دليل صناعة السوق في بولي ماركت: صيغة توزيع الأسعار

العنوان الأصلي: نحو نموذج بلاك-شولز لأسواق التنبؤ: دليل موحد لصانع السوق ونواة النظام

المصدر الأصلي: أبحاث ديدالوس

الترجمة والتعليق: MrRyanChi, insiders.bot

في اليوم الأول من إنشاء @insidersdotbot، سألني أحد المستخدمين عما إذا كان من الممكن توفير السيولة من خلال منتجنا. مع إطلاق شركة بولي ماركت لبرنامج حوافز توفير السيولة، أصبحت المناقشات حول توفير السيولة شائعة بشكل متزايد في مختلف المجموعات.

ومع ذلك، ومثل المراجحة، فإن توفير السيولة هو تخصص يتطلب رياضيات دقيقة لمناقشته، وليس مجرد مسألة بسيطة تتمثل في وضع أوامر على كلا الجانبين لكسب المال من خلال توفير السيولة. لقد حقق صانعو سوق العقود المشفرة التقليديون ثروة طائلة بالفعل، بينما لا يزال صانعو سوق التنبؤات في المراحل المبكرة، مع وجود مجال كبير للربح.

بالمصادفة، منذ وقت ليس ببعيد، وبناءً على توصية من أحد كبار خبراء التحليل الكمي، اطلعت على ورقة بحثية أكاديمية من تأليف @0x_Shaw_dalen لصالح @DaedalusRsch، والتي شرحت بالتفصيل منطق استراتيجية توفير السيولة في Polymarket وكيفية تنفيذ هذه الاستراتيجيات على وجه التحديد.

هذه المقالة الأصلية أكثر تقنية بمئة مرة من المقالة السابقة، لذلك خضعت لإعادة كتابة وبحث وتحليل مكثفة، بهدف تزويد الجميع بفهم شامل لتوفير السيولة في سوق التنبؤ دون الحاجة إلى مراجع إضافية.

للاطلاع على المقال السابق، يرجى الرجوع إلى "دليل المراجحة في الأسواق المتعددة: تكمن الفجوة الحقيقية في البنية التحتية الرياضية.

سواء كان هدفك هو أن تصبح الحوت الرئيسي التالي في سوق التنبؤات أو تحقيق نتائج كبيرة من خلال عمليات الإنزال الجوي وحوافز السيولة، فأنت بحاجة إلى فهم شامل لتكتيكات توفير السيولة على مستوى المؤسسات، وهذا بالضبط ما يمكن أن تقدمه لك هذه المقالة.

مقدمة

قبل أن نبدأ، اسمحوا لي أن أطرح عليكم سؤالين.

الأول: أنت توفر السيولة على منصة Polymarket، ويبلغ سعر عقد "فوز ترامب في الانتخابات" حاليًا 0.52 دولارًا. لقد قمت بوضع أمر شراء بسعر 0.51 دولار وأمر بيع بسعر 0.53 دولار. فجأة، نشرت شبكة سي إن إن خبراً هاماً. إلى أي مدى يجب تعديل هامش الربح؟ 0.02 دولار؟ 0.05 دولار؟ 0.10 دولار؟

أنت لا تعلم. لا أحد يعلم. لأنه لا توجد صيغة تخبرك "بكم نقطة أساس من الانتشار الذي تستحقه هذه القطعة من الأخبار".

ثانية: أنت تقوم بصناعة السوق في أسواق "فوز ترامب في بنسلفانيا"، و"فوز الحزب الجمهوري في مجلس الشيوخ"، و"فوز ترامب في ميشيغان" في وقت واحد. في ليلة الانتخابات، يتم الإعلان عن نتائج أول ولاية رئيسية. تشهد الأسواق الثلاثة تقلبات شديدة في نفس الوقت. تخسر محفظتك الاستثمارية بالكامل 40% في 3 دقائق.

عند تحليل الأمور بأثر رجعي، تدرك أن المشكلة لم تكن سوء تقدير للاتجاه، بل حقيقة أنك لم تكن تملك أداة لقياس حجم مخاطر "التحرك المتزامن في هذه الأسواق الثلاثة".

تم حل هاتين المشكلتين في سوق الخيارات التقليدية في عام 1973.

في عام 1973، منحت صيغة بلاك-شولز الجميع لغة مشتركة. كان صناع السوق يعرفون كيفية تسعير فروق الأسعار (التقلب الضمني). كان المتداولون يعرفون كيفية التحوط من المخاطر المترابطة للمراكز المتعددة (الأحرف اليونانية والارتباطات). لقد تم بناء النظام البيئي للمشتقات بأكمله، بدءًا من مقايضات التباين وحتى مؤشر VIX ومقايضات الارتباط، على هذا الأساس.

أتيحت لي الفرصة لمشاهدة حكمة مخترعي نموذج BS في هونغ كونغ في وقت سابق

لكن ماذا عن أسواق التنبؤ لعام 2025؟ يقوم صناع السوق بتعديل فروق الأسعار بناءً على الحدس. يعتمد المتداولون على حدسهم لتقييم التقلبات. لا أحد يستطيع أن يجيب بدقة على سؤال "ما هو مدى تقلب معتقدات هذا السوق؟"

إن سوق التنبؤات الحالي يشبه سوق الخيارات قبل عام 1973.

وهذه ليست مجرد مشكلة نظرية، بل مشكلة مالية حقيقية.

