💰 quantitative finance

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

Este artigo avalia a estrutura do Information Leakage Score em 12.708 mercados do Polymarket de 2020 a 2026, revelando que sua aplicação efetiva é severamente limitada pela ambiguidade na resolução e pela baixa sensibilidade à âncora, demonstrando assim que a detecção de fluxo informado exige refinamentos metodológicos na tipologia de resolução e na correção de linha de base, e não apenas o cálculo da pontuação.

Autores originais: Maksym Nechepurenko

Publicado 2026-05-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Maksym Nechepurenko

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma sala de apostas global e gigantesca chamada Polymarket. As pessoas fazem apostas sobre tudo, desde "O Presidente assinará este projeto de lei?" até "Este filme ganhará um Oscar?". O texto que você está lendo é uma investigação sobre se algumas pessoas estão trapaceando ao apostar em segredos que conhecem antes do restante do público.

O autor, Maksym Nechepurenko, criou uma ferramenta especial de "detector de mentiras" chamada Pontuação de Vazamento de Informação (ILS). Em um teste anterior, essa ferramenta funcionou perfeitamente em apenas uma aposta específica. Este artigo pergunta: Essa ferramenta funciona quando tentamos usá-la em milhares de apostas ao mesmo tempo?

Aqui está a história do que eles descobriram, explicada de forma simples.

1. A Ferramenta é Excessivamente Exigente (O Problema do "Filtro")

O autor tentou executar essa ferramenta em 12.708 mercados de apostas diferentes. O objetivo era encontrar os "trapaceiros" (pessoas apostando em informações privilegiadas).

O Resultado: A ferramenta funcionou apenas em 88 desses mercados (menos de 1%).
A Analogia: Imagine que você tem um detector de metais projetado para encontrar moedas de ouro em um campo vasto. Você varre todo o campo, mas a máquina emite um sinal sonoro apenas em 88 pontos. Por quê? Porque a máquina foi projetada para emitir sinal apenas para moedas que são perfeitamente redondas e brilhantes.
O Problema Real: A maioria das perguntas de apostas era muito confusa. Por exemplo, uma aposta poderia perguntar: "O líder será removido?". Mas "removido" poderia significar demitido, renunciando ou falecendo. A ferramenta precisa de um único momento claro no tempo (como uma data específica em que uma lei é assinada) para funcionar. Se a pergunta é vaga, a ferramenta desiste.
A Surpresa: Mesmo quando analisaram 32 casos famosos onde a trapaça era já conhecida por ter ocorrido, a ferramenta funcionou apenas em um deles. Os outros 31 eram muito vagos para a ferramenta compreender.

2. O "Evento" é Difícil de Definir

Para pegar um trapaceiro, a ferramenta precisa saber exatamente quando a notícia foi divulgada.

O Problema: A ferramenta tentou usar IA para encontrar o segundo exato em que uma notícia foi divulgada. Ela acertou a data correta apenas cerca de 58% das vezes.
A Analogia: É como tentar pegar um ladrão sabendo exatamente em qual segundo ele entrou pela porta da frente. Se você acha que ele entrou às 14:00, mas ele entrou às 14:05, sua câmera o perde.
A Consequência: Como a ferramenta é tão sensível ao momento exato, ela só funciona nas apostas mais "limpas", onde a notícia acontece em um único momento claro (como uma pontuação esportiva). Em apostas confusas, políticas ou legais, a ferramenta fica confusa.

3. As Pontuações "Negativas" Eram Apenas Matemática, Não Trapaça

Quando a ferramenta finalmente funcionou, ela gerou principalmente pontuações negativas.

O Equívoco: Inicialmente, o autor pensou que uma pontuação negativa significava que as pessoas estavam apostando contra a verdade (um tipo estranho de trapaça).
A Correção: O autor percebeu que isso era apenas um truque da matemática.
A Analogia: Imagine uma contagem regressiva para o lançamento de um foguete. À medida que o tempo passa e o foguete ainda não foi lançado, a chance de ele ser lançado agora diminui naturalmente. Se o foguete finalmente for lançado no último segundo, o preço no mercado de apostas parece ter despencado antes de subir. A ferramenta viu esse "despencar" e pensou que era trapaça.
O Arranjo: O autor adicionou uma "correção de linha de base" (como subtrair o efeito natural da contagem regressiva). Após esse ajuste, parte da "trapaça" desapareceu, mas em um tipo específico de aposta (anúncios regulatórios), as pontuações negativas permaneceram. Isso sugere que, nessas apostas específicas, as pessoas podem realmente estar apostando contra o resultado antes que a notícia seja divulgada.

4. A Suposição de "Tamanho Único" Estava Errada

A ferramenta assumia que todos os eventos ocorrem a uma taxa constante e previsível (como chuva caindo a uma velocidade constante).

