預測市場基礎：利用 AI 在微觀層面上建立預測市場

原文标題：The prediction market primitive

原文作者：Hiroki Kotebe

原文來源：medium

編譯：Inception Capital

tl’dr

人們一直期待預測市場早晚會起飛，而持續改進的使用者體驗為此奠定了基礎。
但要擴充到數十億使用者，我們需要“新的東西”，超越持續的使用者體驗改進，那就是将 AI 作為機器的關鍵和核心。
一個由内容創作者、活動推薦者、流動性配置設定者和資訊聚合者組成的 AI 四重奏可以在這一領域引發大規模的新活動。
将這些 AI 內建到目前的預測市場架構中，可以實作微觀尺度上的預測市場，使其具有個人吸引力和相關性。
預測市場的原始形态為類似Tinder的預測市場應用鋪平了道路，将預測交易體驗嵌入到我們日常的數字存在中。

每一個決定都始于一個預測。想想比特币的潛力:"現在購買比特币,到年底是否會使投資翻倍?如果"是"的前景被認為比"否"更有可能,那麼在沒有更好的選擇的情況下,決定購買比特币就是經濟上理性的。

但為什麼隻局限于比特币呢？想象一下，我們可以建構以各種事件預測為基礎的市場，比如誰将成為下一任美國總統，或者哪個國家将赢得世界杯。在這裡，交易的不是資産，而是預測本身。

預測塑造市場，市場驗證我們的預測。

預測市場被Vitalik 稱為“認知技術的聖杯”。

Vitalik 擅長比其他人更早地洞察到大機會，是以他是一個很好的前沿叙事的資訊源。他在七年前的一篇博文中提出了以太坊上的 AMM（Automated Market Maker）的想法。然後一個叫 Hayden Adams 的人響應了這一呼籲，并開始建構它，獲得了6萬美元的資助。兩年後，Uniswap 誕生了。

如果 Vitalik 的博文能夠引發創造 1000 億美元以上的産業，那我們可能應該關注他的觀點。例如，Vitalik 在 2014 年就對在治理中使用預測市場感到興奮——一種被稱為“未來政治”的激進治理形式——現在我們看到Meta DAO正在實施這一理念，大型風險投資公司如Pantera也參與其中。

但我們想要關注的是他最近關于預測市場和 AI 的讨論，因為我們開始看到一些重大的事情的雛形。

預測市場已經做好起飛的準備

目前市場領先的預測市場是Polymarket，這要歸功于其持續改進的使用者體驗，以及對事件類别和事件供給的擴充。

資料來源：Dune

最近的交易量創下了曆史新高，并且随着今年11月的美國總統選舉（Polymarket的使用者主要集中在美國），很可能會進一步增加。

有其他迹象表明，預測市場今年可能會起飛。除了2024年加密市場創下曆史新高，今年還是曆史上選舉最多的一年。包括美國、印度、俄羅斯、墨西哥、巴西、孟加拉國、印度尼西亞和巴基斯坦在内的世界十個人口最多的國家将進行選舉。此外，2024年夏季奧運會即将在巴黎舉行。

但考慮到每月的交易量仍然隻有數千萬美元，而它本可能達到數億美元，讓我們考慮一下目前預測市場的一些局限性：

對事件建立的中心化控制
對社群内容創作者缺乏激勵機制
個性化不足
主要集中在美國，忽視了巨大的國際機會

但我們需要“新的東西”

我們相信這個東西就是 AI 。

人類需要 AI 作為遊戲中的參與者。我們預計，很快會看到 AI （機器人）與人類代理商一起參與預測市場。我們已經可以在 Omen 和 PredX 等平台上看到這方面的示範，而可能還有其他許多平台即将進入這個領域。稍後會詳細介紹。

AI 需要 AI 作為遊戲的仲裁者。盡管相對較少，但在預測市場中，争議解決很重要且必要。例如，在總統選舉中，結果可能非常接近，會出現選舉舞弊的指控。是以，盡管預測市場可能以支援候選人 A 結束，但官方選舉委員會可能宣布候選人 B 為勝利者。支援候選人 A 的下注者會聲稱存在舞弊行為而反對結果，而支援候選人 B 的下注者會辯稱選舉委員會的裁決反映了"真實"結果。這之間可能會牽涉大量資金，誰是對的?