يمتلك سوق بوليماركت الآن نظام حوافز كامل لصناع السوق [ 15 ][ 16 ]، مع استخدام أكثر من 10 ملايين دولار من أموال الحوافز في صناعة السوق. لكن المشكلة تكمن في: إذا لم يكن لديك نموذج تسعير، فكيف تعرف مدى ضيق هامش الربح المطلوب؟

إذا كان الفارق واسعًا جدًا، فلن تحصل على مكافأة (لأن الآخرين أكثر حرصًا منك).

إذا كان الفارق ضيقًا جدًا، فسوف يسبقك المطلعون على بواطن الأمور.

بدون نموذج، ستكون مثل رجل أعمى يلمس فيلًا - قد يكسبك الحظ بعض المكافأة، وقد يقضي سوء الحظ على رأس مالك.

لم يكن ذلك إلا عندما قرأت ورقة شو [1].

ما فعله ذلك، بشكل أساسي، هو: أنه كتب نموذج بلاك-شولز كاملاً لسوق التنبؤ. ليس مجرد صيغة تسعير جديدة، بل بنية تحتية كاملة لصنع السوق: من التسعير إلى التحوط، ومن إدارة المخزون إلى المشتقات، ومن المعايرة إلى إدارة المخاطر.

بصفتي متداولًا في Polymarket ومؤسس منصة التداول @insidersdotbot، فقد أجريت محادثات متعمقة على مدار العام الماضي مع العديد من فرق صناع السوق والصناديق الكمية ومطوري البنية التحتية للتداول. أستطيع أن أخبركم: إن ما تتناوله هذه الورقة هو بالضبط السؤال الذي يطرحه الجميع ولكن لا أحد يستطيع الإجابة عليه.

إذا كنت لا تعرف ما هو نموذج بلاك-شولز، فلا تقلق، فهذه المقالة ستشرحه من الصفر، ولن تحتاج إلى فهم أساسي كبير لصناعة السوق.

إذا فعلت ذلك، فستكون أكثر حماسًا لأنك ستدرك ما يعنيه هذا: التقلب الضمني، ومؤشرات اليونانيين، ومقايضات التباين، والتحوط بالارتباط - جميع أدوات سوق الخيارات التقليدية على وشك دخول سوق التنبؤ.

بعد قراءة هذه المقالة، سيكون لديك إطار عمل كامل لتسعير صناعة السوق والذي سيرفعك من "تسعير الفروقات من رأسك" إلى "تسعير الفروقات باستخدام الصيغ".

الفصل الأول: المحطة الأولى لتسعير التقلبات - نموذج بلاك-شولز

قبل مناقشة أسواق التنبؤ كعقود أحداث/خيارات ثنائية، علينا أولاً أن نفهم شيئاً واحداً: ماذا فعل بلاك-شولز في الواقع؟ ولماذا هو مهم للغاية؟

قبل عام 1973: الخيارات = المقامرة

قبل عام 1973، كان تداول الخيارات يتم بشكل أساسي على النحو التالي:

أنت تعتقد أن أسهم شركة أبل سترتفع، لذلك تريد شراء الحق في "شراء أسهم أبل بسعر 150 دولارًا في غضون شهر واحد" (خيار الشراء).

السؤال هو: كم تبلغ قيمة هذا الحق؟

لم يكن أحد يعلم.

يقول البائع: "10 دولارات". يقول المشتري: "غالي جداً، 5 دولارات". واستقر السعر في النهاية عند 7.50 دولار.

كان ذلك هو تسعير الخيارات قبل عام 1973 - المساومة. لا توجد صيغة، ولا نموذج، ولا مفهوم "للسعر الصحيح". كان الجميع يخمنون.

جوهر الخيار هو: استخدام مبلغ صغير من المال لشراء فرصة "إذا خمنت بشكل صحيح".

أهم ما يميز نموذج بلاك-شولز

في عام 1973، نشر فيشر بلاك ومايرون سكولز ورقة بحثية [2]، طرحا فيها فكرة تبدو بسيطة:

يعتمد سعر الخيار فقط على شيء واحد لا تعرفه - وهو التقلب.

الأمر لا يعتمد على ما إذا كان السهم سيرتفع أو ينخفض ​​(الاتجاه). الأمر لا يعتمد على مقدار الارتفاع الذي تتوقعه (العائد المتوقع). الأمر يعتمد فقط على مدى تقلب الأسعار.

لماذا؟ لأنهم أثبتوا شيئاً واحداً: إذا كنت تمتلك خيارًا، فيمكنك "تكرار" عائد هذا الخيار من خلال شراء وبيع الأسهم الأساسية بشكل مستمر. تعتمد تكلفة عملية النسخ هذه فقط على التقلبات.

يمكننا فهم هذا من خلال رياضيات المرحلة المتوسطة:

تخيل أنك تلعب لعبة عملات معدنية. تربح دولارًا واحدًا عند ظهور الصورة وتخسر ​​دولارًا واحدًا عند ظهور الكتابة. شخص ما يبيع لك "تأميناً": إذا كانت النتيجة النهائية خسارة، فستغطي شركة التأمين خسائرك. كم تبلغ قيمة هذا التأمين؟

لا يكمن المفتاح فيما إذا كانت عملية رمي العملة "عادلة" (أي ما إذا كان احتمال ظهور الصورة 50٪). يكمن المفتاح في مدى اتساع التذبذب مع كل انقلاب.