A Descoberta: Os dados mostraram que os eventos não ocorrem a uma taxa constante. Às vezes, ocorrem em rajadas; às vezes, levam muito tempo.
A Analogia: A ferramenta estava usando um modelo de "chuva constante", mas o mundo real era mais como uma "tempestade" seguida de uma "seca". O autor teve que mudar a ferramenta para um modelo mais flexível (chamado Weibull) para lidar corretamente com as tempestades e as secas.

A Conclusão do Panorama Geral

O artigo conclui que a ferramenta de "detector de mentiras" é real e funcional, mas atualmente é muito restrita para ser usada em todo o mercado de apostas.

Funciona bem em eventos claros e discretos (como "O time X vencerá o jogo?").
Falha em eventos vagos e complexos (como "O governo mudará sua política?").

O autor diz: "Descobrimos que a ferramenta funciona, mas precisamos atualizá-la para lidar com perguntas vagas e corrigir a matemática sobre como o tempo passa". Eles planejam fazer isso em um artigo futuro (Artigo 3b) usando IA mais inteligente para entender perguntas confusas e combinando essa ferramenta com outros métodos que analisam as carteiras de apostadores individuais.

Em resumo: A ferramenta é um rifle de sniper de alta precisão. Funciona perfeitamente se você tiver um alvo claro. Mas o mercado de apostas está cheio de alvos nebulosos e em movimento, então o rifle erra a maioria deles. O autor agora está tentando construir uma mira que funcione na neblina.

1. Declaração do Problema

O artigo aborda o desafio de detectar trading informado (trading de insider) em mercados de previsão descentralizados, especificamente o Polymarket. Embora trabalhos anteriores (por exemplo, Mitts & Ofir [2026], Gómez-Cram et al. [2026]) tenham identificado com sucesso traders informados no nível de carteira ou conta usando padrões agregados de negociação, há uma necessidade de um diagnóstico em nível de mercado e em tempo real que possa identificar vazamento de informações antes que um evento seja resolvido.

O autor busca escalar a Pontuação de Vazamento de Informações (ILS) e sua extensão resolvida por prazo (ILSdl), anteriormente testadas em casos únicos, para um nível populacional. O problema central é determinar se a estrutura pode detectar efetivamente o fluxo informado através de milhares de mercados, ou se limitações estruturais (como definições de eventos ambíguas) tornam o método inaplicável à maioria dos mercados "relevantes para insider".

2. Metodologia

O estudo emprega um pipeline rigoroso e multiestágio para avaliar 12.708 mercados candidatos do corpus do Polymarket (outubro de 2020 – abril de 2026) dentro de três categorias relevantes para insider: Militar/Geopolítica, Decisões Regulatórias e Divulgações Corporativas.

A. A Estrutura ILSdl

A Pontuação de Vazamento de Informações (ILSdl) quantifica a parcela da movimentação total de preços de um mercado que ocorreu antes da observação pública do evento subjacente ( $T_{event}$ ).
$ILSdl(M) = \frac{p(T_{event}^-) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$
Onde:

$p(T_{event}^-)$ é o preço um minuto antes do evento.
$p(T_{open})$ é o preço de abertura.
$p(T_{resolve})$ é o preço final de resolução (1 para SIM, 0 para NÃO).

B. Condições de Escopo e Filtros

Para calcular uma pontuação válida, os mercados devem passar por quatro filtros sequenciais:

Tipologia de Resolução: Deve ser "resolvida por prazo" (o evento ocorre até a data $D$ ) e não "inclassificável".
Resultado: Deve resolver para SIM (resultados NÃO carecem de um $T_{event}$ recuperável).
Recuperação de $T_{event}$ : O timestamp do evento subjacente deve ser recuperado via um pipeline de verificação multi-fonte assistido por LLM com confiança $\ge 0,7$ .
Condições de Escopo: Tempo de antecedência positivo, restrições de efeito de borda (preço de abertura não muito extremo) e Sensibilidade da Âncora (estabilidade da pontuação através de deslocamentos de janelas curtas da âncora).

C. Correção de Linha de Base de Decaimento de Risco

Uma inovação metodológica crítica é a introdução de uma pontuação ajustada por decaimento de risco ( $ILSdl_{adj}$ ).

Problema: Em contratos com prazo, os preços decaem mecanicamente em direção a zero à medida que o tempo passa sem que o evento ocorra (atualização bayesiana racional). Isso cria um viés negativo no ILSdl bruto, mesmo sem trading de insider.
Solução: Os autores subtraem o preço esperado sob uma linha de base de probabilidade de sobrevivência (derivada de um modelo de risco Weibull) do preço observado.
$ILSdl_{adj}(M) = \frac{p(T_{event}^-) - E[p(T_{event}^-) | T_{open}, D, \hat{\lambda}]}{p(T_{resolve}) - p(T_{open})}$

D. Validação

Verdade Terrena: O inventário ForesightFlow Insider Cases (FFIC) (32 episódios documentados de trading de insider) serve como um conjunto de validação rotulado.
Validação de Segunda Passagem: Uma execução independente de LLM em uma amostra de 50 mercados valida a precisão da recuperação de $T_{event}$ .

