💰 quantitative finance

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

本文提出了一种基于对数逻辑跳跃扩散模型的统一框架，旨在为预测市场建立类似布莱克 - 舒尔斯模型的定价与对冲基础，通过校准信念波动率曲面并定义衍生工具层，使市场参与者能够有效量化和管理信念风险。

原作者： Shaw Dalen

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Shaw Dalen

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

这篇论文提出了一套全新的“游戏规则”，旨在让预测市场（比如 Polymarket）变得更像成熟的股票市场，从而让做市商（提供流动性的人）能更安全、更聪明地做生意。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“给预测市场装上一个‘天气预报’和‘保险系统’"**。

1. 背景：现在的预测市场像什么？

想象一下，现在的预测市场（比如赌“下个月会不会下雨”）就像是一个没有统一语言的小镇集市。

现状：每个人都在买卖“是/否”的合约。如果下雨，你拿 1 美元；不下雨，拿 0 美元。价格就是大家觉得下雨的概率（比如 60%）。
问题：虽然大家在交易，但没人知道这个概率明天会怎么变。
- 如果突然有个新闻说“气象卫星发现暴雨云”，价格会瞬间从 60% 跳到 90%。
- 做市商（负责挂单买卖的人）就像在没有天气预报的情况下开船。他们不知道风（新闻）什么时候来，也不知道浪（价格波动）会有多大。
- 结果：做市商不敢挂单，或者挂单时把价差拉得很大（为了保护自己），导致市场流动性差，大家交易成本高。

以前的股票市场（期权）：
在股票期权市场，大家有一个通用的工具叫**“布莱克 - 舒尔斯模型”（Black-Scholes）。它就像一套通用的“波动率语言”**。不管股票叫什么名字，大家都能用“波动率”这个词来报价、对冲风险。这让期权市场变得非常庞大和高效。

这篇论文的目标：
作者说：“预测市场也需要一套自己的‘布莱克 - 舒尔斯’！”他们想发明一套通用的语言，让做市商能像股票交易员一样，精准地报价和对冲风险。

2. 核心方案：三个关键发明

作者提出了三个主要工具，我们可以用**“驾驶汽车”**来打比方：

A. 核心引擎：Logit 跳跃 - 扩散模型 (The Logit Jump-Diffusion)

比喻：想象概率（0% 到 100%）是一条有边界的公路。
- 普通模型（扩散模型）假设车只能慢慢开，不能瞬间移动。
- 但现实是，新闻来了，概率会“瞬移”（比如从 50% 直接跳到 80%）。
创新：作者设计了一个新引擎，它允许车在公路上平稳行驶（扩散），同时也允许突然的“瞬移”（跳跃/Jump）。
关键点：他们强制规定，这辆车的行驶轨迹必须遵循“无套利原则”（就像车不能凭空变出油来）。这确保了价格逻辑的严密性。

B. 仪表盘：校准流水线 (The Calibration Pipeline)

比喻：市场数据里有很多“噪音”（比如有人手抖点错了，或者系统延迟）。这就像透过满是雾气的挡风玻璃看路。
创新：作者开发了一套**“去雾算法”**。
1. 过滤：把那些因为手抖或系统卡顿产生的假信号过滤掉。
2. 分离：把“平稳行驶”和“突然跳跃”分开计算。
3. 输出：生成一张**“信念波动率地图”**。这就好比天气预报里的“降雨概率图”，做市商一看就知道：“哦，接下来一小时，这个事件的价格波动可能会很大，我要多收点手续费。”

C. 工具箱：衍生品层 (The Derivative Layer)

比喻：以前做市商只能赌“会不会下雨”（基础合约）。现在，他们有了**“天气保险”**。
创新：作者设计了一系列新工具，让做市商可以单独买卖风险：
- 波动率互换：如果你担心价格会剧烈震荡，你可以买一个“波动率保险”，不管价格怎么跳，你都能对冲掉风险。
- 相关性互换：如果你同时赌“下雨”和“发洪水”，你可以买一个工具，专门对冲这两个事件同时发生的风险。
- 走廊方差：只在你最担心的那个“摇摆区间”（比如 40%-60% 概率时）提供保险，因为这时候风险最大。

3. 做市商手册：如何应用？

论文最后还给了做市商一本**“操作手册”**，教他们怎么用这套新系统：

报价策略：不要只盯着价格，要盯着**“波动率”**。如果预测到马上有新闻（比如选举结果公布），就自动拉大买卖价差，或者暂停报价，直到看清局势。
对冲风险：如果你手里持有很多“下雨”的合约，你可以去市场上买“波动率保险”或者“相关性保险”，把风险转嫁出去，而不是自己硬扛。
库存管理：当概率接近 0% 或 100% 时（比如几乎确定下雨了），风险其实很小，可以大胆报价；当概率在 50% 左右（摇摆不定）时，风险最大，要格外小心。

