💰 quantitative finance

Information Leakage at Population Scale: An Evaluation of the Polymarket Insider-Relevant Subpopulation, 2020-2026

Cet article évalue le cadre du score de fuite d'information sur 12 708 marchés Polymarket de 2020 à 2026, révélant que son application effective est sévèrement limitée par l'ambiguïté de la résolution et une faible sensibilité aux ancres, démontrant ainsi que la détection des flux informés nécessite des affinements méthodologiques dans la typologie de résolution et la correction de la ligne de base plutôt que de simples calculs de score.

Auteurs originaux : Maksym Nechepurenko

Publié 2026-05-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Maksym Nechepurenko

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 une immense salle de paris mondiale appelée Polymarket. Les gens parient sur tout, de « Le Président signera-t-il ce projet de loi ? » à « Ce film remportera-t-il un Oscar ? ». Le document que vous lisez est une enquête visant à déterminer si certaines personnes trichent en pariant sur des secrets qu'elles connaissent avant le reste du public.

L'auteur, Maksym Nechepurenko, a conçu un outil spécial de « détecteur de mensonge » appelé le Score de Fuite d'Information (ILS). Lors d'un test précédent, cet outil avait fonctionné parfaitement sur un seul pari spécifique. Ce document se demande : Cet outil fonctionne-t-il lorsque nous essayons de l'utiliser sur des milliers de paris simultanément ?

Voici l'histoire de ce qu'ils ont découvert, expliquée simplement.

1. L'outil est trop sélectif (Le problème du « filtre »)

L'auteur a tenté d'utiliser cet outil sur 12 708 marchés de paris différents. L'objectif était de repérer les « tricheurs » (les personnes pariantant sur des informations privilégiées).

Le résultat : L'outil n'a fonctionné que sur 88 de ces marchés (moins de 1 %).
L'analogie : Imaginez que vous possédez un détecteur de métaux censé trouver des pièces d'or dans un champ immense. Vous balayez tout le champ, mais la machine ne bipe que pour 88 endroits. Pourquoi ? Parce que la machine est conçue pour ne biper que pour des pièces parfaitement rondes et brillantes.
Le vrai problème : La plupart des questions de paris étaient trop désordonnées. Par exemple, un pari pourrait demander : « Le dirigeant sera-t-il écarté ? » Mais « écarté » pourrait signifier licencié, démissionnaire ou décédé. L'outil a besoin d'un moment unique et clair dans le temps (comme une date spécifique de signature d'une loi) pour fonctionner. Si la question est vague, l'outil abandonne.
La surprise : Même lorsqu'ils ont examiné 32 cas célèbres où la triche était déjà connue pour avoir eu lieu, l'outil n'a fonctionné que sur un seul d'entre eux. Les 31 autres étaient trop vagues pour que l'outil les comprenne.

2. L'« événement » est difficile à cerner

Pour attraper un tricheur, l'outil doit savoir exactement quand la nouvelle a éclaté.

Le problème : L'outil a tenté d'utiliser l'IA pour trouver la seconde exacte où une nouvelle a été diffusée. Il a obtenu la bonne date seulement environ 58 % du temps.
L'analogie : C'est comme essayer d'attraper un voleur en sachant exactement à quelle seconde il est entré par la porte d'entrée. Si vous pensez qu'il est entré à 14 h 00, mais qu'il est en réalité entré à 14 h 05, votre caméra le manque.
La conséquence : Parce que l'outil est si sensible à l'heure exacte, il ne fonctionne que sur les paris les plus « propres », où la nouvelle survient à un moment unique et clair (comme un score sportif). Sur les paris politiques ou juridiques désordonnés, l'outil se perd.

3. Les scores « négatifs » n'étaient que des mathématiques, pas de la triche

Lorsque l'outil a enfin fonctionné, il a donné majoritairement des scores négatifs.