إذا كانت كل عملية تقليب تكلفتها ±1 دولار، فإن التأمين سيكون رخيصاً. إذا كانت كل عملية بيع بسعر ±100 دولار، فإن التأمين سيكون مكلفًا للغاية.

كلما زاد التقلب ← زادت تكلفة التأمين ← زادت تكلفة الخيار. الأمر بهذه البساطة.

ما فعله بلاك-شولز هو تحويل هذا الحدس إلى صيغة دقيقة.

لماذا أدى ذلك إلى تغيير نموذج صناعة السوق؟

قبل بلاك-شولز: كانت الخيارات هي المقامرة. قام المتداولون بتسعير المنتجات بناءً على الحدس، دون وجود لغة مشتركة.

أرست نظرية بلاك-شولز إجماعاً كاملاً على الخيارات:

وُلدت لغة مشتركة. بدأ الجميع في استخدام مصطلح "التقلب الضمني" في الاقتباسات. لم تعد تقول "هذا الخيار يساوي 7.50 دولارًا"، بل تقول "التقلب الضمني لهذا الخيار هو 25٪". كان الأمر كما لو أن الجميع بدأوا فجأة يتحدثون نفس اللغة.

تم تحليل المخاطر . تم تقسيم مخاطر الخيارات إلى عدة "أبعاد" مستقلة - دلتا (مخاطر الاتجاه)، جاما (مخاطر التسارع)، فيجا (مخاطر التقلب)، ثيتا (تآكل الوقت). هؤلاء يُطلق عليهم اسم اليونانيين. يستطيع صناع السوق التحوط بدقة من مخاطر كل بُعد.

ظهرت المشتقات. باستخدام لغة مشتركة، يمكنك بناء منتجات جديدة عليها. مقايضات التباين (المراهنة على حجم التقلبات)، مقايضات الارتباط (المراهنة على الارتباط بين أصلين)، مؤشر VIX ("مؤشر الخوف") - كل هذه هي "أحفاد" نموذج بلاك-شولز.

تم تأسيس بورصة شيكاغو للخيارات (CBOE). تأسست بورصة خيارات مجلس شيكاغو في عام 1973 - وهو نفس العام الذي صدرت فيه ورقة بلاك-شولز. لم يكن هذا من قبيل الصدفة. باستخدام صيغة التسعير، يمكن تداول الخيارات بشكل موحد [3].

وبعبارة أخرى، حوّل نموذج بلاك-شولز الخيارات من "مقامرة" إلى "هندسة مالية". إنها ليست مجرد صيغة - إنها نقطة انطلاق لبنية تحتية كاملة.

مقارنة حوالي عام 1973

أما الآن، فإن صناعة السوق والتنبؤ بالسوق لا تزال في حقبة ما قبل عام 1973

في عام 2025، تجاوز حجم التداول الشهري لأسواق التنبؤ 13 مليار دولار [9]. استثمرت شركة ICE، الشركة الأم لبورصة نيويورك، ملياري دولار في شركة Polymarket، مما رفع قيمتها إلى 8 مليارات دولار [7]. تستحوذ شركتا كالشي وبوليماركت معًا على 97.5% من حصة السوق.

لكن -

كيف يحدد صناع السوق فروق الأسعار؟ بالحدس.

كيف يحدد المتداولون ما إذا كان تقلب العقد "مكلفًا" أم "رخيصًا"؟ عن طريق الإحساس.

كيف يمكنك التحوط من الارتباط بين سوقين مترابطين؟ لا توجد أدوات قياسية.

عند حدوث تأثير إخباري، كيف ينبغي تعديل هامش الربح؟ لكل شخص طريقته الخاصة غير الرسمية.

هذا هو سوق الخيارات قبل عام 1973.

والهدف من نموذج هذه المقالة هو: كتابة نموذج بلاك-شولز لصانع سوق التنبؤ.

الفصل الثاني: تحويل لوجيت - جعل نموذج بلاك-شولز مناسبًا لأسواق التنبؤ

السؤال الأول: ما الفرق بين أسواق التنبؤ وأسواق الأسهم؟

نظرياً، يمكن أن تتراوح أسعار الأسهم من صفر دولار إلى ما لا نهاية. قد يرتفع سعر منتجات آبل من 150 دولارًا إلى 1500 دولار، أو قد ينخفض ​​إلى 0 دولار.

من ناحية أخرى، تتراوح أسعار عقود سوق التنبؤ دائمًا بين 0 دولار و1 دولار.

يمثل سعر عقد "فوز ترامب بالانتخابات" (نعم) اعتقاد السوق باحتمالية وقوع الحدث. فسعر 0.60 دولار يعني أن السوق يعتقد أن هناك احتمالاً بنسبة 60% لحدوث ذلك.

على الرغم من أن هذا الفرق قد يبدو ضئيلاً، إلا أنه يطرح مشكلة رياضية هامة:

لا يمكنك تطبيق نموذج بلاك-شولز بشكل مباشر.

لماذا؟ لأن نموذج بلاك-شولز يفترض أن الأسعار يمكن أن تتحرك بحرية على طول الخط الحقيقي بأكمله (من الناحية الفنية، النصف الموجب من الخط). لكن الاحتمالات "محصورة" بين 0 و 1. عندما تقترب الاحتمالية من 0 أو 1، يصبح سلوكها غريبًا للغاية - فهي تتغير ببطء وتصبح أكثر "التصاقًا" عند الحدود.

