💰 quantitative finance

ForesightFlow: An Information Leakage Score Framework for Prediction Markets

本文介绍了 ForesightFlow，这是一个用于检测预测市场中知情交易的信息泄露评分框架，并提出了一个以截止时间为锚点的扩展方案，以解决通过对公共事件时间戳和已记录的内幕交易案例进行实证评估所揭示的方法论局限性。

原作者： Maksym Nechepurenko

发布于 2026-05-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Maksym Nechepurenko

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

想象一个全球性的数字广场，人们在这里对未来事件下注：“这位政治家会获胜吗？”“这家公司会推出新产品吗？”“周五之前会爆发战争吗？”这就是预测市场。在这些市场中，下注的价格就像未来的天气预报。如果“是”的价格上涨，就意味着大众认为该事件发生的可能性更大。

本文介绍了一种名为ForesightFlow的新工具，旨在识别这个广场中谁在作弊。

问题：人群中的“内幕人士”

在公平的市场中，所有人同时获知事件信息。但在这些数字市场中，由于匿名性且基于区块链技术运行，拥有秘密信息的人（即“内幕人士”）很容易在新闻公开之前就买入下注。

这就像一场赛马，骑师在赛前就知道某匹马腿断了。他们先购买其他马的彩票，等待比赛开始，然后在热门马匹失蹄时赚取巨额利润。论文指出，近年来，内幕人士在 Polymarket 等平台上通过这种方式赚取了数亿美元。

问题在于，当前捕捉这些作弊者的方法只能在“比赛”结束后才起作用。当我们知道谁作弊时，钱已经没了，而“价格信号”（公众的信念）也已经被扭曲。我们需要一种方法，在作弊者正在下注时就将其识别出来。

解决方案：“泄露分数”

作者构建了一个名为ForesightFlow的系统，充当这些市场的烟雾探测器。该系统的核心是一个名为**信息泄露分数（Information Leakage Score, ILS）**的指标。

以下是其工作原理的类比：
想象一部电影即将上映。

开盘价：当博彩市场开盘时，价格反映了公众此刻所知的信息。
新闻事件：电影预告片正式向全球发布的时刻。
结果：电影真正上映且下注结算的时刻。

信息泄露分数提出了一个简单的问题：“在官方预告片发布之前，价格移动了多少？”

分数为 0：价格直到预告片发布前都保持平稳。这是一个公平的市场；没有人提前获知任何信息。
分数为 1：在预告片甚至发布之前，价格就一路飙升至“获胜”水平。这表明有人提前知晓结果并进行了下注。信息在不应泄露的时候“泄露”了。

“范围”规则：了解分数何时有效

论文非常谨慎地指出，该分数并不适用于每一个下注。作者发现了该分数可靠的三条具体规则：

“意外”规则：该分数仅在事件真正不确定时才有效。如果每个人早已知道答案（例如，开盘价从一开始就是 99% 的“是”），微小的价格变动在数学上看起来很大，但这只是噪音，而非作弊。
“截止日期”与“事件”规则：这是论文中的一个关键发现。
- 事件市场："X 会发生吗？”（例如，“总统会签署法案吗？”）。该分数在此类市场中效果良好。
- 截止日期市场："X 会在周五之前发生吗？”作者发现，大多数著名的作弊案例都发生在这些“截止日期”市场中。原始分数对此无效，因为“新闻”仅仅是时钟走到了尽头。
- 修正方案：作者专门为这些“周五之前会发生吗？”的下注创建了一个新版本的分数（称为Deadline-ILS）。这个新版本将价格与“基准预期”进行比较，而不仅仅是与开盘价比较。
“钱包”检查：仅靠分数是不够的。系统还会检查谁在下注。如果一个刚创建（10 分钟前）且毫无历史的新钱包，在新闻爆发前突然对特定下注投入巨额资金，这就是一个危险信号。如果是一位拥有长期交易历史的老练交易者这样做，那可能只是一个聪明的猜测。

