ParlayMarket: 並列契約（Parlay）スタイルの共同契約向け自動化市場 Maker の技術的サマリー

本論文は、予測市場における「並列契約（Parlay）」、すなわち複数の事象の結合された結果（例：「A が起こりかつ B が起こる」）に対する取引を、効率的かつ一貫した価格で支援するための新しい自動化市場 Maker（AMM）設計**「ParlayMarket」**を提案するものです。既存の設計は単一イベント契約に最適化されており、結合契約を扱うには非効率な価格設定や流動性の断片化という課題がありました。ParlayMarket は、これらを解決し、指数関数的に増加する契約の家族を多項式コストで管理することを可能にします。

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まとめます。

---

1. 背景と問題定義

背景

予測市場は分散した情報を価格に集約する強力なメカニズムですが、従来の設計（Hanson の対数市場スコアリングルール LMSR など）は個別の契約に焦点を当てています。現実のトレーダーは、スポーツの並列ベット、関連事象の条件付き予測、金融市場のシナリオベットなど、事象間の相関関係に依存する結合結果について頻繁に推論を行います。

既存の課題

M 個の二値事象がある場合、結合結果の空間は $2^M$ 通り存在します。

1. 指数関数的な複雑さ: 全ての結合状態を明示的に管理する naive な AMM は、状態数とリスクが $M$ に対して指数関数的に増大し、実用的ではありません。
2. 流動性の断片化: 現在のプラットフォーム（Kalshi や Polymarket など）は、結合契約を個別の市場として扱うか、RFQ（見積もり依頼）方式で対応しています。これにより、流動性が分散し、関連契約間の価格整合性が保たれず、裁定取引の機会や非効率な価格が生じます。
3. 依存関係の無視: 単純な独立性仮定に基づく AMM は、事象間の相関を無視するため、情報のあるトレーダーに無限の損失をもたらす裁定機会を生み出します。

2. 提案手法：ParlayMarket

ParlayMarket は、結合分布の共有されたパラメトリック近似を維持し、取引フローを通じてそれを更新する AMM です。

2.1 中核的な設計思想

• ペアワイズ指数分布族モデル（Ising モデル）:
  結合分布を $2^M$ 次元の空間ではなく、$O(M^2)$ 個の十分統計量（1 次モーメントと 2 次モーメント）で表現します。
  $$P_\phi(x) \propto \exp\left(\sum_{i=1}^M \theta_i x_i + \sum_{i<j} W_{ij} x_i x_j\right)$$
  ここで、$\theta_i$ は事象のバイアス、$W_{ij}$ は事象間の相互作用（相関）を表します。このモデルは、観測されたモーメントに一致する最大エントロピー分布であり、データで支持されていない高次構造を仮定しません。

• シャドウ取引（Shadow Trades）と価格伝播:
  特定の契約（ベース市場または並列契約）での実際の取引は、すべての関連する契約に関する情報（シグナル）として扱われます。取引が発生すると、AMM は内部パラメータ $\phi$ を更新し、その結果としてすべての契約の価格が自動的に更新されます。これにより、取引の少ない並列契約であっても、関連するベース市場の取引を通じて価格が最新の状態に保たれます。

• オンライン学習（SGD 更新）:
  各取引は、現在の価格とトレーダーのシグナル（真の確率）との間の誤差として解釈され、交差エントロピー損失の勾配降下法（SGD）を用いてパラメータ $\phi$ が更新されます。

2.2 設計の目標（3 つの性質）

1. 流動性の整合性: 全ての契約が共有された状態から価格付けられるため、並列契約が極端に流動性不足になることがありません。
2. 損失の上限保証: 損失が $M$ に対して指数関数的ではなく、多項式（理想的には $O(M)$ または $O(M^2)$）で増大します。
3. 情報の集約: 取引の蓄積に伴い、モデルは真の結合分布に対する最良のペアワイズ近似に収束します。

