💰 quantitative finance

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

본 논문은 2020 년부터 2026 년까지의 12,708 개 Polymarket 시장을 대상으로 정보 유출 점수 프레임워크를 평가하여, 그 효과적인 적용이 해결의 모호성과 낮은 앵커 민감도에 의해 심각하게 제한됨을 밝히며, 이는 유입된 정보 흐름을 탐지하기 위해서는 단순한 점수 계산이 아닌 해결 유형론과 기준선 보정에 관한 방법론적 정제가 필요함을 입증한다.

원저자: Maksym Nechepurenko

게시일 2026-05-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Maksym Nechepurenko

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

Polymarket이라는 거대하고 글로벌한 도박장을 상상해 보세요. 사람들은 "대통령이 이 법안에 서명할까?"부터 "이 영화가 오스카상을 받을까?"에 이르기까지 모든 것에 베팅합니다. 여러분이 읽고 계신 이 논문은 일부 사람들이 대중보다 먼저 알고 있는 비밀을 베팅함으로써 사기를 치고 있는지 여부를 조사한 것입니다.

저자 막심 네체푸렌코는 **정보 유출 점수 (Information Leakage Score, ILS)**라는 특별한 '거짓말 탐지기' 도구를 개발했습니다. 이전 테스트에서 이 도구는 단 하나의 특정 베팅에 대해 완벽하게 작동했습니다. 이 논문은 다음과 같은 질문을 던집니다: 이 도구를 수천 개의 베팅에 동시에 적용할 때에도 작동할까요?

여기 그들이 발견한 내용을 쉽게 설명한 이야기가 있습니다.

1. 도구가 너무 까다롭습니다 ('필터' 문제)

저자는 이 도구를 12,708 개의 서로 다른 베팅 시장에 적용해 보았습니다. 목표는 '사기꾼'(내부 정보를 베팅하는 사람들) 을 찾아내는 것이었습니다.

결과: 이 도구는 그 시장 중 88 개에서만 작동했습니다 (1% 미만).
비유: 거대한 들판에서 금화를 찾아야 하는 금속 탐지기가 있다고 상상해 보세요. 들판 전체를 훑어보지만 기계는 88 곳에서만 신호음을 울립니다. 왜일까요? 그 기계가 완벽하게 둥글고 반짝이는 동전에만 신호음을 울리도록 설계되었기 때문입니다.
실제 문제: 대부분의 베팅 질문은 너무 복잡했습니다. 예를 들어, 베팅 질문이 "지도자가 해임될까요?"일 수 있습니다. 하지만 '해임'은 해고, 사임, 또는 사망을 의미할 수 있습니다. 이 도구는 작동하기 위해 특정 날짜에 법이 서명되는 것과 같은 단일하고 명확한 시점을 필요로 합니다. 질문이 모호하면 도구는 포기합니다.
놀라운 사실: 이미 사기가 발생한 것으로 알려진 32 개의 유명한 사례를 살펴보았을 때조차, 이 도구는 그중 하나에서만 작동했습니다. 나머지 31 개는 도구가 이해하기에는 너무 모호했습니다.

2. '사건'을 정확히 파악하기 어렵습니다

사기꾼을 잡기 위해 이 도구는 뉴스가 터진 정확한 시점을 알아야 합니다.

문제: 이 도구는 뉴스가 터진 정확한 순간을 찾기 위해 AI 를 사용하려고 했습니다. 하지만 올바른 날짜를 맞춘 경우는 약 **58%**에 불과했습니다.
비유: 도둑이 정문으로 들어온 정확한 초를 알아야만 잡을 수 있다고 상상해 보세요. 그들이 오후 2 시에 들어왔다고 생각했는데 실제로는 오후 2 시 5 분에 들어왔다면, 카메라는 그들을 놓치게 됩니다.
결과: 이 도구가 정확한 시간에 매우 민감하기 때문에, 뉴스가 단일하고 명확한 순간에 발생하는 '가장 깔끔한' 베팅 (예: 스포츠 스코어) 에만 작동합니다. 복잡하고 정치적이거나 법적인 베팅에서는 도구가 혼란에 빠집니다.

3. '음수' 점수는 사기가 아니라 단순한 수학이었습니다

이 도구가 마침내 작동했을 때, 대부분 음수 점수를 выда았습니다.

