💰 quantitative finance

Per-Market Information Leakage and Order-Flow Skill: Two Methodological Lenses on Informed Trading in Decentralized Prediction Markets

Este artigo argumenta que três abordagens metodológicas distintas para detectar negociação informada em mercados preditivos descentralizados — triagem de habilidade por nível de conta, sinalização heurística de insiders e pontuação de vazamento de informação por mercado — são camadas complementares de detecção e não métodos concorrentes, e demonstra como integrá-las melhora a precisão por meio de um pipeline combinado.

Autores originais: Maksym Nechepurenko

Publicado 2026-05-05

📖 7 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 enorme sala de apostas global chamada Polymarket. Aqui, as pessoas apostam em tudo, desde "Quem vencerá o Super Bowl?" até "Um político específico será impedido?" ou "Choverá em Londres amanhã?".

Recentemente, uma grande questão tem assombrado essa sala de apostas: Algumas pessoas estão trapaceando? Existem "iniciados" usando informações secretas e privadas para ganhar dinheiro antes mesmo de nós sabermos que a notícia aconteceu?

Em abril de 2026, três grupos diferentes de pesquisadores apareceram com três lanternas diferentes para encontrar esses trapaceiros. Este artigo é um guia que explica como essas lanternas funcionam, por que são todas diferentes e como você precisa usá-las em conjunto para realmente pegar os bandidos.

Aqui está a explicação em termos simples:

As Três Lanternas (Metodologias)

O artigo argumenta que esses três métodos não estão competindo; eles estão olhando para o problema de três ângulos diferentes.

1. O "Detetive de Carreira" (Randomização de Sinais)

Quem usa: Gomez-Cram e colegas.
Como funciona: Imagine que você é um treinador observando um jogador de basquete durante toda uma temporada. Você pergunta: "Esse jogador é realmente bom, ou ele apenas teve sorte?"
- Eles pegam todo o histórico de apostas de um trader.
- Eles executam uma simulação de computador onde invertem aleatoriamente o botão "Ganhou/Perdeu" em cada aposta 10.000 vezes.
- Se os ganhos reais do trader forem muito melhores do que o que você obteria apenas chutando aleatoriamente, eles são classificados como "Habilidosos".
O Problema: Isso só funciona para pessoas que fizeram muitas apostas (pelo menos 10 eventos diferentes).
- Analogia: Se um ladrão arromba um banco uma vez, rouba um milhão de dólares e depois desaparece, esse "Detetive de Carreira" não o pegará. O detetive precisa de um histórico longo para provar que o ladrão é "habilidoso" e não apenas sortudo.
- O Problema: O artigo observa que o Polymarket tem muitos tipos diferentes de apostas (Esportes, Criptomoedas, Política). Um apostador esportivo "habilidoso" (que conhece sobre lesões de jogadores) parece o mesmo que um iniciado político "habilidoso" (que conhece planos militares secretos). Misturá-los todos torna difícil saber quem está realmente trapaceando.

2. O Detector de "Visitante Única" (Heurística de Ciclo de Vida)

Quem usa: Gomez-Cram e colegas (uma segunda ferramenta da mesma equipe).
Como funciona: Isso procura pelo trapaceiro de "Uma Única Oportunidade".
- Ele sinaliza contas que:
  1. Foram criadas apenas dias antes de um grande evento.
  2. Apostaram pesadamente apenas naquele único evento.
  3. Pararam de apostar imediatamente após o término do evento.
O Problema: Isso é um alarme de "comportamento suspeito", não uma prova de culpa.
- Analogia: Imagine um guarda de segurança vendo alguém comprar um ingresso, caminhar direto para a caixa VIP, apostar tudo em um único cavalo e depois desaparecer. Isso é suspeito! Mas também poderia ser um novo fã empolgado, um programa de bot ou alguém tentando esconder sua identidade por privacidade. O artigo diz que não sabemos exatamente quantas dessas pessoas "suspeitas" são realmente iniciados culpados.