回答這個問題面臨着幾個挑戰：

玩家可能不信任人類仲裁者，因為他們有偏見
人類仲裁可能會很慢且昂貴
基于DAO的預測解決方案容易受到女巫攻擊

為解決這一問題，預測市場可以使用類似Kleros的多輪争議解決系統，隻不過是使用AI而非人類來解決早期階段的争議，而人類則隻會在極少數情況下參與最終無法解決的争議仲裁。玩家可以相信AI是公正的，因為制造足夠多的訓練資料來影響AI是不可行的。此外,AI裁判工作速度更快、成本也更低。xMarkets正在朝這個方向努力。

AI 可以激發欲望

要真正讓預測市場起飛，它們需要能夠引起足夠的興趣，使人們克服心理障礙，真正開始交易預測資産。對于像誰将赢得總統選舉或超級碗這樣許多人關心的話題，可能并不需要太多努力。但是，僅包括這種話題嚴重限制了潛在的流動性。理想情況下，一個預測市場應該能夠吸引特定閱聽人高度感興趣的特定事件的流動性，這就像定向廣告一樣，我們都知道定向廣告是有效的。

為了實作這一目标，預測市場需要解決四大挑戰：

事件供應：高度相關的事件供應至關重要。為了吸引小衆但忠誠的閱聽人，事件建立者必須深入了解他們社群的興趣，以推動參與和交易量的增加。
事件需求：需求在特定的目标社群内需要很高，考慮到他們的使用者數和心理。
事件流動性：在目标社群記憶體在足夠的觀點多樣性和動态，以推動足夠的流動性，吸引雙方參與并将滑點降到最低。
資訊聚合：玩家應該可以輕松擷取足夠的資訊，使他們有信心進行下注。這可能包括背景分析、相關曆史資料和專家意見。

現在，讓我們看看 AI 如何應對這些挑戰：

内容創作者 AI：内容創作者 AI （"copilots"）可以協助建立超出人類能力或動機的内容。通過分析新聞、社交媒體和金融資料的趨勢， AI 提供及時和相關的事件主題。無論是人類還是AI内容創作者，隻要創造了吸引人的内容讓社群保持活力，就會得到回報。社群回報會增強AI對社群的了解，使其成為一個不斷完善的内容創作引擎，将内容創作者和閱聽人聯系起來。
事件推薦 AI ：事件推薦 AI 根據使用者的興趣、交易曆史和特定需求為其量身定制事件推薦，重點推薦有争議和交易機會的事件。它會根據使用者在不同地區、文化背景和時間上的行為進行調整。最終目标是提供高度定向的事件推薦，擺脫當今預測市場平台上充斥着與個人無關的内容幹擾。
流動性配置設定器 AI ：流動性配置設定器 AI 通過優化流動性注入來處理交易對手的流動性風險，以縮小買賣價差。為了最小化風險， AI 可以采用對低流動性預測市場風險最小化專門設計的對數市場評分規則（LMSR）AMM模型。它們還可以結合強化學習代理，動态調整流動性深度、協定費用和債券曲線，進一步降低風險。這些 AI 從一個通用的流動性提供者池中管理事件流動性，通過累積的費用收入或平台代币獎勵貢獻，作為進一步的激勵。總體而言，這意味着對市場變化的預先适應，減少滑點和更好的價格穩定性。
資訊聚合 AI：這些 AI 利用各種名額（例如鍊上資料、曆史資料、新聞、情緒名額）來全面了解事件。基于此，資訊聚合 AI 可以提供全面的預測，将預測市場轉變為明智決策和超額收益的首選來源。項目可以選擇通過代币化來限制對資訊聚合 AI 所獲得洞察力的通路，因為在預測市場中，知識等于金錢。

現在，讓我們來看看當你将這些組合在一起時會是什麼樣子。下面，您可以看到沒有 AI 的預測市場的主要組成部分和運作方式（黑色），以及有 AI 的預測市場的主要組成部分和運作方式（藍色）。

