💰 quantitative finance

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

Questo documento valuta il framework Information Leakage Score su 12.708 mercati Polymarket dal 2020 al 2026, rivelando che la sua applicazione efficace è severamente limitata dall'ambiguità di risoluzione e dalla bassa sensibilità agli ancoraggi, dimostrando così che il rilevamento dei flussi informati richiede affinamenti metodologici nella tipologia di risoluzione e nella correzione della baseline piuttosto che la sola computazione del punteggio.

Autori originali: Maksym Nechepurenko

Pubblicato 2026-05-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Maksym Nechepurenko

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

Immaginate una gigantesca sala scommesse globale chiamata Polymarket. Le persone puntano su tutto, da "Il Presidente firmerà questo disegno di legge?" a "Questo film vincerà un Oscar?". Il documento che state leggendo è un'indagine volta a stabilire se alcune persone stiano barando scommettendo su segreti che conoscono prima del resto del pubblico.

L'autore, Maksym Nechepurenko, ha costruito uno strumento speciale "rivelatore di menzogne" chiamato Punteggio di Perdita di Informazioni (ILS). In un test precedente, questo strumento ha funzionato perfettamente su una singola scommessa specifica. Questo documento si chiede: Funziona questo strumento quando proviamo a utilizzarlo su migliaia di scommesse contemporaneamente?

Ecco la storia di ciò che hanno scoperto, spiegata in modo semplice.

1. Lo strumento è troppo esigente (Il problema del "Filtro")

L'autore ha provato a far funzionare questo strumento su 12.708 mercati di scommesse diversi. L'obiettivo era trovare i "baranti" (persone che scommettono su informazioni riservate).

Il Risultato: Lo strumento ha funzionato solo su 88 di quei mercati (meno dell'1%).
L'Analogia: Immaginate di avere un metal detector progettato per trovare monete d'oro in un campo immenso. Spazzate l'intero campo, ma la macchina emette un segnale acustico solo per 88 punti. Perché? Perché la macchina è progettata per suonare solo per monete perfettamente rotonde e lucenti.
Il Problema Reale: La maggior parte delle domande sulle scommesse era troppo disordinata. Ad esempio, una scommessa potrebbe chiedere: "Il leader verrà rimosso?". Ma "rimosso" potrebbe significare licenziato, dimissionario o morto. Lo strumento ha bisogno di un singolo, chiaro istante temporale (come una data specifica in cui una legge viene firmata) per funzionare. Se la domanda è vaga, lo strumento si arrende.
La Sorpresa: Anche quando hanno esaminato 32 casi famosi in cui era già noto che si era verificata una frode, lo strumento ha funzionato solo su uno di essi. Gli altri 31 erano troppo vaghi perché lo strumento potesse comprenderli.

2. L'"Evento" è difficile da individuare con precisione

Per catturare un barante, lo strumento deve sapere esattamente quando la notizia è stata resa pubblica.

Il Problema: Lo strumento ha provato a utilizzare l'intelligenza artificiale per trovare il secondo esatto in cui una notizia è stata pubblicata. Ha individuato la data corretta solo circa il 58% delle volte.
L'Analogia: È come cercare di catturare un ladro sapendo esattamente in quale secondo è entrato dalla porta principale. Se pensate che sia entrato alle 14:00, ma in realtà è entrato alle 14:05, la vostra telecamera non lo riprende.
La Conseguenza: Poiché lo strumento è così sensibile all'ora esatta, funziona solo sulle scommesse più "pulite", dove la notizia avviene in un singolo, chiaro istante (come un punteggio sportivo). Su scommesse disordinate, politiche o legali, lo strumento si confonde.

3. I Punteggi "Negativi" erano solo matematica, non frode

Quando lo strumento ha finalmente funzionato, ha restituito prevalentemente punteggi negativi.

