Toward Black Scholes for Prediction Markets: A Unified Kernel and Market Maker's Handbook

Título: Rumo ao Black-Scholes para Mercados de Previsão: Um Kernel Unificado e Manual do Criador de Mercado

1. O Problema

Os mercados de previsão (exemplificados por plataformas como Polymarket e Kalshi) agregam informações dispersas em probabilidades negociáveis. No entanto, eles carecem de um kernel estocástico unificado análogo ao modelo Black-Scholes (BS) que revolucionou o mercado de opções.

• Falta de Padronização: Atualmente, os preços são definidos por regras de pontuação (LMSR), criadores de mercado automatizados (CP-AMMs) ou livros de ordens, mas não existe um modelo estocástico compartilhado que explique como as probabilidades de eventos evoluem ao longo do tempo, sob choques de informação ou em relação a eventos correlacionados.
• Riscos para Criadores de Mercado (Makers): Os participantes enfrentam riscos de "crença" (movimento da probabilidade), volatilidade, saltos (jumps) devido a notícias e riscos de correlação cruzada, sem ferramentas padronizadas para cotar ou fazer hedge desses riscos.
• Incompletude de Mercado: Diferente de ações, onde o subjacente pode ser replicado dinamicamente, contratos de eventos binários (paga $1 se ocorrer, $0 caso contrário) não podem ser perfeitamente replicados antes da resolução, tornando o mercado incompleto e expondo os makers a seleção adversa e risco de inventário concentrado.

2. Metodologia Proposta

Os autores propõem uma fundação baseada em um Kernel de Salto-Difusão Logit com Deriva Neutra ao Risco (RN).

A. O Kernel Estocástico (Logit Jump-Diffusion)

Em vez de modelar a probabilidade $p_t \in (0, 1)$ diretamente, o modelo mapeia a probabilidade para o espaço log-odds (logit) $x_t = \text{logit}(p_t) = \ln(p_t / (1-p_t))$, que varia em $\mathbb{R}$.

• Dinâmica: O processo $x_t$ segue uma Equação Diferencial Estocástica (SDE) de salto-difusão:
  $$dx_t = \mu(t, x_t)dt + \sigma_b(t, x_t)dW_t + \int_{\mathbb{R}} z \tilde{N}(dt, dz)$$
  Onde $\sigma_b$ é a volatilidade da crença e $\tilde{N}$ é a medida de salto compensada.
• Restrição de Martingale: Para garantir que o preço $p_t$ seja uma martingale sob a medida neutra ao risco (Q), a deriva $\mu(t, x_t)$ é fixada analiticamente. Isso elimina o viés sistemático e deixa a volatilidade da crença, a intensidade de saltos e a dependência cruzada como os únicos fatores de risco negociáveis.
• Dependência Multi-Evento: O modelo incorpora correlação difusiva e saltos comuns (co-jumps) entre eventos relacionados, capturando choques de informação simultâneos.

B. Camada Derivativa Coerente

Sobre este kernel, os autores definem uma classe de derivativos para isolar e negociar riscos específicos:

1. Swaps de Variância de Crença: Permitem negociar a volatilidade realizada do log-odds ou da probabilidade.
2. Swaps de Correlação: Para hedge de risco entre eventos correlacionados.
3. Variância de Corredor (Corridor Variance): Foca a cobertura na "zona de oscilação" (ex: $p \in [0.35, 0.65]$), onde o fluxo de ordens é mais tóxico.
4. Notas de Primeira Passagem: Instrumentos que pagam se a probabilidade cruzar um limiar específico antes do vencimento.

C. Pipeline de Calibração

Um processo de dados para estimar o kernel a partir de dados de mercado (mid, bid-ask, trades):

1. Filtragem: Uso de filtros de espaço de estado (Kalman Filter) heterocedásticos para separar o sinal latente $x_t$ do ruído de microestrutura.
2. Separação Difusão/Salto: Uso do algoritmo Expectation-Maximization (EM) para identificar e separar saltos de saltos de difusão nos incrementos do logit, evitando limiares ad-hoc.
3. Enforcement de Deriva RN: Recálculo da deriva para garantir a propriedade de martingale.
4. Superfície de Volatilidade: Suavização das estimativas pontuais para criar uma superfície estável de volatilidade de crença ($\sigma_b$) em função do tempo até a resolução e do "moneyness".