试点研究：他们的发现

作者在真实数据上测试了他们的系统，发现了一些有趣的现象：

“虚假”信号：当他们尝试用简单的猜测来代替“新闻发生的时间”（而不是查找实际文章）时，系统变得混乱，将无辜的市场标记为有罪。这让他们认识到，必须找到新闻爆发的确切时刻，分数才能准确。
“截止日期”缺口：他们意识到，原始工具无法捕捉到最著名的作弊者，因为这些作弊者是在“截止日期”市场中下注的。这迫使他们构建了新的"Deadline-ILS"版本。
“巴拉克”案例：他们观察了一个关于名为巴拉克（Barak）的政治人物的特定市场。即使分数完美，仅凭价格也无法证明这是作弊。他们必须查看钱包和时间，才能意识到价格波动实际上是人们在争论下注规则，而非拥有秘密信息的人。

大局观

论文得出结论，实时捕捉作弊者是可能的，但这需要一个非常具体的工具包：

一个分数：用于衡量价格过早移动了多少。
一种分类法：用于判断下注是“事件”还是“截止日期”（并应用正确的数学方法）。
钱包取证：用于观察下注者是否像内幕人士（新钱包、巨额下注）还是普通人。

作者已发布其代码和已知作弊案例列表（"FFIC 清单”），以便他人使用并改进该系统。他们的目标不仅仅是为了获利而抓捕作弊者，而是为了确保这些预测市场成为公众值得信赖的工具，而不是拥有秘密优势者的游乐场。

以下是论文《ForesightFlow：预测市场的信息泄露评分框架》的详细技术总结。

1. 问题陈述

去中心化预测市场（例如 Polymarket）将分散的私有信息汇聚为价格信号，但在监管灰色地带运行，且参与者具有匿名性。这种环境助长了基于重大非公开信息（MNPI）的知情交易。

差距：现有的检测方法（例如 Mitts & Ofir, 2026）几乎完全是事后的，依赖于已实现的利润和决议结果。它们在知情资金推动价格变动的交易窗口期间，无法提供可操作的信号。
挑战：实时检测需要具有因果性（在决议前可观测）的特征，以及不泄露未来信息的标签。此外，许多内幕交易案例（基于截止日期的合约）的具体结构并不符合标准的事件决议模型。

2. 方法论：ForesightFlow 框架

该论文提出了一种系统，利用信息论、市场微观结构和链上取证相结合的方法，实时检测知情资金流。

A. 信息泄露评分（ILS）

核心创新是信息泄露评分（ILS），这是一种用于已决议二元市场的标量标签生成器。

定义： $ILS(M) = \frac{\Delta_{pre}}{\Delta_{total}} = \frac{p(T_{news}) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$ $I L S (M) = \frac{Δ _{p r e}}{Δ _{t o t a l}} = \frac{p ( T _{n e w s} ) - p ( T _{o p e n} )}{p ( T _{r eso l v e} ) - p ( T _{o p e n} )}$
- $T_{open}$ ：市场创建时间。
- $T_{news}$ ：决议相关事件首次被公开提及的时间戳（通过 UMA 证据 URL、GDELT 或 LLM 辅助搜索恢复）。
- $T_{resolve}$ ：正式决议时间。
- $p(t)$ ："YES"代币的中间价格。
解读：ILS 量化了在公共新闻事件发生之前发生的总价格变动的比例。
- $ILS \approx 1$ ：完美的前瞻性定价（强泄露）。
- $ILS \approx 0$ ：市场仅在公共新闻发布后做出反应。
理论基础：作者将 ILS 与Brier 评分的 Murphy 分解联系起来。高 ILS 表明“决议”分量（判别力）在公共信息集跟上之前就已经前置。

B. 决议类型学与范围条件

作者指出，ILS 仅在严格条件下具有可解释性，从而对市场进行了三类划分：

事件决议：特定可观测事件触发决议（例如选举结果）。ILS 在此有效。
截止日期决议：如果某事件在特定日期前未发生，市场决议为“否”（例如"X 会在周五前发生吗？”）。标准 ILS 在此无效，因为 $T_{news}$ 未定义或微不足道。
无法分类：体育赛事、计数等。

范围条件：为避免虚假信号，仅在下述情况下报告 ILS：
- 边缘效应检查：开盘价不接近共识（ $p_{open} \in [0.1, 0.9]$ ）。
- 平凡决议检查：总价格变动 $|\Delta_{total}| > 0.05$ 。
- 锚点敏感性：ILS 值必须在不同的 $T_{news}$ 锚点规范下保持稳健。