오해: 처음에 저자는 음수 점수가 사람들이 진실에 반대하여 베팅하고 있다는 것 (기이한 종류의 사기) 을 의미한다고 생각했습니다.
정정: 저자는 이것이 단순한 수학의 착시였음을 깨달았습니다.
비유: 로켓 발사를 위한 카운트다운 타이머를 상상해 보세요. 시간이 지나도 로켓이 아직 발사되지 않으면, '지금 바로' 발사될 확률은 자연스럽게 떨어집니다. 만약 로켓이 마지막 순간에 발사된다면, 베팅 시장의 가격은 상승하기 전에 하락한 것처럼 보입니다. 이 도구는 이러한 '하락'을 보고 사기라고 생각했습니다.
해결책: 저자는 '기선 보정 (자연스러운 카운트다운 효과를 빼는 것)'을 추가했습니다. 이 수정 후 일부 '사기'는 사라졌지만, 한 가지 특정 유형의 베팅 (규제 발표) 에서는 음수 점수가 남아있었습니다. 이는 이러한 특정 베팅에서는 뉴스가 터지기 전에 사람들이 실제 결과에 반대하여 베팅하고 있을 가능성을 시사합니다.

4. '일괄 적용' 가정이 잘못되었습니다

이 도구는 모든 사건이 일정한 예측 가능한 속도로 발생한다고 가정했습니다 (일정한 속도로 내리는 비처럼).

발견: 데이터는 사건이 일정한 속도로 발생하지 않음을 보여주었습니다. 때로는 폭발적으로 발생하고, 때로는 오랜 시간이 걸립니다.
비유: 이 도구는 '일정한 비' 모델을 사용했지만, 실제 세계는 '폭풍' 다음에 '가뭄'이 오는 것과 더 유사했습니다. 저자는 폭풍과 가뭄을 올바르게 처리하기 위해 도구를 더 유연한 모델 (위불 분포) 로 전환해야 했습니다.

큰 그림 결론

이 논문은 '거짓말 탐지기' 도구가 실제 작동하지만, 현재는 전체 베팅 시장에 적용하기에는 너무 제한적이라고 결론 내립니다.

명확하고 개별적인 사건 (예: "팀 X 가 경기를 이길까요?") 에는 잘 작동합니다.
모호하고 복잡한 사건 (예: "정부가 정책을 변경할까요?") 에는 실패합니다.

저자는 다음과 같이 말합니다: "우리는 이 도구가 작동한다는 것을 발견했지만, 모호한 질문을 처리하고 시간 경과에 따른 수학을 수정하기 위해 업그레이드가 필요합니다." 저자는 더 똑똑한 AI 를 사용하여 복잡한 질문을 이해하고, 이 도구를 개별 베팅자들의 지갑을 분석하는 다른 방법들과 결합함으로써 이를 향후 논문 (Paper 3b) 에서 수행할 계획입니다.

간단히 말해: 이 도구는 고정밀 저격총입니다. 명확한 표적이 있다면 완벽하게 작동합니다. 하지만 베팅 시장은 흐릿하고 움직이는 표적으로 가득 차 있어, 이 총은 대부분의 표적을 놓칩니다. 저자는 이제 안개 속에서도 작동하는 조준경을 만들려고 노력하고 있습니다.

마키심 네체푸렌코의 논문 "대규모 인구에서의 정보 유출: 2020–2026 년 폴리마켓 인사이더 관련 하위 집단 평가"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

이 논문은 탈중앙화 예측 시장, 특히 폴리마켓 (Polymarket) 에서의 정보를 가진 거래 (인사이더 트레이딩) 탐지라는 과제를 다룹니다. 기존 연구 (예: Mitts & Ofir [2026], Gómez-Cram et al. [2026]) 는 집계된 거래 패턴을 사용하여 지갑 또는 계정 수준에서 정보 있는 거래자를 성공적으로 식별해 왔으나, 사건이 해결되기 전에 정보 유출을 식별할 수 있는 시장 수준의 실시간 진단 도구가 필요합니다.

저자는 단일 사례에서 테스트된 정보 유출 점수 (ILS) 및 그 기한 해결 확장 버전 (ILSdl) 을 인구 수준으로 확장하고자 합니다. 핵심 문제는 이 프레임워크가 수천 개의 시장에서 정보 흐름을 효과적으로 탐지할 수 있는지, 아니면 모호한 사건 정의와 같은 구조적 한계로 인해 대부분의 "인사이더 관련" 시장에 적용 불가능한지 여부를 판단하는 것입니다.

