Each language version is independently generated for its own context, not a direct translation.

🎯 何をやっているのか？（テーマ）

Imagine you are trying to guess if a specific word (like "AI" or "profit") will be mentioned in a company's upcoming earnings call (a meeting where companies talk about their financial results).

予測市場（Prediction Market）: 多くの人がお金を賭けて「言われるか言われないか」を予想する場所です。ここでの「価格」は、人々が「言われる確率は 55% かな？」と集計した結果です。
AI（LLM）: 過去のニュースや会議の記録を読み込んで、「うーん、文脈からすると 80% 言われそうだな」と推測する天才的な読書家です。

この論文は、**「この『人々の集計（市場）』と『AI の読解力』をどう組み合わせれば、最も当たるか？」**を調べました。

🧩 3 つの重要な発見（ストーリー）

1. 情報が多いほど、当たる確率が上がる（Context）

AI に「ただの質問」を投げかけるのと、「過去の会議の記録」や「最新のニュース」を一緒に渡して質問するのでは、後者の方が圧倒的に当たります。

例え話: 天気予報をするとき、「明日は雨かな？」と聞くより、「過去の気象データと現在の雲の様子」を見せながら「明日は雨かな？」と聞いたほうが、予報士は正確に答えられます。

2. 「市場の意見」を「前提」として使うのがコツ（MCP）

ここが最も重要な発見です。

間違ったやり方: 市場の価格（例：55%）を単なる「参考情報」として AI に見せ、「どう思う？」と聞くだけ。→ AI は無視したり、混乱したりして、逆に外れることがあります。
正しいやり方（MCP）: 市場の価格を**「みんなの意見（事前の仮説）」**として提示し、「この仮説を、あなたが読んだニュースや記録という『証拠』を使って、修正してください」と命令します。
例え話:
- ❌ NG: 「今日の株価は 100 円だよ。どう思う？」→ AI は「100 円かあ…」とただ受け取るだけ。
- ⭕ OK: 「今日の株価は 100 円（みんなの予想）だよ。でも、ここに『好調なニュース』がある。このニュースを踏まえて、100 円という予想を修正して教えて」→ AI は「なるほど、ニュースがあるから 120 円くらいか」と論理的に修正します。

3. 両方を混ぜるのが最強（MixMCP）

AI だけだと、少しのニュースに過剰反応して「90% 言われる！」と大げさに言うことがあります。逆に、市場だけだと、新しい情報を反映するのが遅いことがあります。
そこで、「市場の意見（70%）」と「AI が証拠に基づいて修正した意見（30%）」を混ぜ合わせたのが最強でした。

例え話: 航海で、**「コンパス（市場）」は安定して北を示しますが、「船長の目視（AI）」**は新しい島や岩を見つけます。
- コンパスだけだと、岩にぶつかるかもしれません。
- 船長だけだと、方角を間違えて迷子になるかもしれません。
- 最強の航海術: 「基本はコンパス（市場）に従うけど、船長が『岩があるぞ！』と叫んだら、少しだけ進路を修正する」。これが「ミックス（MixMCP）」です。

📊 結果はどうだった？

市場だけ: 正解率 79.8%
AI だけ（市場の意見を無視して修正）: 正解率 78.2%（実は市場の方が少し上）
ミックス（MixMCP）: 正解率 80.3% 🏆

AI が市場の予測を「完全に覆す」のではなく、「市場の予測を、新しい情報で微調整する」役割を果たすことで、最も高い精度が出ました。

💡 まとめ：この論文が伝えたかったこと

未来を予測する際、**「AI にゼロから考えさせる」のではなく、「人々の集計した意見（市場）を土台にし、AI に『新しい証拠』を使ってその土台を微調整させる」**のが一番賢い方法です。

AI は「独りよがりの天才」になるのではなく、「市場というベテランの船長に付き添う、鋭い目を持つ航海士」として使えば、最も素晴らしい結果が得られるのです。

Each language version is independently generated for its own context, not a direct translation.

論文「FORECASTING FUTURE LANGUAGE: CONTEXT DESIGN FOR MENTION MARKETS」の技術的サマリー

本論文は、予測市場（Prediction Markets）の一種である「メンション市場（Mention Markets）」において、大規模言語モデル（LLM）を用いて将来の言語使用（特定のキーワードが将来のイベントで言及されるか）を予測する際の入力コンテキスト設計と、市場情報の活用方法について研究したものです。特に、企業の決算発表（Earnings Call）におけるキーワード言及を予測するタスクを対象とし、LLM を単独の予測者としてではなく、市場が示す確率を「事前確率（Prior）」として更新するツールとして位置づける新しいアプローチを提案しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細を記述します。

1. 問題定義 (Problem)

メンション市場の特性: 特定のキーワードが将来の公的イベント（ここでは企業の決算発表の文字起こし）で「そのまま（verbatim）」言及されるかどうかを賭ける予測市場です。契約価格は、市場参加者が集約したその事象の発生確率（市場暗示確率）と解釈されます。
既存の課題: 近年、LLM は人間や市場と競合する精度で事象を予測できることが示されていますが、**「LLM にどのような入力コンテキストを与えれば、市場の予測精度を向上させることができるか」**という点については未解明でした。
研究の目的: LLM を市場予測と競合させるのではなく、市場が持つ「事前確率」を基盤とし、テキスト情報（ニュース、過去の決算文書など）を用いてそれを更新・修正する「補完的なフォレキャスター」として機能させるためのコンテキスト設計手法を確立すること。