4. 实验结果：真的有用吗？

作者用合成数据（模拟的预测市场数据）和真实数据（Polymarket 的历史数据）做了测试。

结果：这套新系统（RN-JD 模型）在预测短期价格波动方面，比旧方法（只考虑平稳移动或简单的概率模型）要准确得多。
意义：这意味着做市商能更精准地定价，减少亏损，从而愿意提供更低的交易成本，让市场更活跃。

总结：这篇论文到底说了什么？

简单来说，这篇论文就是给预测市场装上了“导航仪”和“安全气囊”。

以前：做市商在迷雾中开车，不知道什么时候会有大坑（新闻跳跃），只能靠猜，导致路不好走（流动性差）。
现在：作者发明了一套**“预测市场版布莱克 - 舒尔斯”**。
- 它承认新闻会导致价格跳跃。
- 它提供了一套通用的语言（波动率、相关性），让做市商能像股票交易员一样报价、对冲、转移风险。
- 它通过数据清洗，让做市商看清路况。

最终目标：让预测市场从“赌徒的游乐场”变成**“机构级的风险管理工具”**，让像 Polymarket 这样的平台能承载更大的资金量，服务更广泛的机构用户（比如保险公司、对冲基金），从而更准确地预测未来。

一句话概括：
“我们要给预测市场一套像股票期权那样成熟的‘风险定价语言’，让做市商不再害怕新闻突发，敢于提供流动性，让市场更聪明、更稳定。”

这篇论文《Toward Black–Scholes for Prediction Markets: A Unified Kernel and Market-Maker's Handbook》（迈向预测市场的布莱克 - 舒尔斯：统一核与做市商手册）旨在解决预测市场（如 Polymarket）缺乏统一随机核（Stochastic Kernel）的问题，从而为做市商提供标准化的定价、对冲和风险管理工具。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

现状： 预测市场将分散的信息聚合为可交易概率（ $p_t \in (0, 1)$ ），类似于期权市场中的资产价格。然而，与拥有成熟“隐含波动率”语言和标准对冲工具的期权市场不同，预测市场缺乏统一的随机模型来描述概率随时间的演化。
痛点：
- 做市商风险： 做市商面临信念风险（Belief Risk，即概率水平的移动）、波动率风险、跳跃风险（新闻冲击）以及跨事件的相关性风险，但缺乏标准化工具进行对冲。
- 机制碎片化： 现有的交易机制（如 LMSR、CP-AMM、订单簿）各自设定价格，但没有共享的随机动力学模型。
- 缺乏衍生品层： 无法像期权市场那样通过方差互换、相关性互换等工具来转移特定的风险。
目标： 构建一个类似于布莱克 - 舒尔斯（Black-Scholes, BS）模型的统一核，使预测市场能够标准化报价、对冲和转移“信念风险”。

2. 核心方法论 (Methodology)

A. 统一核：风险中性对数 - 跳跃扩散模型 (RN Logit Jump-Diffusion)

作者提出将交易概率 $p_t$ 映射到实数域的对数几率（Log-odds） $x_t = \text{logit}(p_t) = \ln(\frac{p_t}{1-p_t})$ ，并在此空间上建立模型：

状态变量： $x_t$ 遵循跳跃扩散过程（Jump-Diffusion）。
随机微分方程 (SDE)：
$dx_t = \mu(t, x_t) dt + \sigma_b(t, x_t) dW_t + \int_{\mathbb{R}} z \tilde{N}(dt, dz)$
其中 $\sigma_b$ 是信念波动率 (Belief Volatility)， $\tilde{N}$ 是补偿泊松随机测度。
风险中性漂移约束 (Martingale Condition)：
由于 $p_t$ 是风险中性测度 $Q$ 下的鞅（Martingale），即 $E^Q[p_T | \mathcal{F}_t] = p_t$ ，这强制约束了 $x_t$ 的漂移项 $\mu(t, x)$ 。通过伊藤公式（Ito's Lemma）推导， $\mu$ 被完全由波动率 $\sigma_b$ 和跳跃测度决定，消除了自由漂移参数。
$\mu(t, x) = -\frac{1}{2}\frac{S''(x)}{S'(x)}\sigma_b^2 - \frac{1}{S'(x)}\int (S(x+z) - S(x) - S'(x)\chi(z)) \nu(dz)$
其中 $S(x)$ 是 Sigmoid 函数（将 $x$ 映射回 $p$ ）。
多事件依赖： 引入布朗运动相关系数 $\rho_{ij}$ 和共跳跃测度（Co-jump measure） $\nu_{ij}$ 来捕捉不同事件间的扩散相关性和同步跳跃。