Le malentendu : Au début, l'auteur pensait qu'un score négatif signifiait que les gens pariaient contre la vérité (une étrange forme de triche).
La correction : L'auteur a réalisé qu'il s'agissait simplement d'un tour de passe-passe mathématique.
L'analogie : Imaginez un compte à rebours pour le lancement d'une fusée. À mesure que le temps passe et que la fusée ne décolle pas encore, la probabilité qu'elle décolle maintenant diminue naturellement. Si la fusée décolle enfin à la toute dernière seconde, le prix sur le marché des paris semble s'être effondré avant de remonter. L'outil a vu cet « effondrement » et a pensé qu'il s'agissait de triche.
La solution : L'auteur a ajouté une « correction de base » (comme soustraire l'effet naturel du compte à rebours). Après cette correction, une partie de la « triche » a disparu, mais sur un type spécifique de pari (les annonces réglementaires), les scores négatifs sont restés. Cela suggère que sur ces paris spécifiques, les gens pourraient réellement parier contre le résultat avant que la nouvelle ne soit diffusée.

4. L'hypothèse du « modèle universel » était fausse

L'outil supposait que tous les événements se produisaient à un rythme constant et prévisible (comme une pluie tombant à une vitesse constante).

La découverte : Les données ont montré que les événements ne se produisent pas à un rythme constant. Parfois, ils surviennent par vagues ; parfois, ils prennent beaucoup de temps.
L'analogie : L'outil utilisait un modèle de « pluie constante », mais le monde réel ressemblait davantage à une « tempête » suivie d'une « sécheresse ». L'auteur a dû passer l'outil à un modèle plus flexible (appelé Weibull) pour gérer correctement les tempêtes et les sécheresses.

La conclusion globale

Le document conclut que l'outil de « détecteur de mensonge » est réel et fonctionnel, mais qu'il est actuellement trop étroit pour être utilisé sur l'ensemble du marché des paris.

Il fonctionne bien sur des événements clairs et discrets (comme « L'équipe X gagnera-t-elle le match ? »).
Il échoue sur des événements vagues et complexes (comme « Le gouvernement changera-t-il sa politique ? »).

L'auteur déclare : « Nous avons constaté que l'outil fonctionne, mais nous devons le mettre à niveau pour gérer les questions vagues et corriger les mathématiques concernant l'écoulement du temps. » Il prévoit de le faire dans un futur document (Document 3b) en utilisant une IA plus intelligente pour comprendre les questions désordonnées et en combinant cet outil avec d'autres méthodes qui examinent les portefeuilles des parieurs individuels.

En résumé : L'outil est un fusil de précision de sniper. Il fonctionne parfaitement si vous avez une cible claire. Mais le marché des paris est rempli de cibles mouvantes et brumeuses, de sorte que le fusil manque la plupart d'entre elles. L'auteur tente maintenant de construire une lunette qui fonctionne dans le brouillard.

1. Énoncé du problème

L'article aborde le défi de la détection du trading informé (délit d'initié) sur les marchés de prédiction décentralisés, spécifiquement Polymarket. Alors que des travaux antérieurs (par exemple, Mitts & Ofir [2026], Gómez-Cram et al. [2026]) ont réussi à identifier des traders informés au niveau du portefeuille ou du compte en utilisant des modèles de trading agrégés, il existe un besoin d'un diagnostic de niveau marché, en temps réel, capable d'identifier les fuites d'informations avant qu'un événement ne soit résolu.

L'auteur cherche à étendre le Score de Fuite d'Information (ILS) et son extension résolue par échéance (ILSdl), précédemment testés sur des cas individuels, à l'échelle d'une population. Le problème central consiste à déterminer si le cadre peut détecter efficacement les flux informés à travers des milliers de marchés, ou si des limitations structurelles (telles que des définitions d'événements ambiguës) rendent la méthode inapplicable à la majorité des marchés « pertinents pour les initiés ».

