💰 quantitative finance

ParlayMarket: Automated Market Making for Parlay-style Joint Contracts

Il paper introduce ParlayMarket, il primo design di market making automatizzato che supporta contratti congiunti di tipo parlay all'interno di un pool di liquidità unificato, garantendo una convergenza verso una distribuzione congiunta coerente e limitando le perdite del market maker anche in presenza di molteplici mercati di base.

Autori originali: Ranvir Rana, Viraj Nadkarni, Niusha Moshrefi, Pramod Viswanath

Pubblicato 2026-03-25

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Ranvir Rana, Viraj Nadkarni, Niusha Moshrefi, Pramod Viswanath

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere al centro di una grande piazza dove le persone scommettono su eventi futuri: chi vincerà la partita di calcio, pioverà domani, o chi sarà eletto presidente. Questi sono i mercati predittivi.

Finora, questi mercati funzionavano come una serie di negozi separati. C'era un negozio per la partita di calcio, uno per il meteo, uno per la politica. Se volevi scommettere su una combinazione (es. "La squadra A vince E domani piove"), dovevi andare in due negozi diversi, fare due scommesse separate e sperare che i prezzi fossero coerenti. Spesso, però, i prezzi non corrispondevano, o il negoziante ti chiedeva un prezzo esorbitante perché non sapeva come collegare le due informazioni. Era come se avessi un puzzle, ma ogni pezzo fosse in una scatola diversa e nessuno sapesse come assemblarli.

Gli autori di questo paper, ParlayMarket, hanno inventato un nuovo modo per gestire queste scommesse combinate (chiamate "parlay" o "scommesse multiple").

Ecco come funziona, spiegato con un'analogia semplice:

1. Il Problema: Il Puzzle Esponenziale

Immagina di avere 10 eventi possibili. Se provi a creare una scommessa per ogni possibile combinazione di questi eventi (tutti insieme, nessuno, solo il primo, solo il secondo, ecc.), il numero di combinazioni diventa enorme (2 elevato a 10).
Se un mercato tradizionale provasse a tenere traccia di ogni singola combinazione come un negozio separato, avrebbe bisogno di un capitale infinito e diventerebbe troppo lento e costoso. È come se volessi avere un barista diverso per ogni possibile combinazione di ingredienti in un caffè: 10 ingredienti significherebbero 1024 baristi diversi!

2. La Soluzione: Il "Cervello Unico" (ParlayMarket)

ParlayMarket non crea un negozio per ogni scommessa. Invece, crea un unico "cervello" centrale (un modello matematico intelligente) che tiene traccia di tutte le informazioni.

L'Analogia del Ricettario: Immagina che invece di avere 1024 ricette separate, il mercato abbia un unico libro di ricette molto intelligente. Questo libro non memorizza ogni singola combinazione di ingredienti, ma memorizza solo le relazioni fondamentali: "Se c'è il caffè, c'è anche lo zucchero" o "Se piove, il campo è bagnato".
Il Modello "Ising": Il paper usa una struttura matematica chiamata "modello di Ising". Pensala come una mappa delle connessioni. Invece di memorizzare ogni possibile risultato (che è impossibile), il sistema memorizza solo:
1. Quanto è probabile che succeda un singolo evento (es. piove).
2. Come due eventi si influenzano a vicenda (es. se piove, è più probabile che il campo sia scivoloso).
  Questo riduce la complessità da "esponenziale" (un numero gigantesco) a "quadratica" (un numero gestibile).

3. Come Apprende: L'Effetto "Onda"

Quando qualcuno fa una scommessa, succede qualcosa di magico.

Nella vecchia scuola: Se scommetti sulla "pioggia", il prezzo della pioggia cambia, ma il prezzo della "partita di calcio sul campo bagnato" rimane fermo finché qualcuno non scommette lì.
Con ParlayMarket: Il sistema è come un tamburo d'acqua. Quando lanci un sasso (una scommessa) in un punto, le onde si propagano ovunque. Se scommetti sulla pioggia, il "cervello" aggiorna la sua mappa e automaticamente ricalcola i prezzi per tutte le scommesse collegate (es. la partita sul campo bagnato), anche se nessuno ha scommesso lì direttamente.
Le Scommesse Multiple (Parlay): Quando qualcuno scommette su una combinazione complessa (es. "Pioggia E Partita"), è come se il sistema ricevesse un'informazione molto potente che conferma direttamente le connessioni tra gli eventi. Questo aiuta il "cervello" a imparare molto più velocemente come gli eventi sono collegati.