2. 手法 (Methodology)

本研究では、決算発表前の市場価格とテキスト情報を組み合わせた 3 つの主要なアプローチを提案・比較しました。

2.1 入力データの構築

各予測タスクにおいて、以下の情報を収集します：

市場シグナル: 決算発表直前の YES 契約価格（市場暗示確率 $p_{MKT}$ ）。
テキストコンテキスト:
- ニュース ( $N_i$ ): 決算発表前に取得した企業関連ニュース記事。
- 過去の決算文書 ( $T_i$ ): 前四半期の決算発表の文字起こし。

2.2 提案手法：Market-Conditioned Prompting (MCP)

従来の「市場価格を単なるテキスト情報として提示する」方法ではなく、LLM に対して明示的な指示を与えます。

概念: 市場確率を「事前確率（Prior）」として扱い、LLM に外部のテキスト証拠（ニュースや過去の文書）を用いてこの事前確率を「更新（Update）」させるよう指示します。
プロンプト設計: 市場確率（0-100 スケール）とテキストコンテキストを入力し、「市場の予測を評価し、証拠に基づいて修正された確率を出力せよ」という指示を含めます。
数式: $p^{MCP}_i = LLM_\theta(T_i, N_i \mid p^{MKT}_i)$

2.3 混合予測：MixMCP

LLM の更新がノイズや過剰反応を引き起こす可能性を考慮し、市場の安定性と LLM の洞察を組み合わせます。

凸結合（Convex Mixture）: 市場確率と MCP による事後確率を重み付けして結合します。
- 数式: $p^{MixMCP}_i = \alpha \cdot p^{MKT}_i + (1 - \alpha) \cdot p^{MCP}_i$
- ここで $\alpha$ は混合係数（実験では 0.7 に設定）です。これにより、市場の事前確率を「安定した基準」とし、LLM の更新を「調整成分」として機能させます。

3. 主要な貢献 (Key Contributions)

フレームワークの定式化: テキストに基づく予測を「市場条件付き更新問題」として定式化しました。LLM を独立した予測者ではなく、市場確率を証拠に基づいて修正するツールとして位置づけました。
手法の提案 (MCP): 市場価格を明示的な事前確率として条件付けするプロンプト手法（MCP）を提案し、標準的なプロンプト手法よりもはるかに優れた較正（Calibration）性能を実現しました。
パフォーマンスの検証: 市場の事前確率と MCP の事後確率を混合した「MixMCP」が、市場単独のベースラインを上回る予測精度を達成することを示しました。これは、効率的な市場であっても LLM が付加価値を提供できることを意味します。

4. 実験結果 (Results)

実験は、Kalshi 上の 856 件の決算発表メンション市場（50 社、70 回のイベント）を用いて行われました。評価指標はブライアースコア（Brier Score）、較正誤差（ECE）、精度（Accuracy）、F1 スコアです。

コンテキストの豊富さ:
- テキスト情報（ニュース、過去の決算文書）を豊富に含めるほど予測性能は向上しました。
- 特に「過去の決算文書（ $T_i$ ）」は、企業の固有のコミュニケーションパターンを捉えるため、ニュース単独よりも効果的でした。
MCP の効果:
- 市場確率を単なるテキストとして提示するだけ（W/O PROMPTING）では、市場ベースラインよりも性能が低下し、較正も悪化しました。
- 一方、MCP（市場確率を事前確率として更新させる指示）を用いると、ブライアースコアの低下（0.1674 → 0.1470）と較正誤差の大幅な改善（ECE: 0.0705 → 0.0514）が確認されました。
- 中程度の確信度領域（Mid-confidence）での優位性: 市場確率が 50-70% 程度で不確実性が高い場合に、MCP は追加の証拠を用いて市場の予測を精緻化し、特に高い性能を発揮しました。
MixMCP の性能:
- 市場確率と MCP を混合した MixMCP が、すべての指標で最高性能を記録しました。
  - ブライアースコア: 0.1392（市場単独 0.1402、MCP 単独 0.1470 よりも低い）
  - 精度: 80.3%（市場単独 79.8% よりも高い）
- 混合係数 $\alpha=0.7$ （市場を 70%、LLM 更新を 30%）が最もロバストな結果をもたらしました。

5. 意義と結論 (Significance & Conclusion)

市場と AI の相補性: 本論文は、LLM が市場予測と競合するのではなく、市場の「事前確率」をテキスト証拠で更新する「補完的なリファインメント（Refinement）」として機能しうることを実証しました。
コンテキスト設計の重要性: 単に情報を提示するだけでなく、「市場確率を事前確率として扱う」という指示（プロンプト設計）が、LLM の予測精度と較正性を決定づける重要な要素であることが明らかになりました。
実用的なアプローチ: 混合モデル（MixMCP）は、LLM の過剰反応を市場の安定性で抑えつつ、LLM の洞察を取り入れることで、より堅牢な予測システムを構築できることを示しています。

結論として、将来の言語使用（キーワード言及）を予測するタスクにおいて、LLM は市場の事前確率を基盤とし、関連するテキスト情報を証拠として活用することで、市場単独では達成できない高精度かつ較正された予測を実現できることが示されました。これは、金融市場における意思決定支援や、テキストベースの予測市場の設計において重要な示唆を与えます。

Forecasting Future Language: Context Design for Mention Markets