2. 방법론

이 연구는 2020 년 10 월부터 2026 년 4 월까지의 폴리마켓 코퍼스에서 12,708 개의 후보 시장을 평가하기 위해 엄격한 다단계 파이프라인을 사용하며, 이는 군사/지정학, 규제 결정, 기업 공시라는 세 가지 인사이더 관련 범주로 분류됩니다.

A. ILSdl 프레임워크

**정보 유출 점수 (ILSdl)**는 공개적으로 사건 ( $T_{event}$ ) 이 관찰되기 전에 발생한 시장 전체 가격 변동의 비율을 정량화합니다.
$ILSdl(M) = \frac{p(T_{event}^-) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$
여기서:

$p(T_{event}^-)$ 는 사건 발생 1 분 전 가격입니다.
$p(T_{open})$ 은 개장 가격입니다.
$p(T_{resolve})$ 는 최종 해결 가격 (YES 는 1, NO 는 0) 입니다.

B. 범위 조건 및 필터

유효한 점수를 계산하기 위해 시장은 다음 네 가지 순차적 필터를 통과해야 합니다:

해결 유형: "기한 해결형" (사건이 날짜 $D$ 까지 발생) 이어야 하며 "분류 불가"여서는 안 됩니다.
결과: YES 로 해결되어야 합니다 (NO 결과는 회복 가능한 $T_{event}$ 가 없습니다).
$T_{event}$ 회복: 기반 사건의 타임스탬프는 신뢰도 $\ge 0.7$ 인 LLM 지원 다중 소스 검증 파이프라인을 통해 회복되어야 합니다.
범위 조건: 양의 리드 타임, 엣지 효과 제약 (개장 가격이 지나치게 극단적이지 않음), 그리고 앵커 민감도 (짧은 윈도우 앵커 오프셋에 따른 점수 안정성) 가 충족되어야 합니다.

C. 위험 감쇠 기준선 보정

핵심적인 방법론적 혁신은 위험 감쇠 조정 점수 ( $ILSdl_{adj}$ ) 의 도입입니다.

문제: 기한 계약에서 사건이 발생하지 않은 채 시간이 지남에 따라 가격은 기계적으로 0 으로 수렴합니다 (합리적 베이지안 업데이트). 이는 인사이더 트레이딩이 없더라도 원시 ILSdl 에 음의 편향을 생성합니다.
해결: 저자들은 관찰된 가격에서 생존 확률 기준선 (Weibull 위험 모델에서 도출됨) 하의 기대 가격을 차감합니다.
$ILSdl_{adj}(M) = \frac{p(T_{event}^-) - E[p(T_{event}^-) | T_{open}, D, \hat{\lambda}]}{p(T_{resolve}) - p_{open})}$

D. 검증

Ground Truth: ForesightFlow 인사이더 사례 (FFIC) 인벤토리 (32 개의 문서화된 인사이더 트레이딩 에피소드) 는 레이블이 지정된 검증 세트로 작용합니다.
2 차 검증: 50 개 시장 표본에 대한 독립적인 LLM 실행은 $T_{event}$ 회복의 정확성을 검증합니다.

3. 주요 기여 및 발견

발견 1: 구조적 배제 ("분류 불가" 버킷)

결과: 후보 시장의 0.7% (12,708 개 중 88 개) 만 계산 가능한 ILSdl 값을 산출합니다.
원인: 주요 배제 요인 (FFIC 인벤토리의 43.8%) 은 해결 기준의 모호성입니다. "선거에서 승리하다", "수석 지도자로 지명되다", "구금되다"와 같은 술어를 가진 시장은 단일하고 이산적인 공개 타임스탬프 ( $T_{event}$ ) 가 부족합니다.
함의: 프레임워크의 유효 도메인은 초기에 제시된 것보다 구조적으로 더 좁습니다. "분류 불가" 버킷에는 단순한 분류기 노이즈가 아닌 진정한 모호성이 포함되어 있습니다.