在非 AI 模型中，内容創作者（通常是平台本身）随意建立事件，提供流動性（最初由其資金庫補貼），将事件儲存到事件資料庫，并批量推廣給人類玩家。這就是Polymarket目前的運作方式，而且效果相當不錯。

但是，我認為它可以變得更好。

在 AI 模型中，内容創作者的協作 AI （copilot AIs）支援内容創作者在定向的一般或利基社群内建立和推廣事件。流動性提供由流動性配置設定器 AI 支援，它通過學習玩家訂單簿并使用來自預言機和其他資料供應商的外部資料，随着時間的推移優化流動性注入。事件推薦 AI 使用事件資料庫中的存儲事件和錢包交易曆史，根據個人興趣優化事件推薦。最後，資訊聚合 AI 從資料供應商那裡收集資訊，為人類玩家提供教育和背景資訊，并向 AI 玩家提供關于他們的預測決策的資訊。最終目标是打造一個精細調整的預測市場系統，使預測市場能夠在微觀層面上運作。

在這種規模下的預測市場将帶來一種不同的使用者體驗，更像是 Tinder 或 TikTok。由于事件是高度定向的，它們可以像 TikTok 那樣通過一個動态流(feed)呈現給您，而且即使在當今的錢包和區塊鍊技術下，玩家也可以像 Tinder 那樣通過左滑或右滑來下注。想象一下，人們在通勤上班或上學的時候，對他們個人關心的事件進行微型投注。

增強資訊彙總能力

最難預測的結果之一是資産價格，是以讓我們把重點放在這裡，看看在預測市場的可能邊緣上， AI 的表現如何。

在學術界，利用 AI 預測資産價格的研究正在積極探索中。線性模型、随機森林和支援向量機等機器學習技術已經被證明在預測加密貨币價格時比人類評判者具有更高的準确性。這些模型發現，像谷歌搜尋強度這樣的行為名額可以解釋價格的變化。

IBM研究探索了人工預測市場在商品價格預測方面的應用，并提供了一個有說服力的案例研究，展示了将 AI 與預測市場相結合的潛力。他們的研究突出了人工預測市場整合多樣化和不斷演化的實時資訊來源，以在複雜的現實世界問題中做出更好的預測，例如預測非線上交易所上交易的波動性商品（例如乙烯、烴類）。之是以在這裡， AI 代理能夠勝過标準機器學習模型，是因為它們可以通過自我學習來逐漸提升預測能力。

另一項研究比較了随機森林回歸和LSTM在預測比特币次日價格方面的表現，結果顯示前者在預測誤差較小方面表現更好。它還展示了 AI 在資訊聚合廣度上的強大能力，遠遠超出了普通人的能力，可以對包括（a）比特币價格變量；（b）比特币的技術名額；（c）其他代币價格；（d）大宗商品；（e）市場指數；（f）外彙；（g）公衆關注度；以及（h）一周内的虛拟變量在内的47個變量進行模組化。最重要的預測因子随時間而變化，從2015年至2018年的美國股市指數、油價和以太坊價格，到2018年至2022年的以太坊價格和日本股市指數。研究還發現，在預測比特币次日價格時，随機森林回歸模型在一天的延遲下表現最佳。

我們可以推斷，在一些熱門的預測市場中，對于一個忙碌的人來說，聚合、分析和解釋大量資料以做出良好的預測所需的時間實在太少。或者，問題本身就過于複雜。但是 AI 可以做到這一點。

AI代币推薦

Pond正在建構一個基于加密貨币的去中心化基礎模型，該模型已應用于基于鍊上行為生成的 AI 代币推薦。目前，他們使用大規模圖神經網絡（GNN）利用鍊上行為資料來估計各種代币的Alpha機率。GNN是一類專門設計用于處理圖形表示的資料的 AI 模型，是以在資料之間存在關系結構時(如區塊鍊的點對點交易網絡)它們就非常有用。Dither是另一個代币推薦 AI ，它通過一個代币門控的Telegram警報機器人采用時間序列模組化方法進行代币推薦。

解決市場過于薄弱的問題

預測市場面臨的主要挑戰之一是市場過于薄弱，無法吸引足夠的參與者和成交量。但是，2010年代和2020年代的預測市場之間存在一個重大差別，即 AI 普遍參與的可能性。正如Vitalik指出的那樣：