4. Perché è Geniale?

Risparmio di Soldi: Il mercato non rischia di fallire (perdita esponenziale) perché non deve avere soldi separati per ogni combinazione impossibile. Usa un unico "serbatoio" di liquidità per tutto.
Prezzi Coerenti: Non puoi più trovare prezzi assurdi. Se il sistema dice che piove al 50% e che la partita è al 50%, non può dire che "Pioggia E Partita" costa il 90% (matematicamente impossibile). Tutto è coerente perché viene dallo stesso cervello.
Impara dai Errori: Più le persone scommettono, più il "cervello" impara a capire le relazioni nascoste tra gli eventi. Se tutti scommettono su certe combinazioni, il sistema capisce che c'è un legame forte e aggiorna i prezzi per tutti.

In Sintesi

ParlayMarket trasforma il mercato delle scommesse da un mucchio di negozi isolati in un unico ecosistema intelligente.
Invece di avere un barista per ogni possibile caffè, hai un barista esperto che sa esattamente come gli ingredienti si mescolano tra loro. Se ordini un caffè, lui aggiorna automaticamente il prezzo di tutte le altre bevande correlate, rendendo tutto più veloce, più economico e più intelligente per tutti.

Il paper dimostra matematicamente che questo sistema funziona, che impara velocemente e che non fallisce mai, anche quando il numero di eventi diventa enorme. È un passo avanti enorme per rendere i mercati predittivi più accessibili e intelligenti.

1. Il Problema: Limiti dei Mercati di Previsione Esistenti

I mercati di previsione sono strumenti potenti per l'aggregazione di informazioni, ma le architetture attuali presentano due limiti fondamentali quando si tratta di contratti congiunti (es. "parlay" nello sport o scommesse su scenari multipli):

Inefficienza dei Mercati Combinatori: I mercati che permettono il trading diretto su tutti i possibili esiti congiunti di $M$ eventi binari richiedono uno stato di $2^M$ variabili. Questo porta a costi computazionali esponenziali e a un rischio di perdita illimitato per il market maker, rendendo l'approccio intrattabile per $M$ grandi.
Frammentazione e Incoerenza: Le piattaforme attuali (come Kalshi o Polymarket) gestiscono i contratti congiunti tramite meccanismi ad hoc (es. Request-for-Quote o RFQ) o trattando i mercati come indipendenti. Questo porta a:
- Frammentazione della liquidità: La liquidità è dispersa tra molti contratti isolati.
- Prezzi incoerenti: I prezzi dei contratti congiunti non sono coerenti con le probabilità marginali, violando spesso i vincoli probabilistici (es. il limite superiore di Fréchet).
- Perdite combinatorie: I market maker subiscono perdite esponenziali se non riescono a modellare correttamente le correlazioni.

L'obiettivo è creare un Automated Market Maker (AMM) che supporti un numero esponenziale di contratti congiunti mantenendo una complessità polinomiale, una liquidità unificata e perdite controllate.

2. Metodologia: ParlayMarket

Gli autori introducono ParlayMarket, il primo AMM progettato per gestire contratti congiunti di tipo "parlay" all'interno di un unico pool di liquidità, mantenendo prezzi coerenti.