على سبيل المثال، تخيل أنك تركض في ممر. في منتصف الممر، يمكنك الركض بحرية. لكن كلما اقتربت من الجدران، عليك أن تبطئ سرعتك، وإلا ستصطدم بالجدار. تتصرف الاحتمالات بشكل مشابه - فكلما اقتربت من 0 أو 1، كلما كان من الصعب "التحرك". الانتقال من 0.50 دولار إلى 0.55 دولار أمر سهل (مجرد خبر)، لكن الانتقال من 0.95 دولار إلى 1.00 دولار أمر صعب للغاية (يتطلب أدلة شبه مؤكدة).

حل: تحويل لوجيت - تحويل الممر إلى ملعب

الخطوة الرئيسية الأولى في البحث: لا تقم بنمذجة الاحتمالية p بشكل مباشر؛ بدلاً من ذلك، قم بنمذجة تحويلها اللوجستي.

ما هو اللوجيت؟

x = log(p / (1-p))

هذا يحول الاحتمال p إلى "لوغاريتم الاحتمالات". دعونا نلقي نظرة على بعض الأمثلة:

p = 0.50 (خمسون-خمسون) → x = log(1) = 0

• احتمال كبير (p = 0.80) ← x = log(4) = 1.39

· p = 0.95 (مؤكد تقريبًا) → x = log(19) = 2.94

· p = 0.99 (مؤكد للغاية) → x = log(99) = 4.60

• p = 0.01 (شبه مستحيل) → x = -4.60

يتم تعيين الفترة المحدودة للاحتمالات من 0 إلى 1 على خط الأعداد الحقيقية بأكمله من -∞ إلى +∞.

لقد تحول الممر إلى ملعب. لقد اختفت "صلابة" الاحتمالية بالقرب من 0 و1. الآن يمكنك استخدام جميع الأدوات الرياضية التقليدية على x.

ربما تكون قد صادفت تحويل لوجيت من قبل: إنه معكوس دالة سيجمويد في التعلم الآلي. تقوم دالة سيجمويد بضغط أي رقم إلى ما بين 0 و 1 (تستخدم للتنبؤ بالاحتمالات). تقوم دالة اللوجيت بالعكس: فهي "توسع" الاحتمالات بين 0 و 1 على خط الأعداد الحقيقية بأكمله.

لماذا نفعل هذا؟ لأن سلوك الاحتمالات بالقرب من 0 و 1 "غريب" - حيث ينتقل من 0.95 إلى 0.96 ومن 0.50 إلى 0.51، على الرغم من أن كليهما يمثل زيادة قدرها 0.01، فإن كمية المعلومات مختلفة تمامًا . يعمل تحويل اللوجيت على تسوية هذا "التباين". في فضاء اللوجيت، تمثل التغييرات المتساوية البعد كميات متساوية من تأثير المعلومات.

تحويل لوجيت

القفزات، والانتشار، والانجراف: انتشار المعتقدات

نحن الآن في فضاء اللوجيت. بعد ذلك، تقترح الورقة البحثية نموذج معدل التغير الأساسي على النحو التالي:

dx = μ dt + σ_b dW + Jumps

لا تدع الصيغة تُرهبك. ثلاثة أجزاء، يجب أن يصبح كل جزء منها بديهياً بالنسبة لك في عملية صنع السوق الخاصة بك:

الانتشار (σ_b dW): هذا هو تقلب المعتقدات. السرعة التي تتغير بها الاحتمالات ببطء بسبب التدفق المستمر للمعلومات (تحديثات استطلاعات الرأي، وتعليقات المحللين، ومشاعر وسائل التواصل الاجتماعي) في غياب الأخبار المهمة. هذا هو "التقلب الضمني" لسوق التنبؤات - المفهوم المركزي للمقال بأكمله. فروق أسعار صانع السوق، وتسعير المشتقات، وإدارة المخاطر - كلها تدور حول هذا σ_b.

القفز: تحول مفاجئ في الاحتمالات ناجم عن أخبار عاجلة. الأخطاء الرئيسية في المناقشات، والإعلانات السياسية غير المتوقعة، والانسحابات المفاجئة - هذه ليست جزءًا من "الانتشار البطيء"، بل هي جزء من "القفزات الفورية".

الانحراف (μ): الاتجاه الطبيعي الاحتمالي بمرور الوقت. لكن هناك مفتاح - الانجراف ليس حراً، بل هو مقيد تماماً. إليكم السبب.

تخيل نفسك تشاهد استطلاع رأي انتخابي.

في معظم الأوقات، يتذبذب معدل الدعم بمقدار 0.1-0.3 نقطة مئوية كل يوم - وهذا هو الانتشار (σ_b dW). مثل تموجات سطح الماء، مستمرة ولكنها لطيفة.

ثم في إحدى الأمسيات، قال أحد المرشحين شيئاً كارثياً خلال مناظرة. انخفض معدل الدعم بشكل حاد بين عشية وضحاها من 55% إلى 42% - وهذه قفزة كبيرة. مثل حجر يُلقى في الماء.

يجسد هذا النموذج كلاً من "التموجات" و"الحجر". يحتوي نموذج بلاك-شولز التقليدي على تموجات فقط (انتشار نقي)، بدون الحجر (قفزة). إن نموذج هذه الورقة البحثية أكثر شمولاً - لأن الصدمات الإخبارية في أسواق التنبؤ أكثر تواتراً وشدة بكثير مما هي عليه في سوق الأسهم.

نموذج الانتشار القفزي

الانجراف المقفل: ألفا صانع السوق الحقيقي

هذا أحد أكثر الأجزاء دقة في الورقة البحثية بأكملها.