B. 衍生品层 (Derivative Layer)

基于该核，定义了一系列可交易的衍生品，用于对冲特定风险：

信念方差互换 (Belief Variance Swaps)： 基于对数几率 $x$ 或概率 $p$ 的已实现二次变差。
相关性互换 (Correlation Swaps)： 对冲跨事件的扩散相关性和共跳跃风险。
走廊方差 (Corridor Variance)： 仅在概率处于特定区间（如 $[0.35, 0.65]$ ，即“摇摆区”）时累积方差，针对流动性最毒的区域进行对冲。
首达时间票据 (First-Passage Notes)： 赌概率是否突破某个阈值，用于管理边界附近的缺口风险。

C. 校准流程 (Calibration Pipeline)

为了从市场数据（中价、买卖价差、成交）中提取参数，提出了一套完整的校准管道：

数据过滤： 使用异方差状态空间模型（Heteroskedastic State-Space Filter，如卡尔曼滤波）从微观结构噪声中恢复潜在的 $x_t$ 。
扩散与跳跃分离 (EM 算法)： 使用期望最大化（EM）算法将增量分解为扩散部分和跳跃部分，避免使用简单的阈值法。
风险中性漂移强制： 在平滑过程中，强制应用上述推导的 $\mu(t, x)$ 公式，确保 $p_t$ 是鞅。
曲面构建： 将估计的参数平滑为关于到期时间 $\tau$ 和货币性 $m$ 的“信念波动率曲面” ( $\sigma_b(\tau, m)$ ) 和跳跃层。

D. 做市商手册 (Market-Maker's Handbook)

基于上述模型，为做市商提供了具体的操作指南：

报价策略： 在 $x$ 空间应用 Avellaneda-Stoikov 模型，根据库存和信念波动率计算最优买卖价差。
对冲策略：
- 日历对冲： 利用不同期限的方差互换对冲新闻发布前后的波动率激增。
- 跨事件对冲： 利用 $\beta$ 对冲和相关性互换管理跨事件风险。
风险管理： 定义风险桶（方向性、曲率/新闻、信念 Vega、跨事件），并设置库存上限和止损机制。

3. 实验结果 (Results)

作者在合成数据（符合风险中性路径）和真实事件数据上进行了端到端实验：

任务： 预测未来 60 秒内的对数几率已实现方差（Realized Variance）。
基准模型： 随机游走 (RW-logit)、常数波动率扩散、Wright-Fisher/Jacobi 扩散、AR-GARCH。
表现：
- 提出的 RN-JD 模型 在均方误差 (MSE)、平均绝对误差 (MAE) 和 QLIKE 损失上均显著优于所有基准模型。
- 特别是，RN-JD 模型在捕捉波动率爆发（Volatility Bursts）和跳跃风险方面表现最佳。
- 基准模型（如 Wright-Fisher）在从概率空间映射回对数空间时出现了数值不稳定性，导致巨大的误差。
结论： 强制实施风险中性漂移和分离跳跃层显著提高了短期信念波动率的预测精度。

4. 主要贡献 (Key Contributions)

理论统一： 首次为预测市场提出了一个类似于布莱克 - 舒尔斯的统一随机核（Logit Jump-Diffusion with RN Drift），将概率视为鞅，并显式分离了波动率、跳跃和相关性风险。
衍生品层设计： 定义了针对信念动态的标准化衍生品（方差、相关性、走廊、首达时间），填补了预测市场缺乏对冲工具的空白。
实用校准管道： 提出了一套从微观结构噪声数据中提取“信念波动率曲面”的完整工程方案，包括状态空间滤波、EM 算法和漂移约束。
做市商操作指南： 提供了具体的做市策略、对冲规则和风险管理框架，使机构参与者能够规模化进入该市场。

5. 意义与影响 (Significance)

标准化与流动性： 就像隐含波动率统一了期权市场一样，该模型提供的“信念波动率”语言有望统一预测市场的报价和对冲，降低做市商风险，从而增加流动性和市场深度。
机构化基础： 随着 Polymarket 等平台的交易量激增和 ICE（纽约证券交易所母公司）的战略投资，该研究为机构资本进入预测市场提供了必要的定价和风险管理基础设施。
监管与决策： 标准化的风险转移工具有助于监管机构理解市场风险，同时使预测市场能更有效地服务于组织决策和宏观预测。
核心洞见： “标准化优于完美现实”。该模型不追求完全真实的物理世界模拟，而是追求提供一个协调报价、对冲和资本配置的通用语言。

简而言之，这篇论文试图将预测市场从“赌博场所”转变为成熟的“金融市场”，通过引入类似期权市场的数学框架和工具，解决做市商面临的根本性风险问题。