D. Manual do Criador de Mercado

O artigo fornece regras práticas para cotação e hedge:

• Cotação em Logits: As cotações são calculadas no domínio logit (Avellaneda-Stoikov adaptado) e mapeadas de volta para probabilidades, ajustando automaticamente os spreads perto dos limites 0 e 1.
• Hedges: Estratégias de hedge de calendário (variação temporal) e beta cruzado (entre eventos) para neutralizar riscos de inventário e seleção adversa.

3. Principais Contribuições

1. Fundação Unificada: Estabelece o primeiro kernel estocástico padronizado para mercados de previsão, análogo ao papel do Black-Scholes para opções, permitindo a cotação de "volatilidade de crença".
2. Tratamento de Limites: A transformação logit resolve o problema matemático de modelar processos em um intervalo limitado $(0, 1)$, permitindo o uso de ferramentas padrão de cálculo estocástico (Itô-Lévy).
3. Pipeline de Calibração Robusto: Integra filtragem de ruído, detecção de saltos via EM e restrição de martingale, resultando em superfícies de volatilidade estáveis e economicamente interpretáveis.
4. Guia Prático: Oferece um manual operacional completo para criadores de mercado, incluindo Greeks, atribuição de PnL e regras de gestão de risco específicas para contratos binários.
5. Validação Empírica: Demonstra que o modelo supera alternativas (como difusão pura ou modelos baseados em probabilidade direta) na previsão de curto prazo da variância da crença.

4. Resultados Experimentais

Os autores realizaram experimentos controlados com caminhos sintéticos consistentes com a medida neutra ao risco e dados reais de eventos.

• Comparação: O modelo proposto (RN-JD) foi comparado contra:
  • Random Walk no logit (RW-logit).
  • Difusão Logit com volatilidade constante.
  • Modelos de Wright-Fisher/Jacobi (difusão em espaço de probabilidade).
  • AR(1)-GARCH no espaço de probabilidade.
• Métricas: Avaliação causal (forward-sum) do erro de previsão da variância realizada do logit em um horizonte de 60 segundos.
• Desempenho:
  • O modelo RN-JD alcançou o menor Erro Quadrático Médio (MSE) e QLIKE (perda de verossimilhança) entre todos os modelos.
  • Modelos baseados apenas em difusão subestimaram a variabilidade durante choques de informação.
  • Modelos no espaço de probabilidade (Wright-Fisher, GARCH) sofreram instabilidade numérica extrema ao serem mapeados de volta para o espaço logit, resultando em erros de várias ordens de grandeza.
• Conclusão dos Resultados: A combinação de deriva neutra ao risco (eliminando viés), separação de saltos via EM e incorporação de janelas de notícias programadas resultou em previsões de volatilidade mais precisas e estáveis.

5. Significado e Impacto

• Institucionalização: Com o crescimento de plataformas como Polymarket e investimentos institucionais (ex: ICE), a padronização é crucial para a entrada de capital institucional.
• Linguagem Comum: O kernel fornece uma linguagem comum (volatilidade de crença, intensidade de saltos, correlação) para cotar, fazer hedge e transferir riscos de crença entre diferentes venues.
• Eficiência de Mercado: Ao permitir que os criadores de mercado hedgeiem riscos específicos (como volatilidade e saltos) através de derivativos padronizados, os spreads podem ser reduzidos e a liquidez pode ser mantida mesmo durante eventos de alta volatilidade.
• Futuro: O trabalho abre caminho para a criação de mercados secundários de derivativos sobre eventos (swaps de variância, correlação), transformando mercados de previsão em infraestruturas financeiras robustas para agregação de informação.

Em resumo, o artigo propõe que a padronização (através de um kernel matemático rigoroso) é mais importante do que o realismo perfeito, permitindo que os mercados de previsão escalem e se integrem ao sistema financeiro global, tal como o Black-Scholes fez para as opções.