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

1. Il Problema: La Mancanza di un Kernel Unificante

I mercati di previsione (es. Polymarket, Kalshi) aggregano informazioni disperse in probabilità negoziabili, ma mancano di un kernel stocastico unificante paragonabile al modello Black-Scholes (BS) per le opzioni.

• Limiti attuali: I market maker affrontano rischi complessi (volatilità delle credenze, salti informativi, rischi di correlazione tra eventi) senza strumenti standardizzati per quotare o coprire (hedging) tali rischi.
• Frammentazione: Le piattaforme utilizzano meccanismi diversi (LMSR, AMM a prodotto costante, order book) che non forniscono una dinamica stocastica condivisa su come le probabilità degli eventi evolvono nel tempo o in risposta a shock informativi.
• Conseguenza: Senza un modello di riferimento, è difficile isolare il "rischio di credenza" (belief risk), portando a spread ampi, gestione del rischio inefficiente e mancanza di un layer derivato strutturato.

2. Metodologia Proposta: Il Kernel Logit Jump-Diffusion

Gli autori propongono un modello fondato su una Logit Jump-Diffusion con deriva neutrale al rischio (RN).

A. Trasformazione dello Stato

Invece di modellare direttamente la probabilità $p_t \in (0, 1)$, il modello mappa la probabilità in log-odds (logit):
$$x_t = \text{logit}(p_t) = \log\left(\frac{p_t}{1 - p_t}\right)$$
Questa trasformazione trasporta il dominio limitato $(0, 1)$ su $\mathbb{R}$, permettendo l'uso di strumenti standard di calcolo stocastico (Itô-Lévy) mentre si rispettano i vincoli di confine della probabilità.

B. Dinamica Stocastica

Il processo $x_t$ è modellato come una diffusione con salti:
$$dx_t = \mu(t, x_t)dt + \sigma_b(t, x_t)dW_t + \int_{\mathbb{R}} z \tilde{N}(dt, dz)$$
Dove:

• $\sigma_b$: Volatilità della credenza (belief volatility).
• $\tilde{N}$: Misura dei salti compensati (rappresenta shock informativi improvvisi).
• Vincolo di Martingala: Poiché $p_t$ è il prezzo di un contratto che paga 1$ in caso di evento, deve essere una martingala sotto la misura neutrale al rischio ($Q$). Questo vincolo fissa univocamente la deriva $\mu(t, x_t)$, lasciando $\sigma_b$, l'intensità dei salti e la dipendenza tra eventi come fattori di rischio negoziabili.

C. Strumenti Derivati

Sopra questo kernel, gli autori definiscono un layer di derivati coerente:

• Swap di Varianza della Credenza: Scambiano la varianza realizzata di $x$ (o $p$) con un strike fisso.
• Swap di Correlazione: Coprono il rischio di co-movimento tra eventi correlati (diffusione e salti comuni).
• Variance in Corridoio (Corridor Variance): Concentra la copertura sulla "zona di oscillazione" (es. $p \in [0.35, 0.65]$) dove il flusso degli ordini è più tossico.
• Note di Primo Passaggio: Strumenti che pagano se la probabilità supera una soglia prima di una data scadenza.

3. Pipeline di Calibrazione

Per passare dai dati di mercato (mid, bid-ask, trade) a una superficie di volatilità negoziabile, viene proposta una pipeline in tre fasi:

1. Filtraggio del Rumore: Utilizzo di filtri di stato (es. Kalman Filter eteroschedastico) per estrarre il segnale latente $x_t$ dal rumore di microstruttura.
2. Separazione Diffusione/Salti (EM): Utilizzo dell'algoritmo Expectation-Maximization (EM) su finestre rotanti per distinguere i movimenti diffusivi dai salti, evitando soglie arbitrarie.
3. Enforcement della Deriva RN: Ricalcolo della deriva $\mu$ per garantire che $p_t$ rimanga una martingala, quindi lisciamento della superficie di volatilità $\sigma_b(\tau, m)$ (dove $\tau$ è il tempo alla risoluzione e $m$ è la moneyness) usando spline con vincoli di forma (es. non-negatività, stabilità ai bordi).

4. Manuale per Market Maker (Gestione del Rischio)

Il documento fornisce linee guida operative per i market maker:

• Quotazione: Utilizzo di un approccio Avellaneda-Stoikov adattato al dominio logit. Gli spread vengono calcolati in unità di $x$ e poi mappati in $p$, permettendo una compressione automatica degli spread vicino ai bordi 0 e 1.
• Gestione dell'Inventario: Limiti dinamici sull'inventario che si stringono quando la probabilità si avvicina a 0 o 1 (dove la curvatura è massima).
• Coperture (Hedging):
  • Calendar Hedges: Copertura della varianza su finestre temporali specifiche (es. prima di un dato macroeconomico).
  • Cross-Event Hedges: Uso di beta di correlazione e swap di correlazione per neutralizzare il rischio tra eventi correlati (es. elezioni in diversi stati).
• Attribuzione P&L: Scomposizione del profitto/perdita in direzionalità, curvatura (Gamma), vega della credenza e rischio di salto.

5. Risultati Sperimentali

Gli autori hanno testato il modello su dati sintetici (coerenti con la misura RN) e dati reali di Polymarket, confrontandolo con baseline come Random Walk, modelli GARCH e processi di Wright-Fisher.

• Metrica: Errore di previsione a breve termine (orizzonte 60s) sulla varianza realizzata del logit.
• Risultato: Il modello RN-JD (Logit Jump-Diffusion) ha ottenuto l'errore quadratico medio (MSE) e la perdita QLIKE più bassi rispetto a tutte le baseline.
• Analisi: I modelli puramente diffusivi falliscono nel catturare i picchi di volatilità dovuti a notizie, mentre i modelli nello spazio delle probabilità (p-space) diventano numericamente instabili quando mappati nello spazio logit. La separazione EM dei salti e l'enforcement della deriva RN sono i fattori chiave del successo.

6. Significato e Impatto

• Standardizzazione: Proprio come la volatilità implicita ha standardizzato il mercato delle opzioni, la "volatilità della credenza" (belief volatility) proposta qui offre un linguaggio comune per quotare, coprire e trasferire il rischio nei mercati di previsione.
• Scalabilità Istituzionale: La presenza di un kernel unificante e di derivati standardizzati è prerequisito per l'ingresso di capitali istituzionali (es. investimenti di ICE in Polymarket) e per l'integrazione con i mercati tradizionali.
• Efficienza del Mercato: Permette ai market maker di fornire liquidità più stretta e continua, trasferendo il rischio di "credenza" a investitori specializzati, migliorando così l'accuratezza delle previsioni di mercato.

In sintesi, il paper fornisce le fondamenta matematiche e pratiche per trasformare i mercati di previsione da semplici piattaforme di scommessa a mercati finanziari sofisticati per la gestione del rischio informativo.