2. Méthodologie

L'étude emploie un pipeline rigoureux et multi-étapes pour évaluer 12 708 marchés candidats issus du corpus Polymarket (octobre 2020 – avril 2026) au sein de trois catégories pertinentes pour les initiés : Militaire/Géopolitique, Décisions Réglementaires et Divulgations Corporatives.

A. Le cadre ILSdl

Le Score de Fuite d'Information (ILSdl) quantifie la part du mouvement total des prix d'un marché qui s'est produite avant l'observation publique de l'événement sous-jacent ( $T_{event}$ ).
$ILSdl(M) = \frac{p(T_{event}^-) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$
Où :

$p(T_{event}^-)$ est le prix une minute avant l'événement.
$p(T_{open})$ est le prix d'ouverture.
$p(T_{resolve})$ est le prix final de résolution (1 pour OUI, 0 pour NON).

B. Conditions de portée et filtres

Pour calculer un score valide, les marchés doivent passer quatre filtres séquentiels :

Typologie de résolution : Doit être « résolue par échéance » (l'événement se produit avant la date $D$ ) et non « inclassable ».
Résultat : Doit se résoudre OUI (les résultats NON ne possèdent pas de $T_{event}$ récupérable).
Récupération de $T_{event}$ : Le timestamp de l'événement sous-jacent doit être récupéré via un pipeline de vérification multi-sources assisté par LLM avec une confiance $\ge 0,7$ .
Conditions de portée : Délai positif, contraintes d'effet de bord (prix d'ouverture pas trop extrême) et Sensibilité de l'ancre (stabilité du score sur des décalages d'ancre à fenêtre courte).

C. Correction de base par décroissance du risque

Une innovation méthodologique critique est l'introduction d'un score ajusté par décroissance du risque ( $ILSdl_{adj}$ ).

Problème : Sur les contrats à échéance, les prix décroissent mécaniquement vers zéro à mesure que le temps passe sans que l'événement ne se produise (mise à jour bayésienne rationnelle). Cela crée un biais négatif dans l'ILSdl brut, même en l'absence de trading d'initié.
Solution : Les auteurs soustraient le prix attendu sous une base de probabilité de survie (dérivée d'un modèle de risque de Weibull) du prix observé.
$ILSdl_{adj}(M) = \frac{p(T_{event}^-) - E[p(T_{event}^-) | T_{open}, D, \hat{\lambda}]}{p(T_{resolve}) - p(T_{open})}$

D. Validation

Vérité terrain : L'inventaire ForesightFlow Insider Cases (FFIC) (32 épisodes de trading d'initié documentés) sert de jeu de validation étiqueté.
Validation de deuxième passage : Un LLM indépendant exécuté sur un échantillon de 50 marchés valide la précision de la récupération de $T_{event}$ .

3. Contributions et résultats clés

Résultat 1 : Exclusion structurelle (la catégorie « Inclassable »)

Résultat : Seuls 0,7 % (88 sur 12 708) des marchés candidats produisent des valeurs ILSdl calculables.
Cause : L'exclusion principale (43,8 % de l'inventaire FFIC) est l'ambiguïté des critères de résolution. Les marchés avec des prédicats tels que « gagner l'élection », « destitué comme leader suprême » ou « en détention » manquent d'un timestamp public unique et discret ( $T_{event}$ ).
Implication : Le domaine effectif du cadre est structurellement plus étroit que ce qui était initialement présenté. La catégorie « inclassable » contient une ambiguïté réelle, et non simplement du bruit de classification.

Résultat 2 : Sensibilité de l'ancre et rétrécissement de l'échantillon

Résultat : Sur les 88 marchés calculables, seuls 12 (13,6 %) satisfont la condition de sensibilité de l'ancre (scores stables sur des fenêtres de temps courtes).
Validation : La récupération indépendante de $T_{event}$ n'a atteint qu'un accord de date exacte global de 57,8 % (contre un objectif de $\ge 90 \%$ ). L'accord était élevé pour les événements discrets (Militaire/Corp : 78,9 %) mais faible pour les processus multi-étapes (Réglementaire Formel : 35,7 %).
Implication : L'échantillon opérationnellement significatif est restreint aux 12 marchés robustes aux ancres. La majorité des scores calculés sont probablement du bruit dû à un timing d'événement ambigu.

