🤖 machine learning

Probabilistic Prediction Markets with Intermittent Contributions

本文提出并分析了一种灵活的预测市场框架，该框架将代理的历史表现与稳健回归相结合，以生成最优预测并分配奖励，从而有效适应间歇性贡献、时变条件以及动态的代理参与。

原作者： Michael Vitali, Pierre Pinson

发布于 2026-05-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Michael Vitali, Pierre Pinson

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一群气象预报员试图为风力发电场预测风速。每位预报员都有自己的独家配方和数据，但他们是竞争对手。他们不愿分享最佳“原料”，因为担心失去竞争优势。

本文提出了一种解决方案：“预测市场”。请将其理解为并非金钱的股市，而是一个“猜测”的交易市场。

以下是该系统的运作方式，分解为几个简单概念：

1. 设置：数字交易市场

想象一位中央裁判（即“市场运营商”）运营着一个数字平台。

买方：这些是需要预测结果的人（例如风力发电场的所有者）。他们支付固定费用以获取最佳预测。
卖方：这些是预报员（即竞争对手）。他们向裁判提交各自的预测。
目标：裁判将所有单独的猜测整合成一个“超级预测”，并将其提供给买方。

2. 问题：人们不可靠

在现实世界中，预报员并不总是能按时出现。也许他们生病了，电脑崩溃了，或者只是决定休息一下。

旧方法：如果预报员缺席了一天，系统要么完全忽略他们，要么试图猜测他们“本会”说什么（插值法），这往往会导致错误。
新方法（稳健回归）：作者构建了一个“智能搅拌机”。即使一种“原料”（即某位预报员）缺失，搅拌机也能自动利用剩余原料调整配方，依然制作出美味的冰沙。它能够即时学习如何补偿缺失的数据。

3. 奖励机制：谁获得报酬？

这是最具创意的部分。如何在预报员之间分配资金？本文提出了一种两部分支付系统，以保持每个人的诚实和一致性。

A 部分：“即时明星”奖金（样本外）

是什么：如果你今天的猜测非常准确，你将获得奖金。
类比：这就像“全场最佳球员”奖。如果你的预测最接近实际风速，你将立即分得一份收益。这鼓励人们每次都全力以赴。

B 部分：“可靠老将”奖金（样本内）

是什么：这部分奖励你长期作为优秀团队成员的表现，而不仅仅是一次幸运的猜测。它使用了一个名为**沙普利值（Shapley Value）**的数学概念。
类比：想象一个小组项目。有时某位学生某天成绩不佳，但他通常是那个在其他人困惑时拯救小组的人。这部分奖励意味着：“我们重视你对小组整体成功的持续贡献，即使你缺席了一天或表现不佳的一周。”它会审视你的历史，以评估你为团队带来的独特价值有多少。

4. 游戏规则

为了确保市场公平运行，作者设计了具体规则：

没有免费午餐：如果你不提交预测，你将分文不取。
公平性：如果两个人提交了完全相同的预测，他们将获得完全相同的奖励。
诚实性：该系统的设计使得最大化收益的唯一途径是如实报告你的预测。撒谎或伪造数据实际上会损害你的得分。

5. 它奏效了吗？

作者通过两种方式测试了这一想法：

模拟游戏：他们创建了预报员随机消失的虚假场景。这种“智能搅拌机”（即他们的新方法）在处理缺失人员方面比旧方法表现更好，保持了预测的稳定性和准确性。
真实风力发电场：他们使用了来自比利时一个风力发电场的真实数据以及三种不同的气象模型。即使某些模型有 10% 到 20% 的时间未能发送数据，他们结合后的市场预测仍然比任何单一气象模型独立工作时的预测更准确。

结论

本文提出了一种方法，使竞争对手能够在无需分享私人秘密的情况下协同工作。通过利用“智能搅拌机”处理缺失数据，并采用公平的“两部分支付”系统，它创造了一个市场，其中最佳集体预测获胜，而每个人都能因其即时的准确性和长期的可靠性而获得奖励。

技术摘要：具有间歇性贡献的概率预测市场

问题陈述

本文探讨了在可再生能源等领域提高预测准确性的挑战，这些领域的数据可用性正在增加，但数据所有权、竞争利益和隐私担忧阻碍了协作。虽然现有的合作博弈论框架和隐私保护的分布式学习方法已经存在，但它们通常假设代理方是理性的、诚实的且持续参与的。在实践中，利益相关者可能不愿共享数据，或者他们的参与可能是间歇性的。

作者提出了一个预测市场框架，其中独立代理（卖方）通过交易不确定未来事件的概率预测来换取奖励。所解决的具体技术挑战包括：

实时实现：需要在线学习，无需独立的训练阶段。
历史表现：考虑代理方的长期信息价值，而不仅仅是瞬时准确性。
间歇性参与：处理代理方随意进出市场导致预测提交缺失的情况（即缺失数据问题）。
公平奖励分配：设计一种支付机制，在样本内一致性（历史贡献）与样本外准确性（真实预测质量）之间取得平衡，同时满足预算平衡和诚实性等经济属性。