此外，可以改進預測市場底層的自動化做市商（AMM）模型。例如，在對Polymarket上的200多萬筆交易進行分析時，發現使用傳統的常量乘積AMM（x*y=k）在收斂的預測市場中存在流動性供應問題，包括：

收斂和流動性移除。随着預測市場的收斂（即結果變得更加确定），流動性提供者會有動機撤出他們的流動性。這是合理的行為，因為持有“虧損”的代币的風險增加。例如，在趨向于“是”的市場中，“否”的代币變得不那麼有價值（即無常損失），這對于流動性提供者來說是一種風險，如果他們不提前出售，可能最終得到一些毫無價值的代币。
偏差和不準确性。流動性的減少可能導緻預測市場收斂時更少的準确性和更多的偏差。具體來說，在0.2到0.8的成交量權重價格範圍内，“否”的代币經常被低估，而“是”的代币經常被高估。

Source: Kapp-Schwoerer (2023)

為了解決這些問題，作者提出了一種“平滑流動性做市商”（SLMM）模型，并證明它可以增加收斂預測市場的交易量和準确性。它通過引入一個集中函數（類似于Uniswap v3）到模型中來實作這一點，在該函數中，流動性提供者提供的流動性僅在特定價格區間内有效。結果是降低了風險敞口，確定流動性提供者持有的有價值代币數量（例如在市場收斂到“是”結果的市場中的“是”代币）在價格調整時不會收斂到零，與常量乘積AMM不同。

LP-交易者權衡

在選擇像SLMM這樣的集中流動性AMM變體用于收斂的預測市場時，必須達到一種平衡。雖然你試圖降低流動性提供者的風險，但也會減少一些交易活動的動力。

具體而言，集中流動性可以降低在市場收斂到确定結果時流動性提供者損失的可能性（從

而減少提前撤資），但它也可能由于增加的滑點而減少利用小的價格變動（例如從0.70美元漲至0.75美元）進行交易獲利的機會，特别是對于大額訂單。直接的結果是交易者的潛在利潤空間被擠壓。例如，如果他們預期價格從0.70美元上漲至0.75美元，滑點可能限制他們能夠有效利用的資金來捕捉預期的上漲。展望未來，在這些做市商公式中試驗各種權衡項的調整将非常重要，以找到最佳平衡點。

結論

預測市場是一種強大的基礎設施。當然，像任何其他加密基礎設施一樣，它面臨着挑戰，但我們有信心這些挑戰将被克服。随着逐漸解決這些挑戰，我們可以預期在各種數字環境中重複使用這個基礎設施來回答各種問題。随着目标定位和流動性解決方案的進步，我們可以期待特定領域的預測市場的發展。例如，以X（原Twitter）使用者為例：

X是否會在年底之前推出Premium++或等效産品？
X是否會在第三季度向所有使用者提供編輯推文功能？
X是否會在下一個季度報告中報告日活躍使用者的增加？
X的廣告收入是否會在下一個季度增加或減少？
X是否會在年底之前宣布與内容創作者的新重大合作夥伴關系？
X是否會在第三季度釋出與區塊鍊或加密貨币相關的功能？

有趣的是，這些問題不需要局限于獨立的預測市場網站。它們可以通過浏覽器擴充直接內建到X或其他平台中。我們可能會經常在日常的線上體驗中看到微型預測市場的出現，為普通的浏覽體驗增添了投機交易的機會。

上面的問題中，有些是我寫的，有些是内容生成AI寫的。如果很難分辨出來，那是因為ChatGPT的内容生成AI已經非常出色。其他大型科技公司建構的資訊聚合AI和推薦引擎也是如此（看看Google和Instagram向您展示的廣告）。雖然要達到這些模型的性能需要工作和時間，但它們證明了這些AI類别的可行性。缺乏先例的主要開放性問題更多地涉及流動性配置設定器AI、AI參與者以及AI的自我改進和目标導向性的發展 - 從基本機器學習到可驗證的AI代理的演變。

如果您在這些領域進行開發，或者這篇文章與您産生共鳴，請随時聯系我們！