3. O "Medidor de Vazamento" (Pontuação de Vazamento de Informação - ILS)

Quem usa: Nechepurenko.
Como funciona: Isso não olha para pessoas; olha para as linhas de apostas (as cotações).
- Imagine que uma notícia seja divulgada às 10:00 da manhã dizendo "O Presidente renunciou".
- Esta ferramenta verifica as cotações de apostas às 09:59 da manhã.
- A Pergunta: "Quanto as cotações mudaram antes que a notícia atingisse o público?"
- Se as cotações eram 50/50 às 09:00 da manhã e saltaram para 90% às 09:59 da manhã, o "Medidor de Vazamento" diz: "Ei, alguém sabia que isso estava chegando antes da notícia ser divulgada!"
O Problema: Ele diz que a informação vazou, mas não diz quem vazou. É como ouvir um estrondo alto na cozinha, mas não saber qual criança quebrou o vaso.

O Caso de Teste do Mundo Real: A Operação "Maduro"

O artigo usa um exemplo da vida real para mostrar como essas ferramentas se sobrepõem. No início de 2026, houve uma operação militar secreta dos EUA envolvendo a Venezuela.

O Caso Legal: O Departamento de Justiça dos EUA (DOJ) prendeu um soldado chamado Gannon Van Dyke. Eles provaram que ele usou planos militares secretos para fazer $409.881 em apostas.
O Detector de "Visitante Única": Esta ferramenta sinalizou três contas. Uma delas fez exatamente $409.882. O tempo e o dinheiro corresponderam perfeitamente ao crime do soldado. Esta ferramenta encontrou com sucesso a "agulha no palheiro".
O "Detetive de Carreira": Esta ferramenta falhou em sinalizar o soldado. Por quê? Porque o soldado fez apostas apenas neste único evento e depois parou. Ele não tinha um histórico longo, então o "Detetive de Carreira" não tinha dados suficientes para chamá-lo de "habilidoso".
O "Medidor de Vazamento": O artigo sugere que esta ferramenta poderia ter sido usada para medir exatamente o quanto as cotações de apostas mudaram antes da notícia ser divulgada em cada contrato específico, mas eles não executaram realmente os cálculos neste artigo.

A Lição: O "Detetive de Carreira" perdeu o soldado porque ele era um jogador de uma única vez. O detector de "Visitante Única" o pegou. Mas nenhuma das ferramentas nos disse quanto as cotações mudaram antes da notícia (o que o "Medidor de Vazamento" faria).

A Solução Proposta: Um Pipeline de Segurança em Três Estágios

O autor sugere que, em vez de confiar em apenas uma lanterna, devemos construir um sistema de segurança com três estágios:

Estágio 1 (O Filtro): Use o detector de "Visitante Única" e o "Detetive de Carreira" (mas separados por categoria, por exemplo, não misture apostadores esportivos com iniciados políticos) para criar uma "Lista de Vigilância" de contas suspeitas.
Estágio 2 (O Medidor): Pegue os mercados onde essas contas suspeitas estão apostando e use o "Medidor de Vazamento" para ver se as cotações mudaram de forma estranha antes da notícia.
Estágio 3 (O Humano): Se uma conta estiver na Lista de Vigilância E as cotações mudaram de forma estranha, envie para um investigador humano (como um policial ou regulador) para decidir se é realmente um crime.

O Que o Artigo Diz Que Ainda Não Sabemos

O artigo termina admitindo que ainda há três grandes buracos em nosso conhecimento:

Regras Confusas: Às vezes, o mercado se move porque as pessoas estão confusas sobre as regras da aposta, e não porque alguém tem informações secretas. Ainda não temos uma boa maneira de distinguir a diferença.
Dados Faltantes: Para pegar trapaceiros em tempo real, precisamos rastrear cada aposta individual à medida que ela acontece. Atualmente, muitas vezes só vemos os dados depois que o evento termina.
Trabalho em Equipe: Não temos uma boa maneira de detectar se um grupo de pessoas está trabalhando junto em diferentes mercados para mover as cotações.

Resumo

O artigo é um "Manual do Usuário" para pegar trapaceiros em mercados de previsão. Ele diz: Não use apenas uma ferramenta. Você precisa do "Detetive de Carreira" para encontrar os profissionais, do detector de "Visitante Única" para encontrar os ladrões sorrateiros e do "Medidor de Vazamento" para medir o dano. Somente usando os três juntos você pode obter uma imagem clara do que realmente está acontecendo.

