ParlayMarket: Automated Market Making for Parlay-style Joint Contracts

1. 문제 정의 (Problem Statement)

예측 시장 (Prediction Markets) 은 불확실한 사건에 대한 정보를 가격에 집약하는 강력한 메커니즘이지만, 기존 설계는 주로 단일 사건 (Single-event) 계약에 최적화되어 있습니다. 실제 트레이더들은 스포츠 패럴레이 (Parlay), 관련 사건의 조건부 예측, 금융 시장의 시나리오 베팅 등 여러 사건의 결합된 결과 (Joint Outcomes) 에 대한 믿음을 표현하고 싶어 합니다.

기존의 접근 방식은 다음과 같은 근본적인 한계를 가집니다:

• 지수적 복잡성: $M$개의 이진 사건이 있을 때, 결합 결과 공간은 $2^M$개입니다. 모든 결합 계약을 독립적으로 관리하는 전통적인 시장 제조자 (Market Maker) 는 상태 공간과 위험 노출이 $M$에 대해 지수적으로 증가하여 계산적으로 처리 불가능해집니다.
• 유동성 파편화 및 비일관성: 현재 플랫폼 (Kalshi 등) 은 대부분 수동 견적 (RFQ) 이나 단순한 독립 가정 (Independence Assumption) 을 사용합니다. 이는 결합 계약의 유동성을 파편화시키고, 상관관계를 무시하여 비일관적인 가격 (예: 결합 확률이 개별 확률의 곱보다 작아지는 등) 을 초래합니다.
• 무제한 손실 위험: 상관관계를 고려하지 않은 독립 기반 AMM 은 정보 있는 트레이더에게 무제한의 차익거래 기회를 제공하여 시장 제조자의 손실이 무제한으로 커질 수 있습니다.

2. 방법론 (Methodology: ParlayMarket)

이 논문은 ParlayMarket이라는 새로운 자동 시장 제조 (AMM) 설계를 제안합니다. 이 설계는 결합 확률 분포를 공유하는 매개변수 모델로 표현하고, 거래 흐름을 통해 이를 온라인으로 학습함으로써 지수적인 복잡성을 다항식 ($O(M^2)$) 수준으로 줄입니다.

핵심 구성 요소

1. 쌍별 지수족 모델 (Pairwise Exponential-family Model):

   • 결합 분포를 표현하기 위해 Ising 모델 (또는 쌍별 Markov Random Field) 을 사용합니다.
   • 이 모델은 $2^M$개의 상태 공간 대신, 1 차 모멘트 (편향 $\theta_i$) 와 2 차 모멘트 (상호작용 가중치 $W_{ij}$) 만을 유지하여 $O(M^2)$개의 충분 통계량 (Sufficient Statistics) 으로 압축합니다.
   • 이는 주어진 1 차 및 2 차 모멘트와 일치하는 최대 엔트로피 분포를 선택함으로써, 데이터로 지지되지 않는 고차 구조를 임의로 가정하지 않는 통계적으로 정당한 접근법입니다.

2. 그림자 거래 (Shadow Trades) 및 정보 전파:

   • 실제 거래가 발생하면 (기저 시장이든 패럴레이든), AMM 은 해당 거래가 다른 모든 관련 계약에 대한 정보도 포함한다고 간주합니다.
   • 이를 위해 그림자 거래 (Shadow Trades) 라는 내부 장부 기록을 생성하여, 실제 거래가 발생하지 않은 시장들의 가격도 공유된 모델 파라미터 ($\phi$) 를 통해 즉시 업데이트되도록 합니다.
   • 이로 인해 유동성이 파편화되지 않고 모든 계약이 하나의 통합된 풀에서 가격을 형성합니다.

3. 온라인 학습 및 SGD 업데이트:

   • 거래는 불완전한 관측치로 간주되며, 시장 제조자는 확률적 경사 하강법 (SGD) 을 사용하여 모델 파라미터를 업데이트합니다.
   • 목표 함수는 가중 합성 의사-가능도 (Composite Pseudo-likelihood) 로, 모든 시장에서의 예측 오차 (Cross-Entropy) 를 최소화합니다.
   • 거래 흐름이 축적됨에 따라 모델은 관측된 데이터에 기반한 최적의 쌍별 근사 (Best Pairwise Approximation) 로 수렴합니다.