Résultat 3 : Biais négatif et correction du risque

Résultat : Les médianes ILSdl brutes sont négatives dans tous les sous-buckets (variant de -0,88 à -0,16).
Interprétation : Initialement, cela suggère que les marchés prix contre le résultat. Cependant, après ajustement par décroissance du risque :
- Réglementaire Formel (Post-2024) : Passe de -0,21 à -0,02 (essentiellement zéro). La négativité était purement une décroissance rationnelle.
- Annonce Réglementaire (Post-2024) : Reste fortement négative (-0,80 $\to$ -0,84). Cela suggère un véritable flux d'« anti-information » ou un biais de sélection dans les annonces programmées.
- MilGeo/Corp : Partiellement corrigé mais conserve un signal négatif.
Implication : Les scores négatifs bruts sont souvent des artefacts des mécanismes d'échéance ; des scores ajustés par le risque sont nécessaires pour une interprétation valide.

Résultat 4 : Spécification du taux de risque

Résultat : Le modèle exponentiel à risque constant (utilisé dans les travaux antérieurs sur des cas individuels) est rejeté pour la population post-2024 regroupée, au profit d'une distribution Weibull.
Nuance : Lorsqu'analysé par sous-catégorie, le modèle exponentiel s'adapte souvent mieux. La préférence Weibull dans l'échantillon regroupé est due au mélange de catégories (combinant des annonces à courte échéance avec des processus formels à longue échéance) plutôt qu'à une véritable dépendance de durée au sein d'une catégorie.
Implication : Les futurs modèles doivent soit utiliser Weibull pour les données regroupées, soit réestimer les risques par sous-catégorie.

4. Signification et limites

Signification

Découverte de portée : L'article démontre que l'extension d'un cadre de détection révèle des limitations structurelles (ambiguïté sémantique) que les études de cas individuels ne capturent pas.
Raffinement méthodologique : Il établit que la correction par décroissance du risque est essentielle pour les contrats à échéance afin de distinguer la décroissance rationnelle des prix du trading informé.
Détection complémentaire : La lentille de niveau marché (ILSdl) offre un diagnostic en temps réel, en vol, pour un sous-ensemble restreint de marchés, complétant les méthodes au niveau portefeuille (Mitts & Ofir) et compte (Gómez-Cram) qui sont post-hoc mais couvrent une population plus large.

Limites et travaux futurs (Article 3b)

Couverture : Le cadre actuel exclut environ 99 % de l'échantillon candidat en raison des contraintes de typologie et d'ancre.
Ambiguïté : La catégorie « inclassable » nécessite une re-classification assistée par LLM et une extension multi-ancre (gérant plusieurs valeurs candidates de $T_{event}$ ) pour inclure les marchés à prédicats ambigus.
Données : L'étude repose sur une seule exécution de pipeline ; les travaux futurs valideront sur des instantanés indépendants et intégreront des fonctionnalités au niveau portefeuille (PIN, VPIN, etc.) pour entraîner un détecteur à gradient boosté.

Conclusion

L'article conclut que si le cadre ILSdl est opérationnel, son application à l'échelle de la population est actuellement limitée à un petit sous-ensemble très spécifique de marchés (environ 12 sur 12 708) où les événements sont discrets, les timestamps récupérables et les ancres robustes. Le principal obstacle à une détection plus large n'est pas le calcul du score, mais la sémantique de la résolution. Les auteurs proposent une feuille de route impliquant une re-classification par LLM et des extensions multi-ancres pour élargir la couverture du cadre dans les travaux futurs.