1. Declaração do Problema

Mercados de previsão descentralizados (por exemplo, Polymarket) acumularam evidências significativas de negociação informada, incluindo casos envolvendo informações governamentais classificadas (por exemplo, a operação EUA–Venezuela de 2026). No entanto, a literatura acadêmica carece de um quadro unificado para detectar tal negociação. Abordagens existentes frequentemente confundem diferentes tipos de "habilidade" (por exemplo, expertise em apostas esportivas vs. negociação com informação privilegiada) ou operam em níveis de granularidade incompatíveis (nível de carteira vs. nível de mercado).

O problema central abordado é a fragmentação metodológica na detecção de negociação informada. Três abordagens distintas surgiram em abril de 2026 (Mitts & Ofir; Gomez-Cram et al.; Nechepurenko) que abordam a mesma realidade empírica, mas operam em camadas diferentes. O artigo argumenta que estas não são métodos concorrentes, mas camadas de detecção complementares que devem ser combinadas para formar um pipeline robusto de vigilância.

2. Quadro Metodológico

O artigo organiza as metodologias de detecção em três camadas estruturais baseadas em granularidade, timing e saída:

A. Camada 1: Classificação de Anomalia e Habilidade no Nível de Carteira

Filtro de Anomalia Composto (Mitts & Ofir, 2026): Agregam características (tamanho da aposta, rentabilidade, timing) para pontuar pares (carteira, mercado). É retrospectivo e estima lucro anômalo agregado (US$ 143 milhões), mas não consegue distinguir habilidade de sorte nem fornecer sinais em tempo real.
Classificador de Habilidade por Randomização de Sinal (Gomez-Cram et al., 2026):
- Mecanismo: Para contas que negociam ≥10 eventos, randomiza a direção de compra/venda das negociações 10.000 vezes, mantendo evento, tamanho e timing fixos. Compara o PnL realizado contra esta distribuição nula.
- Saída: Classifica contas como "vencedores habilidosos", "vencedores sortudos", "perdedores azarados" ou "perdedores não habilidosos".
- Limitação: Mede habilidade direcional persistente condicionada à seleção de oportunidades, não negociação com informação privilegiada. Exclui por design "insiders de uma única vez" (contas criadas para um único evento).
Heurística de Ciclo de Vida e Convicção (Gomez-Cram et al., 2026):
- Mecanismo: Sinaliza contas criadas dentro de 7 dias de um evento, negociando exclusivamente aquele evento, com alto volume/lucro, e ficando inativas após a resolução.
- Saída: Uma bandeira binária para suspeitos de "insiders de uma única vez".
- Limitação: Alta sensibilidade (recall) para padrões de insider, mas precisão desconhecida (alto risco de falsos positivos de fazendas Sybil ou novos usuários).

B. Camada 2: Vazamento de Informação no Nível de Mercado

Pontuação de Vazamento de Informação (ILS / ILSdl) (Nechepurenko, 2026b,a):
- Mecanismo: Quantifica a fração do movimento de preço terminal ( $p_{T_{resolve}} - p_{T_{open}}$ ) que foi precificada antes do evento de notícia pública ( $T_{news}$ ).
- Fórmula: $ILS(M) = \frac{p(T_{news}^-) - p(T_{open})}{p_{T_{resolve}} - p(T_{open})}$ .
- Condições de Escopo: Requer incerteza substancial na abertura, um movimento total não trivial e robustez a perturbações de âncora.
- Saída: Uma pontuação por mercado (por exemplo, 0,6 implica que 60% do movimento foi antecipado).
- Limitação: Não identifica quais carteiras causaram o vazamento; depende da recuperação precisa de carimbos de tempo de eventos públicos.