L'Incomprensione: Inizialmente, l'autore pensava che un punteggio negativo significasse che le persone stavano scommettendo contro la verità (una strana forma di barare).
La Correzione: L'autore ha realizzato che si trattava solo di un trucco della matematica.
L'Analogia: Immaginate un conto alla rovescia per il lancio di un razzo. Mentre il tempo passa e il razzo non viene ancora lanciato, la probabilità che decolli proprio ora diminuisce naturalmente. Se il razzo decolla finalmente all'ultimo secondo, il prezzo sul mercato delle scommesse sembra crollare prima di risalire. Lo strumento ha visto questo "crollo" e ha pensato che fosse una frode.
La Soluzione: L'autore ha aggiunto una "correzione di base" (come sottrarre l'effetto naturale del conto alla rovescia). Dopo questa correzione, alcune delle presunte "frodi" sono scomparse, ma su un tipo specifico di scommessa (annunci normativi), i punteggi negativi sono rimasti. Questo suggerisce che su quelle scommesse specifiche, le persone potrebbero effettivamente scommettere contro l'esito prima che la notizia venga resa pubblica.

4. L'Assunzione "Adatta a Tutto" era Errata

Lo strumento assumeva che tutti gli eventi avvenissero a un ritmo costante e prevedibile (come la pioggia che cade a velocità costante).

La Scoperta: I dati hanno mostrato che gli eventi non avvengono a un ritmo costante. A volte accadono a raffiche; a volte richiedono molto tempo.
L'Analogia: Lo strumento stava utilizzando un modello di "pioggia costante", ma il mondo reale assomigliava più a una "tempesta" seguita da una "siccità". L'autore ha dovuto passare lo strumento a un modello più flessibile (chiamato Weibull) per gestire correttamente le tempeste e le siccità.

La Conclusione del Quadro Generale

Il documento conclude che lo strumento "rivelatore di menzogne" è reale e funzionante, ma è attualmente troppo ristretto per essere utilizzato su tutto il mercato delle scommesse.

Funziona bene su eventi chiari e discreti (come "La Squadra X vincerà la partita?").
Fallisce su eventi vaghi e complessi (come "Il governo cambierà la sua politica?").

L'autore afferma: "Abbiamo scoperto che lo strumento funziona, ma dobbiamo aggiornarlo per gestire domande vaghe e correggere la matematica su come scorre il tempo". Hanno intenzione di farlo in un futuro documento (Documento 3b) utilizzando un'intelligenza artificiale più intelligente per comprendere domande disordinate e combinando questo strumento con altri metodi che esaminano i portafogli dei singoli scommettitori.

In sintesi: Lo strumento è un fucile di precisione da cecchino. Funziona perfettamente se si ha un bersaglio chiaro. Ma il mercato delle scommesse è pieno di bersagli nebbiosi e in movimento, quindi il fucile ne manca la maggior parte. L'autore sta ora cercando di costruire un mirino che funzioni nella nebbia.

1. Enunciato del Problema

Il documento affronta la sfida di rilevare il trading informato (insider trading) sui mercati predittivi decentralizzati, in particolare Polymarket. Sebbene lavori precedenti (ad es. Mitts & Ofir [2026], Gómez-Cram et al. [2026]) abbiano identificato con successo trader informati a livello di portafoglio o account utilizzando pattern di trading aggregati, esiste la necessità di una diagnostica a livello di mercato e in tempo reale che possa identificare la fuoriuscita di informazioni prima che un evento venga risolto.

L'autore mira a scalare il Punteggio di Fuoriuscita di Informazioni (ILS) e la sua estensione risolta per scadenza (ILSdl), precedentemente testati su singoli casi, a livello di popolazione. Il problema centrale è determinare se il quadro di riferimento possa rilevare efficacemente il flusso informato attraverso migliaia di mercati, o se limitazioni strutturali (come definizioni di eventi ambigue) rendano il metodo inapplicabile alla maggior parte dei mercati "rilevanti per gli insider".

2. Metodologia

Lo studio impiega una pipeline rigorosa e multistadio per valutare 12.708 mercati candidati dal corpus di Polymarket (ottobre 2020 – aprile 2026) all'interno di tre categorie rilevanti per gli insider: Militare/Geopolitica, Decisioni Regolatorie e Divulgazioni Aziendali.