Architettura Chiave

Modello Probabilistico Condiviso: Invece di mantenere un libro degli ordini separato per ogni contratto, ParlayMarket mantiene una distribuzione congiunta parametrica ( $P_\phi$ ) su tutti gli $M$ eventi.
Approssimazione della Famiglia Esponenziale a Coppie (Pairwise Exponential-Family):
- La distribuzione congiunta è rappresentata utilizzando un modello di Ising (o campo casuale di Markov a coppie).
- Questo modello comprime lo spazio degli esiti da $2^M$ a $O(M^2)$ statistiche sufficienti (momenti del primo ordine e momenti del secondo ordine, ovvero probabilità marginali e correlazioni a coppie).
- La scelta del modello di massima entropia compatibile con questi momenti garantisce che non vengano introdotte strutture di ordine superiore non supportate dai dati osservati.
Meccanismo di Aggiornamento Online:
- Ogni trade (sia su mercati base che su parlay) è interpretato come un'osservazione rumorosa della distribuzione sottostante.
- Il sistema aggiorna i parametri del modello ( $\phi$ ) utilizzando la discesa del gradiente stocastico (SGD) per minimizzare l'errore di cross-entropia tra il prezzo offerto e la probabilità implicita del trader.
Shadow Trades (Trade Ombra):
- Quando un trade avviene su un mercato specifico, il sistema genera "trade ombra" interni su tutti i mercati correlati.
- Questo meccanismo assicura che l'informazione si propaghi istantaneamente attraverso l'intero spazio dei contratti, aggiornando i prezzi di tutti i parlay correlati anche se non sono stati scambiati direttamente.

3. Contributi Principali

Il paper fornisce tre risultati teorici e pratici fondamentali:

Riduzione della Complessità: Dimostra che è possibile supportare $2^M$ contratti con una complessità di stato e rischio di $O(M^2)$ , evitando l'esplosione combinatoria.
Convergenza e Stima:
- Sotto trading ripetuto, il sistema converge a un punto fisso unico che corrisponde alla migliore approssimazione della distribuzione congiunta vera all'interno della classe dei modelli a coppie (Ising).
- L'errore dei parametri rimane limitato allo stato stazionario grazie a un equilibrio tra segnale (informazioni dai trade) e rumore.
Limiti di Perdita Controllata:
- La perdita aggregata del market maker cresce al massimo quadraticamente ( $O(M^2)$ ) rispetto al numero di mercati base, invece che esponenzialmente.
- In un regime di "parlay completo" (dove sono scambiati tutti i possibili sottoinsiemi), la perdita media per mercato decresce esponenzialmente all'aumentare di $M$ .

4. Risultati Sperimentali

Gli autori hanno validato il modello attraverso simulazioni controllate e un replay su dati storici di Kalshi (piattaforma di mercati di previsione USA).

Simulazioni Sintetiche:
- Convergenza Geometrica: Il modello converge rapidamente alla distribuzione vera.
- Ruolo dei Parlay: I contratti parlay (di ordine superiore, $k \ge 3$ ) sono essenziali. Senza di essi, il modello Ising non riesce a stimare le correlazioni e subisce perdite elevate. Con i parlay, il modello apprende la struttura di dipendenza e riduce drasticamente l'errore.
- Confronto con Baseline: ParlayMarket supera significativamente gli AMM basati sull'indipendenza (che falliscono in presenza di correlazioni) e i sistemi RFQ (che soffrono di frammentazione e spread elevati).
Replay su Dati Reali (Kalshi):
- Utilizzando dati storici su scommesse NBA, il sistema ha dimostrato di poter essere implementato in un ambiente reale.
- In modalità "stand-alone market maker" (sovrapposto a mercati base esistenti), ParlayMarket ha ottenuto il miglior rapporto rischio-rendimento (Sharpe ratio più alto) tra le strategie non native, confermando la sua efficacia pratica nel gestire la liquidità e il rischio correlato.

5. Significato e Implicazioni

ParlayMarket risolve il compromesso fondamentale tra espressività combinatoria e fattibilità infrastrutturale.

Teorico: Stabilisce che la complessità combinatoria non richiede capitale combinatorio. Dimostra come l'apprendimento online delle dipendenze possa sostituire l'enumerazione completa degli stati.
Pratico: Offre un design scalabile per i mercati di previsione, permettendo agli utenti di scommettere su scenari complessi (es. "Team A vince E Team B perde E Giocatore X segna") con prezzi coerenti e liquidità profonda, senza esporre il market maker a rischi illimitati.
Innovazione: Introduce l'idea di un AMM come un sistema di inferenza online, dove i trade non sono solo scambi di valore, ma segnali che aggiornano continuamente la conoscenza globale del mercato sulle correlazioni tra eventi.

In sintesi, il lavoro dimostra che i mercati di previsione possono evolvere da semplici mercati su eventi singoli a sistemi complessi e correlati, mantenendo stabilità finanziaria e efficienza informativa.