3. 主要な理論的貢献と結果

3.1 収束性（Convergence）

• 幾何学的収束: 取引が蓄積するにつれて、AMM のパラメータ $\phi_t$ は、真の分布 $P^*$ のペアワイズモーメントに一致する固定点 $\phi^*$ へ幾何学的に収束します。
• 並列取引の加速効果: 高次（3 次以上）の並列契約の取引は、基底市場の取引だけでは学習が困難な相互作用パラメータ（$W_{ij}$）の学習を大幅に加速し、収束率を向上させます。

3.2 損失の上限（Bounded Loss）

• 多項式スケーリング: 完全な並列取引（complete-parlay）環境下では、AMM の総期待損失は $M$ に対して指数関数的ではなく多項式的に抑えられます。
• 1 契約あたりの損失の減少: 重要な結果として、契約の総数 $N_M = 2^M - 1$ が増加するにつれ、1 契約あたりの平均損失は指数関数的に減少します（$O(2^{-M})$）。これは、シャドウ取引による情報の共有と、信号とノイズのバランスが保たれるためです。
• 独立性仮定の破綻: 独立性を仮定した AMM は、相関がある場合、無限の損失を被る可能性があります。ParlayMarket はこの問題を回避します。

3.3 並列契約の構造的役割

並列取引は単なる追加の契約ではなく、依存構造の学習にとって不可欠なシグナル源です。

• 並列取引がない場合、Ising モデルの相互作用パラメータを学習できず、損失は大きくなります。
• 並列取引がある場合、Ising モデルは真の依存構造を迅速に学習し、他のモデル（独立 LMSR やガウスオラクル）を上回る性能を発揮します。

4. 評価と実証結果

4.1 合成データシミュレーション

• 損失のスケーリング: 相関する二値資産のシミュレーションにおいて、ParlayMarket は理論予測通り、ベース市場数 $M$ が増加しても総損失が抑制され、1 契約あたりの損失が指数関数的に減少することを確認しました。
• 並列取引の重要性: 並列取引がないシナリオでは、ParlayMarket の性能は低下し、単純な独立モデルに劣ります。しかし、並列取引が存在する場合は、すべての非オラクルモデルの中で最高の性能（最小の損失）を示しました。
• ノイズ耐性: 情報のあるトレーダーとノイズトレーダーが混在する環境でも、ParlayMarket はロバストに機能し、損失はノイズ比率に対して滑らかに増加します。

4.2 実市場データによるリプレイ（Kalshi データ）

• データ: 2026 年 3 月 7 日の Kalshi の NBA 試合に関する 732 個のベース市場と 5,918 個の並列契約（2 腿〜10 腿）の履歴データを使用。
• 結果:
  • スタンドアロン MM として: 既存のプラットフォームの上に並列契約の価格付けエンジンとして ParlayMarket を組み込んだ場合、リスク調整済みリターン（シャープレシオ）が最も高く、実用的な有効性を示しました。
  • 完全 AMM として: 全ての取引を内部化した場合、RFQ フローに含まれるノイズの影響を受け、リターンは低下しましたが、依然として競争力のあるパフォーマンスを発揮しました。
  • 手数料バイアスの修正: 実データにおける手数料による価格の偏りを補正する前処理（包含・除外原理の適用）が、モデルの精度向上に不可欠であることを示しました。

5. 意義と結論

ParlayMarket は、予測市場の設計において以下の画期的な進歩をもたらします：

1. 組み合わせ表現性とスケーラビリティの両立: 指数関数的に多い結合契約を、$O(M^2)$ の資本と計算コストで支援可能にしました。これにより、「完全な結合列挙」なしに「組み合わせ的な表現性」を実現する最初の AMM 設計となります。
2. 依存関係の学習と価格整合性: 取引フローから依存構造をオンラインで学習し、すべての契約を一貫した確率モデルから価格付けることで、市場全体の整合性を保ちます。
3. 実用性: 理論的な限界だけでなく、実世界のデータ（Kalshi）を用いたリプレイでも有効性が確認され、実際の予測市場インフラへの導入が現実的であることを示唆しています。

結論として、ParlayMarket は、並列契約市場を自動化市場 Maker 内で支援する際、組み合わせ的な損失や完全な結合列挙を必要としないことを実証しました。これは、予測市場の表現力と実用的な市場インフラの間のギャップを埋める、実用的でスケーラブルな設計を提供するものです。