3. Contribuições e Descobertas Principais

Descoberta 1: Exclusão Estrutural (O "Bucket" Inclassificável)

Resultado: Apenas 0,7% (88 de 12.708) dos mercados candidatos produzem valores de ILSdl computáveis.
Causa: A exclusão primária (43,8% do inventário FFIC) é a ambiguidade do critério de resolução. Mercados com predicados como "vencer a eleição", "sair como Líder Supremo" ou "sob custódia" carecem de um único timestamp público discreto ( $T_{event}$ ).
Implicação: O domínio efetivo da estrutura é estruturalmente mais estreito do que inicialmente enquadrado. O bucket "inclassificável" contém ambiguidade genuína, não apenas ruído do classificador.

Descoberta 2: Sensibilidade da Âncora e Estreitamento da Amostra

Resultado: Das 88 mercados computáveis, apenas 12 (13,6%) satisfazem a condição de sensibilidade da âncora (pontuações estáveis através de janelas de tempo curtas).
Validação: A recuperação independente de $T_{event}$ alcançou apenas 57,8% de concordância exata de data no geral (vs. um alvo de $\ge 90\%$ ). A concordância foi alta para eventos discretos (Militar/Corp: 78,9%), mas baixa para processos multiestágio (Formal Regulatório: 35,7%).
Implicação: A amostra operacionalmente significativa restringe-se aos 12 mercados robustos à âncora. A maioria das pontuações computadas é provavelmente ruído devido ao timing ambíguo do evento.

Descoberta 3: Viés Negativo e Correção de Risco

Resultado: As medianas do ILSdl bruto são negativas em todos os sub-buckets (variando de -0,88 a -0,16).
Interpretação: Inicialmente, isso sugere que os mercados precificam contra o resultado. No entanto, após o ajuste de decaimento de risco:
- Formal Regulatório (Pós-2024): Muda de -0,21 para -0,02 (essencialmente zero). A negatividade foi puramente decaimento racional.
- Anúncio Regulatório (Pós-2024): Permanece fortemente negativo (-0,80 $\to$ -0,84). Isso sugere fluxo genuíno de "anti-informação" ou viés de seleção em anúncios agendados.
- MilGeo/Corp: Parcialmente corrigido, mas retém algum sinal negativo.
Implicação: Pontuações negativas brutas são frequentemente artefatos da mecânica de prazos; pontuações ajustadas por risco são necessárias para interpretação válida.

Descoberta 4: Especificação da Taxa de Risco

Resultado: O modelo exponencial de risco constante (usado em trabalhos anteriores de caso único) é rejeitado para a população agrupada pós-2024 em favor de uma distribuição Weibull.
Nuance: Quando analisado por subcategoria, o modelo exponencial frequentemente se ajusta melhor. A preferência Weibull na amostra agrupada é impulsionada pela mistura de categorias (combinando anúncios de prazos curtos com processos formais de prazos longos) e não por dependência de duração verdadeira dentro da categoria.
Implicação: Modelos futuros devem usar Weibull para dados agrupados ou reestimar riscos por subcategoria.

4. Significado e Limitações

Significado

Descoberta de Escopo: O artigo demonstra que escalar uma estrutura de detecção revela limitações estruturais (ambiguidade semântica) que estudos de caso único ignoram.
Refinamento Metodológico: Estabelece que a correção de decaimento de risco é essencial para contratos com prazo para distinguir entre decaimento racional de preços e trading informado.
Detecção Complementar: A lente em nível de mercado (ILSdl) oferece um diagnóstico em tempo real, em voo para um subconjunto estreito de mercados, complementando métodos em nível de carteira (Mitts & Ofir) e nível de conta (Gómez-Cram) que são post-hoc mas cobrem uma população mais ampla.

Limitações e Trabalho Futuro (Artigo 3b)

Cobertura: A estrutura atual exclui ~99% da amostra candidata devido a restrições de tipologia e âncora.
Ambiguidade: O bucket "inclassificável" requer reclassificação assistida por LLM e uma extensão multi-âncora (lidando com múltiplos valores candidatos de $T_{event}$ ) para incluir mercados com predicados ambíguos.
Dados: O estudo depende de uma única execução de pipeline; trabalhos futuros validarão em instantâneos independentes e integrarão recursos em nível de carteira (PIN, VPIN, etc.) para treinar um detector com gradient boosting.

Conclusão

O artigo conclui que, embora a estrutura ILSdl seja operacional, sua aplicação em escala populacional está atualmente limitada a um pequeno subconjunto altamente específico de mercados (aproximadamente 12 de 12.708) onde os eventos são discretos, os timestamps são recuperáveis e as âncoras são robustas. O principal obstáculo para uma detecção mais ampla não é o cálculo da pontuação, mas a semântica da resolução. Os autores propõem um roteiro envolvendo reclassificação por LLM e extensões multi-âncora para expandir a cobertura da estrutura em trabalhos futuros.