A. Il Quadro di Riferimento ILSdl

Il Punteggio di Fuoriuscita di Informazioni (ILSdl) quantifica la quota del movimento totale del prezzo di un mercato che si è verificata prima dell'osservazione pubblica dell'evento sottostante ( $T_{event}$ ).
$ILSdl(M) = \frac{p(T_{event}^-) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$
Dove:

$p(T_{event}^-)$ è il prezzo un minuto prima dell'evento.
$p(T_{open})$ è il prezzo di apertura.
$p(T_{resolve})$ è il prezzo di risoluzione finale (1 per SÌ, 0 per NO).

B. Condizioni di Ambito e Filtri

Per calcolare un punteggio valido, i mercati devono superare quattro filtri sequenziali:

Tipologia di Risoluzione: Deve essere "risolta per scadenza" (l'evento si verifica entro la data $D$ ) e non "non classificabile".
Esito: Deve risolversi in SÌ (gli esiti NO mancano di un $T_{event}$ recuperabile).
Recupero di $T_{event}$ : Il timestamp dell'evento sottostante deve essere recuperato tramite una pipeline di verifica multi-sorgente assistita da LLM con una confidenza $\ge 0,7$ .
Condizioni di Ambito: Tempo di anticipo positivo, vincoli di effetto di bordo (prezzo di apertura non troppo estremo) e Sensibilità dell'Ancora (stabilità del punteggio attraverso offset di finestre temporali brevi).

C. Correzione di Baseline a Decadimento del Rischio

Un'innovazione metodologica critica è l'introduzione di un punteggio aggiustato per il decadimento del rischio ( $ILSdl_{adj}$ ).

Problema: Sui contratti a scadenza, i prezzi decadono meccanicamente verso lo zero man mano che il tempo passa senza che l'evento si verifichi (aggiornamento bayesiano razionale). Ciò crea un bias negativo nell'ILSdl grezzo anche senza trading insider.
Soluzione: Gli autori sottraggono il prezzo atteso sotto una baseline di probabilità di sopravvivenza (derivata da un modello di rischio di Weibull) dal prezzo osservato.
$ILSdl_{adj}(M) = \frac{p(T_{event}^-) - E[p(T_{event}^-) | T_{open}, D, \hat{\lambda}]}{p(T_{resolve}) - p(T_{open})}$

D. Validazione

Verità Fondamentale: L'inventario ForesightFlow Insider Cases (FFIC) (32 episodi documentati di trading insider) funge da set di validazione etichettato.
Validazione di Secondo Passaggio: Un'esecuzione indipendente di LLM su un campione di 50 mercati valida l'accuratezza del recupero di $T_{event}$ .

3. Contributi Chiave e Risultati

Risultato 1: Esclusione Strutturale (Il Bucket "Non Classificabile")

Risultato: Solo lo 0,7% (88 su 12.708) dei mercati candidati produce valori di ILSdl calcolabili.
Causa: L'esclusione primaria (43,8% dell'inventario FFIC) è l'ambiguità del criterio di risoluzione. Mercati con predicati come "vincere le elezioni", "dimettersi come Leader Supremo" o "in custodia" mancano di un singolo timestamp pubblico discreto ( $T_{event}$ ).
Implicazione: Il dominio effettivo del quadro di riferimento è strutturalmente più ristretto di quanto inizialmente delineato. Il bucket "non classificabile" contiene ambiguità genuina, non solo rumore del classificatore.

Risultato 2: Sensibilità dell'Ancora e Restringimento del Campione

Risultato: Dei 88 mercati calcolabili, solo 12 (13,6%) soddisfano la condizione di sensibilità dell'ancora (punteggi stabili attraverso finestre temporali brevi).
Validazione: Il recupero indipendente di $T_{event}$ ha raggiunto solo il 57,8% di accordo sulla data esatta complessivamente (rispetto a un obiettivo $\ge 90\%$ ). L'accordo è stato alto per eventi discreti (Militare/Aziendale: 78,9%) ma basso per processi multistadio (Formale Regolatorio: 35,7%).
Implicazione: Il campione operativamente significativo è limitato ai 12 mercati robusti all'ancora. La maggior parte dei punteggi calcolati è probabilmente rumore dovuta a tempistiche di eventi ambigue.