في نظرية بلاك-شولز التقليدية، هناك استنتاج شهير: لا يحتاج تسعير الخيارات إلى معرفة ما إذا كان السهم سيرتفع أم سينخفض. لا تحتاج إلى التنبؤ بما إذا كانت أسهم شركة آبل سترتفع أو تنخفض في العام المقبل لتحديد سعر خيار أسهم آبل. لأن الانحراف يتم "استبداله" بالمعدل المحايد للمخاطر قيد القياس.

تحدث أمور مماثلة في أسواق التنبؤ: يجب أن يكون الاحتمال p عبارة عن مارتينجال. بدون معلومات جديدة، فإن أفضل تخمين لديك للاحتمالية هو الاحتمالية الحالية. إذا اعتقد السوق أن لدى ترامب فرصة بنسبة 60٪ للفوز، ففي غياب معلومات جديدة، فإن أفضل تخمين ليوم غد سيظل 60٪.

هذا يعنى: تم تثبيت Drift μ بالكامل. بمجرد معرفة تقلب الاعتقاد σ_b وسلوك القفز، يتم تحديد الانحراف تلقائيًا. لست بحاجة إلى تخمين الرقم المحدد للانحراف.

بالنسبة لصانع السوق، هذا خبر رائع. لا تحتاج إلى التنبؤ بـ "هل سيفوز ترامب" (الاتجاه)؛ أنت فقط بحاجة إلى تقدير "مدى عدم اليقين في السوق" (التقلب). الاتجاه شيء يخمنه الجميع - ليس لديك أي ميزة في هذا الشأن. لكن التقلبات شيء يمكن تقديره بدقة من البيانات - وهذه هي ميزتك التنافسية.

ببساطة، لست بحاجة إلى معرفة ما إذا كانت ستمطر غدًا (الاتجاه)؛ أنت فقط بحاجة إلى معرفة مدى عدم اليقين في توقعات الطقس (التقلب). أنت تحدد السعر بناءً على "عدم اليقين"، وليس بناءً على "الاتجاه". هذا هو الفرق الجوهري بين صانعي السوق والمتداولين الأفراد.

ثلاثة عوامل خطر قابلة للتداول

بعد التحوط من الانجراف، ماذا يتبقى؟ العوامل الثلاثة التي يجب على صانعي السوق مراعاتها هي:

تقلبات المعتقدات σ_b: "سرعة الحركة اليومية" في الاحتمالية في غياب الأخبار الرئيسية. هذا هو المدخل الأساسي لنطاق التسعير الخاص بك. ارتفاع σ_b ← يتسع النطاق. انخفاض σ_b ← يضيق النطاق.

شدة القفزة λ وحجم القفزة: كم مرة تحدث الأخبار المفاجئة؟ كم يرتفع السعر في كل مرة؟ هذا يحدد مقدار "التأمين" الذي تحتاجه (المشتقات في الفصل 4 تفعل ذلك).

الارتباط بين الأحداث والقفزات المشتركة: هل سيتحرك سوقان مترابطان في وقت واحد بسبب نفس الأخبار؟ هذا يحدد مستوى المخاطرة في محفظتك الاستثمارية.

هذه العوامل الثلاثة هي بمثابة "لوحة التحكم" للتنبؤ بصناع السوق. وكما ينظر صانعو سوق الخيارات التقليديون إلى سطح التقلب الضمني كل يوم، سيركز صانعو السوق التنبؤيون المستقبليون على σ_b و λ و ρ.

الفصل الثالث: دليل صانع السوق

النظرية سليمة. لكن ما يهم صناع السوق هو: كيف يحقق هذا المشروع أرباحاً؟

مؤشرات السوق التنبؤية

في سوق الخيارات التقليدية، تعتبر الأحرف اليونانية (اليونانية) بمثابة شريان الحياة لصناع السوق. يخبرك مؤشر دلتا بمقدار المخاطر الاتجاهية، ويخبرك مؤشر جاما بمخاطر التسارع، ويخبرك مؤشر فيجا بتأثير تغيرات التقلبات.

تحدد هذه الورقة مجموعة كاملة من العوامل اليونانية للأسواق التنبؤية [1]:

والأهم من ذلك كله، دلتا، دلتا = p(1-p)

هذا هو الحساسية الاتجاهية - ما مقدار تغير الاحتمال p عندما يتغير x بمقدار وحدة واحدة في فضاء اللوجيت.

لاحظ هذه الصيغة: p(1-p) . سيظهر هذا الأمر مراراً وتكراراً - إنه "العامل العالمي" للمقال بأكمله.

عندما تكون قيمة p = 0.50 ، فإن قيمة Max Delta = 0.25. عندما تكون قيمة p = 0.95 ، فإن قيمة دلتا = 0.0475. عندما تكون قيمة p = 0.99 ، فإن قيمة دلتا = 0.0099.

كيف يستخدم صانع السوق هذا؟ بالقرب من p = 0.50 ، تتسبب نفس الصدمة المعلوماتية في أكبر تحرك سعري - أنت بحاجة إلى نطاق أوسع لحماية نفسك. بالقرب من p = 0.99 ، حتى التغييرات الكبيرة في فضاء اللوجيت بالكاد تحرك السعر - يمكنك أن تذكر فرقًا ضيقًا جدًا.