발견 2: 앵커 민감도 및 표본 축소

결과: 계산 가능한 88 개 시장 중 12 개 (13.6%) 만 앵커 민감도 조건 (짧은 시간 창 전반에 걸친 안정적인 점수) 을 충족합니다.
검증: 독립적인 $T_{event}$ 회복은 전체적으로 **57.8%**의 정확한 날짜 일치율만 달성했습니다 (목표인 $\ge 90\%$ 대비). 이산적 사건 (군사/기업: 78.9%) 에서는 일치율이 높았으나, 다단계 과정 (규제 공식: 35.7%) 에서는 낮았습니다.
함의: 운영상 의미 있는 표본은 12 개의 앵커 강건 시장으로 제한됩니다. 계산된 점수의 대다수는 모호한 사건 타이밍으로 인한 노이즈일 가능성이 높습니다.

발견 3: 음의 편향 및 위험 보정

결과: 원시 ILSdl 중앙값은 모든 하위 버킷에서 음수입니다 (-0.88 에서 -0.16 범위).
해석: 초기에는 이것이 시장이 결과에 반대하여 가격을 책정하는 것으로 보이지만, 위험 감쇠 조정 후에는 다음과 같습니다:
- 규제 공식 (2024 년 이후): -0.21 에서 -0.02로 이동 (실질적으로 0). 음수는 순수한 합리적 감쇠였습니다.
- 규제 공시 (2024 년 이후): 여전히 강력하게 음수 (-0.80 $\to$ -0.84). 이는 예정된 공시에서의 진정한 "반-정보" 흐름이나 선택 편향을 시사합니다.
- 군사/지정학/기업: 부분적으로 보정되었으나 일부 음수 신호를 유지합니다.
함의: 원시 음수 점수는 종종 기한 메커니즘의 산물이며, 유효한 해석을 위해서는 위험 조정 점수가 필요합니다.

발견 4: 위험률 사양

결과: 이전 단일 사례 연구에서 사용된 상수 위험 지수 모델은 Weibull 분포를 선호하는 2024 년 이후 풀링된 인구 집단에서는 기각됩니다.
미묘한 차이: 하위 카테고리별로 분석할 때 지수 모델이 종종 더 잘 적합합니다. 풀링된 표본에서 Weibull 선호는 실제 카테고리 내 기간 의존성이 아니라 카테고리 혼합 (짧은 기한 공시와 긴 기한 공식 과정을 결합) 에 기인합니다.
함의: 향후 모델은 풀링된 데이터에 Weibull 을 사용하거나 하위 카테고리별로 위험을 재추정해야 합니다.

4. 중요성 및 한계

중요성

범위 발견: 이 논문은 탐지 프레임워크를 확장함으로써 단일 사례 연구가 놓치는 구조적 한계 (의미적 모호성) 를 드러냅니다.
방법론적 정제: 위험 감쇠 보정이 기한 계약에서 합리적 가격 감쇠와 정보 있는 거래를 구별하는 데 필수적임을 확립합니다.
보완적 탐지: 시장 수준의 렌즈 (ILSdl) 는 사후적이지만 더 넓은 인구를 커버하는 지갑 수준 (Mitts & Ofir) 및 계정 수준 (Gómez-Cram) 방법을 보완하는 실시간, 진행 중인 진단을 좁은 하위 집합의 시장에 제공합니다.

한계 및 향후 작업 (논문 3b)

커버리지: 현재 프레임워크는 유형 및 앵커 제약으로 인해 후보 표본의 약 99% 를 배제합니다.
모호성: "분류 불가" 버킷은 모호한 술어 시장을 포함하기 위해 LLM 지원 재분류 및 다중 앵커 확장 (여러 후보 $T_{event}$ 값 처리) 이 필요합니다.
데이터: 이 연구는 단일 파이프라인 실행에 의존합니다. 향후 작업은 독립 스냅샷에서 검증하고 지갑 수준 특징 (PIN, VPIN 등) 을 통합하여 그래디언트 부스팅 탐지기를 훈련할 것입니다.

결론

이 논문은 ILSdl 프레임워크가 운영 가능하지만, 인구 규모 적용은 현재 사건이 이산적이고 타임스탬프가 회복 가능하며 앵커가 강건한 소수의 매우 구체적인 시장 (12,708 개 중 약 12 개) 으로 제한된다고 결론지었습니다. 더 넓은 탐지의 주요 장애물은 점수 계산이 아니라 해결 의미론입니다. 저자들은 향후 작업에서 프레임워크의 커버리지를 확장하기 위해 LLM 재분류 및 다중 앵커 확장을 포함한 로드맵을 제안합니다.