3. 주요 기여 (Key Contributions)

1. 유일한 고정점 수렴 증명: 반복적인 거래 하에서 ParlayMarket 의 동역학이 모델 클래스 내에서 참된 결합 분포에 대한 최선의 근사 (Ising 모델) 에 해당하는 유일한 고정점으로 수렴함을 증명했습니다.
2. 손실의 다항식적 바운드:
   • 기존 방식은 손실이 $2^M$에 비례하지만, ParlayMarket 은 손실이 $M$의 제곱 ($O(M^2)$) 이하로 제한됨을 보였습니다.
   • 이는 "신호 (Signal)"와 "노이즈 (Noise)"가 그림자 거래 메커니즘을 통해 상쇄되어, 시장 수 ($M$) 가 증가해도 정상 상태의 파라미터 오차가 일정하게 유지되기 때문입니다.
3. 패럴레이 거래의 구조적 역할 규명:
   • 패럴레이 거래는 단순한 상품이 아니라, 상관관계 구조의 식별성 (Identifiability) 을 높이는 핵심 정보원임을 밝혔습니다.
   • 기저 시장 거래만으로는 고차 상관관계를 학습하기 어렵지만, 고차 패럴레이 거래는 Hessian 행렬에 추가적인 곡률 (Curvature) 을 제공하여 학습 속도를 가속화하고 정상 상태 오차를 줄입니다.

4. 실험 결과 (Results)

연구진은 합성 시뮬레이션과 Kalshi 의 역사적 데이터 (NBA 경기 등) 를 이용한 리플레이를 통해 설계를 검증했습니다.

• 손실 스케일링 (Loss Scaling):
  • 완전 패럴레이 환경 (Complete-Parlay Regime): ParlayMarket 은 시장 수 ($M$) 가 증가함에 따라 단위 시장당 손실이 지수적으로 감소하는 것을 보였습니다. 이는 전체 손실이 $M$에 무관하게 일정하게 유지됨을 의미합니다.
  • 패럴레이 부재 환경: 패럴레이 거래가 없는 경우, ParlayMarket 은 상관관계를 학습할 수 없어 독립 기반 AMM 보다 오히려 손실이 커지는 역전 현상이 발생했습니다. 이는 패럴레이 데이터가 학습에 필수적임을 시사합니다.
• 수렴 속도: 고차 패럴레이 거래가 포함될 경우, 모델 파라미터의 수렴 속도가 기저 시장만 있는 경우보다 훨씬 빨라졌습니다.
• 실제 시장 성능 (Kalshi Replay):
  • Kalshi 의 실제 NBA 경기 데이터를 이용한 리플레이에서, ParlayMarket 은 독립적인 시장 제조자나 단순 견적 방식보다 더 높은 샤프 비율 (Sharpe Ratio) 과 위험 조정 수익률을 달성했습니다.
  • 특히 기존 플랫폼 위에 "스탠드얼론 시장 제조자"로 통합될 때 가장 효과적이었습니다.

5. 의의 및 결론 (Significance)

이 논문은 결합적 표현력 (Combinatorial Expressiveness) 과 배포 가능한 시장 인프라 (Deployable Market Infrastructure) 사이의 간극을 해소하는 획기적인 설계입니다.

• 이론적 의의: 예측 시장에서 상관관계를 고려한 결합 계약 거래가 지수적인 자본 요구 없이도 가능함을 수학적으로 증명했습니다.
• 실용적 의의: 기존 예측 시장 플랫폼에 패럴레이 거래를 통합할 때 발생할 수 있는 유동성 파편화와 무제한 손실 위험을 해결하는 실용적인 솔루션을 제공합니다.
• 미래 전망: 이 메커니즘은 시장이 단순히 가격을 제시하는 것을 넘어, 거래 흐름을 통해 의존성 구조를 실시간으로 학습하는 온라인 추론 시스템으로 진화할 수 있음을 보여줍니다.

요약하자면, ParlayMarket은 통계적 모델링 (Ising 모델) 과 자동 시장 제조 (AMM) 를 결합하여, 복잡한 상관관계를 가진 예측 시장에서 유동성을 통합하고 손실을 통제하며 정보를 효율적으로 집약하는 새로운 표준을 제시합니다.