على سبيل المثال، في انتخابات متقاربة النتائج حالياً بنسبة 50-50. تظهر قصة إخبارية، وقد يقفز الاحتمال من 50٪ إلى 55٪ - أي تغيير بمقدار 5 نقاط. لكن إذا كانت النسبة الحالية 99-1، فإن نفس الأخبار قد تغير الاحتمالية من 99% إلى 99.2% فقط - وهو تغيير طفيف للغاية. كلما اقتربنا من نتيجة معينة، كلما كان من الصعب تغييرها.

حساسية دلتا

بالإضافة إلى ذلك، هناك ثلاثة عوامل مهمة أخرى هي جاما، وفيجا الاعتقاد، وفيجا الارتباط.

جاما = p(1-p)(1-2p) : هذا هو "اللاخطية الإخبارية". عندما لا تكون الاحتمالية عند 50%، يكون تأثير الأخبار الجيدة والسيئة غير متماثل. إذا كانت قيمة p = 0.70 ، فإن تأثير الأخبار الجيدة يكون أقل من تأثير الأخبار السيئة (لأنها مرتفعة بالفعل، مع إمكانية محدودة للتحسن). يحتاج صناع السوق إلى معرفة ذلك لأن عدم التماثل يعني أن مخاطر المخزون لديك غير متماثلة أيضًا.

بيليف فيغا: مدى حساسية موقفك للتغيرات في تقلبات المعتقدات. إذا ارتفعت قيمة σ_b فجأة (مثل اليوم الذي يسبق المناظرة)، فكيف ستتغير قيمة مركزك؟

معامل الارتباط فيغا: إذا كنت تمتلك مراكز في سوقين مترابطين، فكيف ستؤثر عليك التغيرات في ترابطهما؟

أربعة أنواع من المخاطر

تصنف الورقة جميع المخاطر التي يواجهها صناع السوق إلى أربعة أنواع رئيسية [1]:

المخاطر الاتجاهية (دلتا): في أي اتجاه من المرجح أن يتحرك السعر؟ هذا هو الأمر الأساسي.

خطر الانحناء (جاما): هل يكون رد فعل السعر غير متماثل عند ورود أخبار مهمة؟

مخاطر كثافة المعلومات (فيغا الاعتقاد): هل يتغير "عدم اليقين" في السوق نفسه؟ على سبيل المثال، ازدياد حالة عدم اليقين قبل المناظرة.

مخاطر الأحداث المتداخلة (ارتباط فيغا + القفزات المشتركة): هل يمكن أن تخسر عدة مراكز استثمارية لديك أموالاً في وقت واحد بسبب نفس الخبر؟

على سبيل المثال، إذا كنت شركة تأمين، فإن المخاطر الاتجاهية هي "هل سيشتعل هذا المنزل؟" مخاطر الانحناء هي "إذا اشتعلت النيران، فهل ستكون الخسارة خطية أم أسية؟" يُعرَّف خطر كثافة المعلومات بأنه "هل هذا العام جاف بشكل خاص، مما يزيد من احتمالية اندلاع الحرائق؟" خطر الأحداث المتداخلة هو "إذا اشتعلت النيران في منزل واحد، فهل سيشتعل الحريق في المنزل المجاور أيضًا؟"

سيدير ​​صانع السوق المتميز هذه الأنواع الأربعة من المخاطر بشكل منفصل بدلاً من خلطها معًا.

إدارة المخزون: كيفية تحديد الأسعار بناءً على المخزون

أهم قضية يومية بالنسبة لصناع السوق هي: ما مقدار المخزون المتوفر لدي، وكيف ينبغي أن أحدد سعر الفرق؟

تقوم هذه الورقة بتحويل نموذج أفيلانيدا-ستويكوف الكلاسيكي لصنع السوق [6] إلى فضاء لوجيت:

سعر الاحتياطي = القيمة اللوغاريتمية الحالية - المخزون × النفور من المخاطرة × تباين الاعتقاد × الوقت المتبقي

إجمالي الفارق ≈ النفور من المخاطرة × تباين الاعتقاد × الوقت المتبقي + علاوة السيولة

لا حاجة لحفظ الصيغ. تذكر فقط ثلاث قواعد:

المزيد من المخزون ← المزيد من عروض الأسعار المشوهة. إذا كنت تمتلك الكثير من عقود YES، فسوف تخفض سعر بيع YES (مما يشجع الآخرين على الشراء)، وتدفع سعر شراء YES إلى مستوى أدنى (غير راغب في شراء المزيد). هذا هو "الحماية الذاتية" لصانع السوق - التحكم في المخزون من خلال التسعير.

تقلبات أعلى ← اتساع نطاق السعر. كلما زاد عدم اليقين في السوق، زادت المخاطر التي تتحملها، وزادت نسبة التعويض (الهامش) التي تطلبها. في ليلة المناظرة، ومع ارتفاع قيمة σ_b بشكل كبير، يجب أن يتسع نطاقك تلقائيًا.

كلما اقترب تاريخ انتهاء الصلاحية ← تقارب السعر. لأن حالة عدم اليقين المتبقية تتضاءل. في صباح يوم الانتخابات، عندما تكون النتيجة شبه مؤكدة، يجب أن يكون الفارق ضيقًا للغاية.

