ou "parlays" dans le sport, prévisions conditionnelles, scénarios financiers).

Les défis majeurs identifiés sont :

Explosion combinatoire : Avec $M$ événements binaires, l'espace des résultats conjoints contient $2^M$ réalisations. Une approche naïve nécessiterait de maintenir des prix et une exposition au risque pour chaque combinaison, entraînant une perte potentielle qui croît exponentiellement avec $M$ .
Fragmentation de la liquidité : Les plateformes actuelles (comme Kalshi ou Polymarket) interdisent souvent ces trades ou utilisent des mécanismes ad hoc (comme la demande de cotation ou RFQ) qui ignorent la structure de corrélation. Cela conduit à des prix incohérents, une liquidité fragmentée et des inefficacités.
Absence de cohérence : Les modèles indépendants (qui supposent que les événements sont non corrélés) échouent à capturer les dépendances, créant des opportunités d'arbitrage et des pertes non bornées pour le créateur de marché.

2. Méthodologie : ParlayMarket

Les auteurs proposent ParlayMarket, le premier design de Market Maker Automatisé (AMM) capable de gérer des contrats conjoints dans un pool de liquidité unifié tout en maintenant une tarification cohérente.

A. Représentation du Modèle (État de Croyance)
Au lieu de maintenir un état séparé pour chaque combinaison ( $2^M$ ), ParlayMarket représente la distribution conjointe par une modèle de famille exponentielle paire (pairwise exponential-family), spécifiquement un modèle d'Ising :
$P_\phi(x) \propto \exp\left( \sum_{i=1}^M \theta_i x_i + \sum_{i<j} W_{ij} x_i x_j \right)$

Compression : Ce modèle compresse l'espace de $2^M$ résultats en $O(M^2)$ statistiques suffisantes (les biais $\theta_i$ et les interactions $W_{ij}$ ).
Principe du Maximum d'Entropie : C'est la distribution la moins biaisée compatible avec les moments d'ordre 1 (marges) et 2 (corrélations) appris, évitant d'imposer des structures d'ordre supérieur non soutenues par les données.

B. Mécanisme de Mise à Jour et "Shadow Trades"
Le système fonctionne comme un système d'inférence en ligne :

Partage d'état : Tous les prix (marchés de base et parlay) sont dérivés comme des marges du même vecteur de paramètres global $\phi$ .
Shadow Trades (Transactions Ombres) : Lorsqu'un trade réel se produit sur un marché $S$ , le système interprète cela comme une observation sur la distribution conjointe. Il génère des "shadow trades" virtuels sur tous les marchés corrélés pour mettre à jour les paramètres $\phi$ .
Apprentissage par Gradient : Les paramètres sont mis à jour via une descente de gradient stochastique (SGD) sur une fonction de perte de vraisemblance composite, minimisant l'erreur entre les prix affichés et les probabilités implicites des traders.

C. Objectifs de Conception
Le système vise à satisfaire trois propriétés :

Cohérence de la liquidité : La liquidité est mutualisée ; un trade sur un marché corrélé met à jour les prix de tous les autres, évitant que les marchés peu fréquentés ne deviennent obsolètes.
Perte bornée : La perte du market maker doit croître polynomialement (idéalement $O(M^2)$ ) et non exponentiellement.
Agrégation d'information : Le modèle converge vers la meilleure approximation de la vraie distribution conjointe à partir des flux de trades.

3. Contributions Clés et Résultats Théoriques

A. Convergence Géométrique

Théorème 1 : Le système converge géométriquement vers le vecteur de paramètres optimal $\phi^*$ (la projection I de la vraie distribution sur la famille d'Ising).
Accélération par les Parlays : Les trades sur des parlays d'ordre supérieur ( $k \ge 3$ ) améliorent la convexité forte de la fonction de perte, accélérant la convergence des paramètres d'interaction $W_{ij}$ , qui sont difficiles à apprendre uniquement à partir des marchés de base.

B. Bornes de Perte (Loss Bounds)

Proposition 2 : Dans un régime de "parlays complets", la perte agrégée attendue est bornée et croît de manière polynomiale ( $O(M^2)$ ) plutôt qu'exponentielle.
Mécanisme de compensation : Les "shadow trades" créent un équilibre entre le signal (information) et le bruit. À mesure que le nombre de marchés augmente, le signal et le bruit augmentent au même rythme, maintenant l'erreur paramétrique stationnaire bornée.
Décroissance par marché : La perte moyenne par marché décroît exponentiellement avec le nombre de marchés de base ( $O(2^{-M})$ ), car l'information est mutualisée sur un nombre croissant de contrats.

C. Rôle Structurel des Parlays
Les résultats montrent que les trades de parlay ne sont pas seulement des produits supplémentaires, mais des signaux essentiels pour l'apprentissage de la structure de dépendance. Sans eux, le modèle d'Ising sous-performe les modèles indépendants car il ne peut pas calibrer correctement les interactions $W_{ij}$ .

4. Évaluation Empirique

Les auteurs ont validé le modèle via deux approches :

Simulations Contrôlées :
- Sur des données synthétiques générées par un processus gaussien corrélé, ParlayMarket démontre une perte qui décroît exponentiellement avec $M$ (contrairement aux modèles indépendants ou aux oracles partiellement informés qui voient leur perte exploser).
- En l'absence de trades de parlay, la performance de ParlayMarket s'effondre, confirmant que les parlays sont le canal d'information principal pour l'apprentissage des corrélations.
- Le modèle reste robuste face à une fraction croissante de traders "bruit" (non informés).
Replay Historique (Kalshi) :
- Le mécanisme a été testé sur des données historiques réelles de Kalshi (NBA, 2026).
- Résultats : En mode "market maker autonome" (superposé à une plateforme existante), ParlayMarket a atteint le ratio de Sharpe le plus élevé parmi les stratégies non natives, tout en acceptant un volume significatif de flux.
- Cela démontre la faisabilité pratique du déploiement pour améliorer la qualité des portefeuilles de fournisseurs de liquidité (LP) dans des environnements réels.

5. Signification et Impact

Ce travail établit que l'expressivité combinatoire ne nécessite pas de capital combinatoire.

Réduction de complexité : ParlayMarket réduit la complexité effective du market making conjoint de $O(2^M)$ à $O(M^2)$ .
Infrastructure Déployable : Il comble le fossé entre l'expressivité théorique des marchés de prédiction combinatoires et les contraintes d'infrastructure pratique.
Nouveau Paradigme : Il transforme le marché en un système d'inférence en ligne où les prix sont des marges d'un modèle probabiliste appris dynamiquement, permettant une agrégation d'information cohérente sur des événements corrélés sans risque d'effondrement exponentiel.

En résumé, ParlayMarket offre une conception pratique et évolutive pour les marchés de prédiction, permettant de trader des combinaisons complexes tout en contrôlant les pertes et en apprenant les dépendances sous-jacentes à partir des flux de commerce.