方法论

所提出的市场设计涉及一个中央市场运营商，其与客户（预测购买者）和卖方（预测者）进行交互。系统在离散时间步 $t$ 中运行，处理以分位数表示的非参数概率预测。

1. 通过自适应鲁棒回归进行预测组合

为了组合来自多个卖方的预测，作者采用了一个通过在线梯度下降（OGD）更新的线性回归框架。

目标函数：该模型最小化分位数损失（pinball loss），以优化特定名义分位水平 $\tau$ 的权重。
处理缺失数据：为了适应间歇性参与，作者扩展了**鲁棒线性回归（RQR）**模型。他们引入了一个二元可用性向量 $\alpha_t$ 和一个线性校正矩阵 $D_t$ 。当卖方的预测缺失时，模型利用校正矩阵动态调整组合权重，以补偿缺失的信息，从而有效地从剩余可用的预测中提取额外信息。
在线更新：权重 $w_t$ 和校正矩阵 $D_t$ 使用分位数损失的次梯度进行迭代更新。该方法支持小批量更新，以高效地处理多步预测范围。

2. 支付分配机制

客户提供的总奖励 $U_t$ 被拆分为每个卖方 $i$ 和分位数 $\tau$ 的两个组成部分：
$r^{(\tau)}_{i,t} = U^{(\tau)}_t [\delta r^{is}_{i,t} + (1-\delta) r^{oos}_{i,t}]$
其中 $\delta$ 是权重参数。

样本内分配（ $r^{is}$ ）：旨在奖励一致性和累积信息价值。
- 利用Shapley 值的在线变体（ $\phi^c_{i,t}$ ），该值随时间递归更新（ $\phi^c_{i,t} = \lambda \phi^c_{i,t-1} + (1-\lambda)\phi^s_{i,t}$ ）。
- Shapley 值基于卖方对使用校正权重后的聚合预测的边际贡献进行计算。
- 缺失的卖方获得零样本内奖励。
样本外分配（ $r^{oos}$ ）：旨在奖励瞬时预测准确性。
- 基于从分位数损失导出的评分函数。
- 卖方根据其相对于其他在场卖方的准确性按比例获得奖励。
- 缺失的卖方获得零样本外奖励。

3. 经济属性

作者正式定义并证明了分配机制满足以下属性：

预算平衡：分配的奖励总和等于产生的总效用。
对称性：相同的预测产生相同的奖励。
零元素：未参与的卖方不获得奖励。
个体理性：奖励为非负值。
诚实性（激励相容）：卖方通过报告真实预测来最大化预期奖励，因为改变预测会增加损失，并降低样本内（通过 Shapley 值）和样本外奖励。

结果

该方法使用合成数据和一项现实世界的风电预测案例研究进行了评估。

合成案例研究

时不变场景：标准分位数回归（QR）和鲁棒 QR（RQR）均收敛到最优权重。RQR 成功处理了随机缺失（5% 率），并保持了稳定的收敛性。
时变场景：这些方法成功适应了动态环境中不断演变的权重分布，跟踪了最优组合的周期性变化。
变化的缺失率：在 5% 到 90% 的缺失率范围内，与基准插补策略（均值插补和最后值插补）相比，RQR 表现出更低的方差和相当或更优的偏差。

现实世界案例研究（风能）

设置：针对比利时海上风电场进行日前概率预测，使用九个输入模型（三种数值天气预报（NWP）源：ECMWF、NOAA、DWD 与三种模型类型：XGBoost、QRF、MLP 的组合）。
性能：
- 组合预测（QR）优于所有单个模型，证实了异构信息源的价值。
- RQR 鲁棒性：即使在 10–20% 的数据缺失情况下，RQR 实现的量化损失值也非常接近“理想”QR 基准（完整信息），并且显著优于最佳单个模型。
- 适应性：RQR 的移动平均损失始终低于单一最佳专家，特别是在个别专家表现不佳的时期。
奖励动态：奖励分布表明，具有独特预测价值的模型（例如 ECMWF-MLP、ECMWF-XGB）积累了最高的持续奖励。该系统成功跟踪了时变性能，例如 DWD-MLP 在测试期后半段贡献的上升。

意义与主张

本文声称提出了一种预测市场设计，有效地弥合了理论合作框架与实际现实世界约束之间的差距。其主要意义在于：

处理间歇性：这是将鲁棒线性回归用于预测组合扩展到在线学习设置的首次尝试，允许代理方自由加入和退出，而不会降低聚合预测的质量。
双重目标奖励：提出了一种新颖的支付机制，同时奖励历史一致性（通过时变 Shapley 值）和瞬时准确性（通过样本外评分），解决了现有文献往往仅关注样本内性能的局限性。
经济可行性：该机制被证明满足关键的经济属性，确保了公平性并激励了诚实报告。

作者总结道，虽然所提出的市场在可再生能源预测中显示出有效性，但未来的工作可以探索完全动态的参与者集合和替代分配机制，以进一步降低计算复杂性并增强可扩展性。