لكن إليكم شيئًا رائعًا: عندما تقوم بربط الأسعار في فضاء اللوجيت بفضاء الاحتمالات، فإن الفارق ينضغط تلقائيًا بالقرب من الاحتمالات القصوى. لأن دلتا = p(1-p)، بالنسبة لـ p ≈ 0 أو p ≈ 1، فإن تغيير الوحدة في فضاء اللوجيت يتوافق مع تغيير صغير في فضاء الاحتمالية. لذا حتى لو حافظت على انتشار ثابت في فضاء اللوجيت، فعند إعادة رسمه، يضيق الانتشار بالقرب من الأسعار المتطرفة تلقائيًا.

يتوافق هذا تمامًا مع آلية الحوافز الخاصة بشركة بولي ماركت: في ظل احتمالات قريبة من الحد الأقصى، يمكنك تحديد نطاق سعري ضيق للغاية (بسبب انخفاض المخاطر)، والحصول على درجة Q أعلى، وكسب المزيد من مكافآت السيولة. يحقق النموذج ذلك تلقائياً.

على سبيل المثال ، لنفترض أنك تاجر سيارات مستعملة. إذا كانت القيمة السوقية للسيارة غير مؤكدة للغاية (قد تكون قيمتها 10000 دولار أو 20000 دولار)، فستقدم نطاقًا واسعًا - 12000 دولار للشراء، و18000 دولار للبيع. إذا كانت القيمة السوقية مؤكدة للغاية (حوالي 15000 دولار)، فسوف تقدم هامش ربح ضيق - 14500 دولار للشراء، و15500 دولار للبيع. يقوم صناع السوق بنفس الشيء تماماً. إنهم ببساطة "يبيعون" عقود الاحتمالات بدلاً من السيارات المستعملة.

آلية انتشار صانع السوق

الفصل الرابع: قبو صانع السوق - خمس أدوات لإدارة المخاطر ستحتاج إليها في نهاية المطاف

لقد زودتك الفصول الثلاثة الأولى بأدوات لتسعير الفروقات وإدارة المخزون. لكن معضلة أساسية تواجه صناع السوق لا تزال دون حل:

أنت تربح من فرق السعر (مكاسب صغيرة ثابتة يوميًا)، لكنك تتحمل مخاطر الذيل (خسائر كبيرة عرضية).

في ليلة المناظرة، ارتفعت التقلبات خمسة أضعاف، مما أدى إلى خسارة أرباح شهر كامل بين عشية وضحاها. في ليلة الانتخابات، انهارت ثلاثة أسواق في وقت واحد، مما تسبب في خسارة 40% من المحفظة الاستثمارية. يقفز الاحتمال فجأة من 0.60 دولار إلى 0.90 دولار، مما يؤدي إلى خسارة فادحة في مخزونك الخالي من المخزون.

في سوق الخيارات التقليدية، يستخدم صناع السوق المشتقات المالية للتحوط من هذه المخاطر. تُستخدم مقايضات التباين للتحوط من ارتفاعات التقلبات. تُستخدم مقايضات الارتباط للتحوط من الارتباط بين الأسواق المتعددة. تُستخدم خيارات الحاجز للتحوط من التقلبات السعرية الحادة.

يفتقر سوق التنبؤات حاليًا إلى هذه الأدوات. ومع ذلك، توفر هذه الورقة أساسًا رياضيًا كاملاً، حيث تأتي صيغة تسعير كل منتج مباشرة من نموذج فضاء اللوجيت في الفصل الثاني.

ما هي العلاقة بين هذه المنتجات والإطار السابق؟ الأمر بسيط للغاية: يقدم لك النموذج في الفصل الثاني ثلاثة عوامل خطر (σ_b، λ، ρ)، وتخبرك العوامل اليونانية في الفصل الثالث بمدى حساسية وضعك لهذه العوامل، وتسمح لك المشتقات في الفصل الرابع بالتحوط بدقة من مخاطر كل عامل. بدون المشتقات، أنت تعلم أن لديك مخاطر ولكن لا يمكنك التخلص منها. باستخدام المشتقات المالية، يمكنك "بيع" المخاطر غير المرغوب فيها لأولئك المستعدين لتحملها.

وهذا أيضاً هو السبب في أن المشتقات ليست "ألعاباً للاعبين المحترفين". إنها عوامل أساسية لتحديد ما إذا كان صانع السوق قادراً على البقاء على المدى الطويل. بدون أدوات التحوط، لا يستطيع صناع السوق سوى توسيع فروق الأسعار لحماية أنفسهم. تؤدي فروق الأسعار الواسعة إلى ضعف السيولة. ضعف السيولة يعني أن السوق لا يستطيع النمو.

المشتقات المالية ← التحوط ← فروق أسعار ضيقة ← سيولة جيدة ← سوق كبير.

حدثت هذه الدورة الإيجابية مرة واحدة في سوق الخيارات عام 1973. والآن جاء دور سوق التنبؤات.

سيتناول هذا القسم خمسة منتجات، كل منها يعالج نقطة ضعف محددة لصناع السوق، وكل منها يمثل وظيفة يمكن لصناع السوق/الأدوات التنبؤية القيام بها. (لذا، إذا كان هناك طلب، فربما في يوم من الأيام سيقوم @insidersdotbot بإنشائها. ترقبوا المزيد. إذا كنت ترغب في تطوير هذه المنتجات بنفسك، يسعدنا أيضًا أن نقدم لك واجهة برمجة تطبيقات التداول وواجهة برمجة تطبيقات البيانات الخاصة بنا.