C. 实时特征管道

为了在决议之前检测资金流，系统计算特征向量 $x(M, t)$ ，结合：

改进的微观结构指标：
- 订单不平衡（OI）：买卖量比率。
- VPIN 风格毒性：体积同步的订单流不平衡。
- Kyle's Lambda：单位订单流估计的价格影响。
- 方差比率与双边性：用于诊断持续性漂移与暂时性噪声（改编自 Nechepurenko, 2026a）。
链上钱包特征：
- 钱包新颖度评分：由钱包年龄、参与历史、资金来源集中度以及相对于决议的入场时间组成的综合指标。
类别条件先验：系统重点关注三个高风险类别：军事/地缘政治、企业披露和监管决策。

D. 截止日期-ILS 扩展

试点研究的一个关键发现是，记录在案的内幕案例 predominantly 是截止日期决议的。论文将 ILS 扩展到此领域：

机制：评分不再锚定于新闻事件，而是锚定于源自恒定风险生存模型的贝叶斯基线信念（ $\theta_{T_{open}}$ ）。
公式： $ILS_{dl} = \frac{p(T_{event}^-) - \theta_{T_{open}}}{p(T_{resolve}) - \theta_{T_{open}}}$ 。
这使得检测知情交易者成为可能，这些交易者知道在"X 会在 Y 日期前发生吗？”的合约中事件迫在眉睫。

3. 主要贡献

重新定义：将问题从事后取证转变为实时推断，要求使用因果特征。
ILS 指标：引入了一种基于理论基础的标签生成器，与适当的评分规则（Murphy 分解）相关联。
类型学与范围：定义了严格的操作边界（事件 vs. 截止日期）以防止误报，并经过实证数据验证。
混合架构：结合经典微观结构指标（PIN, VPIN）与独特的链上钱包特征（新颖度、资金集中度）。
FFIC 清单：发布了一个精心策划的验证集，包含8 个记录在案的内幕交易事件（例如伊朗袭击、谷歌年度搜索），并映射到特定的市场 ID。
截止日期扩展：正式化了该框架向截止日期合约的扩展，解决了现有文献中的结构性差距。

4. 结果与实证发现

该论文报告了针对 725 个事件决议市场的试点实证研究，以及对 FFIC 清单的验证审计。

负面试点发现：
- 使用决议锚定代理（ $T_{resolve} - 24h$ ）作为 $T_{news}$ 未能将知情市场与对照组区分开来。
- 原因：代理在结构上存在错位。对于事件决议市场，实际新闻往往比决议提前数天，使得“新闻前”窗口实际上变成了“新闻后”。
- 锚点敏感性：ILS 值对时间锚点的选择高度敏感，未能通过稳健性检查。
案例研究（Barak 市场）：
- 对"Ehud Barak"市场的深入分析显示，虽然基于代理的 ILS 较高（0.55），但使用文章衍生的时间戳（实际新闻发布）使 ILS 略有变化，并揭示了“早期”交易实际上是对公共新闻的反应或决议标准套利，而非内幕信息。
- 结论：仅靠 ILS 是不够的；必须结合钱包级特征（例如识别专业钱包与新钱包）和严格的范围检查。
结构审计：
- 对 FFIC 清单的审计显示，100% 的记录在案内幕案例均为截止日期决议，超出了原始 ILS 的范围。
- 这 necessitated（需要）进行截止日期-ILS 扩展（第 7 节），以使该框架适用于现实世界的内幕交易模式。

5. 意义与未来工作

公共产品：提供了首个透明、可复制的去中心化预测市场实时监控工具，解决了“权威悖论”（即市场获得社会信誉的同时，其微观结构尚不成熟）。
方法论桥梁：连接了适当评分规则（预测准确性）文献与区块链取证（知情交易检测）文献。
开源：作者发布了**ForesightFlow 内幕案例（FFIC）**清单、911,237 个市场的完整决议类型学以及所有系统代码。
下一步：
- 在 2026 年美国 - 伊朗冲突集群上对截止日期-ILS进行全面实证评估（在配套论文中报告）。
- 在 refined（优化）的、扩展了截止日期的数据集上训练检测器模型。
- 解决基础设施限制（例如，针对十亿美元级市场的 The Graph 索引器故障）。

结论：ForesightFlow 确立了预测市场中的知情交易是可以实时检测的，但前提是方法论必须考虑特定的合约类型学（截止日期 vs. 事件），使用稳健的新闻时间戳，并将链上钱包行为与微观结构信号相结合。该框架将该领域从回顾性的“谁是凶手”分析转变为主动的市场完整性监控。