Risultato 3: Bias Negativo e Correzione del Rischio

Risultato: Le mediane dell'ILSdl grezzo sono negative in tutti i sottobucket (da -0,88 a -0,16).
Interpretazione: Inizialmente, ciò suggerisce che i mercati prezzano contro l'esito. Tuttavia, dopo l'aggiustamento per il decadimento del rischio:
- Formale Regolatorio (Post-2024): Passa da -0,21 a -0,02 (essenzialmente zero). La negatività era puramente decadimento razionale.
- Annuncio Regolatorio (Post-2024): Rimane fortemente negativo (-0,80 $\to$ -0,84). Ciò suggerisce un genuino flusso di "anti-informazione" o un bias di selezione negli annunci programmati.
- MilGeo/Aziendale: Parzialmente corretto ma mantiene un segnale negativo.
Implicazione: I punteggi negativi grezzi sono spesso artefatti della meccanica delle scadenze; sono necessari punteggi aggiustati per il rischio per un'interpretazione valida.

Risultato 4: Specificazione del Tasso di Rischio

Risultato: Il modello esponenziale a rischio costante (utilizzato in lavori precedenti su singoli casi) viene rifiutato per la popolazione aggregata post-2024 a favore di una distribuzione Weibull.
Sfumatura: Quando analizzato per sottocategoria, il modello esponenziale spesso si adatta meglio. La preferenza per la Weibull nel campione aggregato è guidata dal mix di categorie (combinando annunci a scadenza breve con processi formali a scadenza lunga) piuttosto che da una vera dipendenza dalla durata all'interno della categoria.
Implicazione: I futuri modelli devono utilizzare la Weibull per i dati aggregati o ricalcolare i rischi per sottocategoria.

4. Significato e Limitazioni

Significato

Scoperta dell'Ambito: Il documento dimostra che scalare un quadro di rilevamento rivela limitazioni strutturali (ambiguità semantica) che gli studi su singoli casi non colgono.
Raffinamento Metodologico: Stabilisce che la correzione per il decadimento del rischio è essenziale per i contratti a scadenza per distinguere tra decadimento razionale dei prezzi e trading informato.
Rilevamento Complementare: La lente a livello di mercato (ILSdl) offre una diagnostica in tempo reale e in volo per un sottoinsieme ristretto di mercati, complementando i metodi a livello di portafoglio (Mitts & Ofir) e a livello di account (Gómez-Cram) che sono post-hoc ma coprono una popolazione più ampia.

Limitazioni e Lavori Futuri (Documento 3b)

Copertura: Il quadro di riferimento attuale esclude circa il 99% del campione candidato a causa di vincoli di tipologia e ancora.
Ambiguità: Il bucket "non classificabile" richiede una riclassificazione assistita da LLM e un'estensione multi-ancora (gestione di molteplici valori candidati di $T_{event}$ ) per includere mercati con predicati ambigui.
Dati: Lo studio si basa su un'unica esecuzione della pipeline; i lavori futuri convalideranno su istantanee indipendenti e integreranno funzionalità a livello di portafoglio (PIN, VPIN, ecc.) per addestrare un rilevatore potenziato dal gradiente.

Conclusione

Il documento conclude che, sebbene il quadro di riferimento ILSdl sia operativo, la sua applicazione su scala di popolazione è attualmente limitata a un piccolo sottoinsieme altamente specifico di mercati (circa 12 su 12.708) dove gli eventi sono discreti, i timestamp sono recuperabili e le ancore sono robuste. Il principale ostacolo a un rilevamento più ampio non è il calcolo del punteggio, ma la semantica della risoluzione. Gli autori propongono una roadmap che coinvolge la riclassificazione tramite LLM e estensioni multi-ancora per espandere la copertura del quadro di riferimento nei lavori futuri.