3. Contribuições Chave

Taxonomia de Detecção: O artigo estabelece que estes métodos respondem a perguntas diferentes:
- Randomização de sinal: "Esta conta demonstrou capacidade direcional repetida?"
- Heurística de ciclo de vida: "Esta conta exibe a assinatura comportamental de um insider de uma única vez?"
- ILS: "Quanta informação foi antecipada neste contrato específico?"
Crítica à Habilidade "Em Toda a Plataforma": O autor argumenta que uma única classificação de "vencedor habilidoso" é ambígua quanto ao mecanismo, porque o Polymarket mistura categorias (Esportes, Política, Cripto) com tecnologias de informação fundamentalmente diferentes. Uma "habilidade" em apostas de NBA (ingestão de notícias) é distinta de negociação com informação privilegiada geopolítica. O artigo defende uma decomposição condicionada à categoria antes de usar essas métricas para vigilância.
Reprodutibilidade e Restrições de Dados: O artigo destaca que, embora a metodologia de Gomez-Cram et al. seja reprodutível em princípio, os rótulos específicos de conta (os 1.950 insiders sinalizados) e as decomposições condicionadas à categoria ainda não foram divulgados, limitando o uso operacional imediato.
Integração de Estudo de Caso (Cluster Maduro/Venezuela): O artigo analisa a operação EUA–Venezuela de janeiro de 2026 (Operação Resolução Absoluta) e a subsequente acusação formal do Sargento Mestre Gannon Van Dyke.
- Alinhamento: A heurística de ciclo de vida sinalizou três contas; o PnL da conta principal (US$ 409.882) correspondeu ao lucro alegado na acusação do Departamento de Justiça (US$ 409.881) até o dólar.
- Lacuna: O classificador de randomização de sinal perdeu essas contas (pois eram negociadores de uma única vez), e a acusação do Departamento de Justiça não quantificou o vazamento por contrato.
- Síntese: As camadas se sobrepõem: a heurística identifica o quem, a investigação legal confirma o o quê (MNPI - Informação Material Não Pública), e o ILS quantificaria o quanto por contrato.

4. Resultados e Descobertas

Persistência da Habilidade: O classificador de randomização de sinal encontrou que 3,14% das contas são "vencedores habilidosos", capturando >30% dos ganhos da plataforma. Essas contas habilidosas mostraram 44% de persistência fora da amostra, significativamente maior do que a de gestores de fundos mútuos.
Validade da Heurística: No estudo de caso Maduro, a heurística de ciclo de vida identificou com sucesso as contas associadas ao insider indiciado, demonstrando alta sensibilidade (recall) para casos alinhados à aplicação da lei, embora a precisão em toda a população sinalizada de 1.950 permaneça não verificada.
Lacunas Metodológicas:
- Incerteza nos Critérios de Resolução: Mercados podem ser mal precificados devido a ambiguidade nas regras de resolução (por exemplo, "As forças entraram no Irã?"), que modelos estatísticos podem interpretar erroneamente como negociação com informação privilegiada ou falta de habilidade.
- Infraestrutura: A vigilância em tempo real está atualmente bloqueada pela falta de coleta contínua de dados por negociação (limitações do subgrafo The Graph), forçando a dependência de análise retrospectiva.
- Coordenação Intermercado: Os métodos atuais não detectam negociação coordenada entre mercados relacionados (por exemplo, múltiplos contratos da Venezuela) antes de um evento.

5. Significado e Pipeline Proposto

O artigo propõe um pipeline de vigilância de três estágios para integrar essas camadas:

Estágio 1 (Triagem): Pontuação de risco de conta condicionada à categoria. Combina randomização de sinal (para habilidade multi-evento) e heurísticas de ciclo de vida (para padrões de uma única vez), ponderadas por categoria (por exemplo, risco geopolítico > risco esportivo).
Estágio 2 (Quantificação): Pontuação ILSdl por mercado em mercados onde contas sinalizadas detêm posições significativas. Isso quantifica a magnitude do vazamento de informação.
Estágio 3 (Revisão): Revisão humana de conformidade de contratos que passam tanto pelo Estágio 1 (carteiras suspeitas) quanto pelo Estágio 2 (alto vazamento).

Conclusão:
O artigo conclui que nenhuma metodologia única é suficiente. A randomização de sinal identifica habilidade persistente, mas perde insiders de uma única vez; heurísticas de ciclo de vida pegam os de uma única vez, mas carecem de precisão; o ILS quantifica o vazamento, mas carece de atribuição de carteira. Uma abordagem combinada, fundamentada em análise específica por categoria e apoiada por benchmarks de aplicação da lei (como a acusação de Van Dyke), oferece o caminho mais robusto para a tecnologia regulatória (RegTech) em mercados de previsão descentralizados. O trabalho enfatiza que, embora as contribuições acadêmicas sejam substanciais, sua operacionalização exige a divulgação de rótulos de dados subjacentes e o tratamento de lacunas de infraestrutura na coleta contínua de dados.