المنتج الأول: مقايضة تباين المعتقدات - تأمين ضد التقلبات

ما المشكلة التي يحلها؟ أنت صانع سوق في خمسة أسواق، وتكسب دخلاً ثابتاً قدره 200 دولار يومياً من فروق الأسعار. ثم تأتي ليلة المناظرة، وتزداد التقلبات خمسة أضعاف، مما يتسبب في خسارتك 3000 دولار بين عشية وضحاها. لقد ضاعت أرباح نصف شهر.

أنت تربح هامش الربح (أموال صغيرة ثابتة)، لكنك تتحمل مخاطر التقلبات (أموال كبيرة غير مستقرة). هذان الأمران لا يتطابقان.

كيف يعمل؟ أنت والطرف المقابل تتفقان على "تقلب التنفيذ". إذا كان التقلب الفعلي أعلى من هذا المستوى، فإن الطرف المقابل يعوضك؛ وإذا كان أقل، فأنت تعوض الطرف المقابل. باختصار، إنه تأمين ضد التقلبات.

مثال محدد: على سبيل المثال، قبل أسبوعين من الانتخابات، تقوم بشراء مقايضة تباين الاعتقاد، وتوافق على تقلب قدره σ² = 0.04. في ليلة المناظرة، يرتفع مستوى التقلبات إلى 0.10، وتحصل على عائد قدره 0.06، لتغطية خسائر الأسهم. إذا كانت المناقشة مملة وكان التقلب 0.02 فقط، فإنك تخسر 0.02 - وهذا هو قسط التأمين.

على ماذا تم تحديد سعره؟ سعر التنفيذ العادل = تباين التقلبات اليومية + تباين قفزات الأخبار. يأتي الجزآن من σ_b (الانتشار) و λ (القفزة) للنموذج في الفصل الثاني.

المعيار في الأسواق التقليدية: مؤشر VIX هو سعر سلة من مقايضات التباين [14]. يخبرك هذا المؤشر "بمقدار التقلبات التي يتوقعها السوق في الثلاثين يومًا القادمة". وصل سوق مقايضة التباين العالمي إلى حجم تريليون دولار [10].

هل يمكنك استخدامه الآن؟ لا توجد حاليًا أي منصة تقدم هذا المنتج. لكن إذا كنت مطورًا، فإن ملحق الورقة يحتوي على صيغة التسعير الكاملة. إذا كنت صانع سوق، فيمكنك البدء بنسخة مبسطة: تقليل المخزون خلال فترات التقلبات العالية، وزيادة المخزون خلال فترات التقلبات المنخفضة، والمشاركة بشكل أساسي في عملية تبادل التباين يدويًا .

تبديل تباين المعتقدات

المنتج الثاني: منحنى p(1-p) - التنبؤ بـ "مؤشر الخوف" في السوق

ما المشكلة التي يحلها؟ تريد أن تعرف "مدى توتر السوق الحالي"، ولكن لا يوجد مؤشر موحد.

كيف يتم تحقيق ذلك؟ هل تتذكر دلتا = p(1-p) من الفصل الثالث؟ لا تقتصر هذه الصيغة على اليونانيين فحسب، بل هي أيضاً "مقياس لعدم اليقين".

عندما تكون قيمة p = 0.50، فإن p(1-p) = 0.25 - أقصى قدر من عدم اليقين. عندما تكون قيمة p = 0.90، فإن p(1-p) = 0.09 - ينخفض ​​عدم اليقين بمقدار 3 مرات تقريبًا.

عندما تكون قيمة p = 0.99، فإن p(1-p) = 0.0099 - لا يوجد شك تقريبًا.

لماذا هذا مفيد؟ عندما ترى عقدًا ينتقل من 0.50 دولار إلى 0.60 دولار، و p(1-p) ينتقل من 0.25 إلى 0.24، فإن عدم اليقين بالكاد يتغير، ولا يحتاج الفارق إلى تعديل. لكن إذا انتقل السعر من 0.80 دولار إلى 0.90 دولار، وانخفضت قيمة p(1-p) من 0.16 إلى 0.09 - أي انخفض عدم اليقين بنحو النصف - يمكنك تضييق نطاق الفارق لكسب المزيد من مكافآت السيولة. على الرغم من أنها زادت بنفس مقدار 0.10 دولار، إلا أن استراتيجية صناعة السوق يجب أن تكون مختلفة تمامًا.

المعيار في السوق التقليدية: p(1-p) له أيضًا أوجه تشابه مع مؤشر VIX [14]. يخبرك مؤشر VIX بمدى خوف السوق. ويخبرك p(1-p) بمدى عدم يقين السوق.

متوفر الآن! منحنى p(1-p) هو المنتج الوحيد من بين المنتجات الخمسة الذي يمكن استخدامه على الفور اليوم. سطر واحد من التعليمات البرمجية: عدم اليقين = p * (1 - p). أضفها إلى استراتيجية صناعة السوق الخاصة بك، ويمكنك تعديل الفارق بشكل ديناميكي بناءً على عدم اليقين.

VIX Curve

المنتج الثالث: تبادل الارتباط - التأمين ضد الزلازل ليلة الانتخابات

ما المشكلة التي يحلها؟

أنت تقوم بدور صانع السوق في ثلاثة أسواق: "فوز ترامب في ولاية بنسلفانيا" (5000 دولار في الأسهم)، "فوز ترامب في ولاية ميشيغان" (5000 دولار في الأسهم)، "فوز الحزب الجمهوري في مجلس الشيوخ" (3000 دولار في الأسهم). إذا كانت هذه الأسواق الثلاثة مستقلة، فعندما يخسر أحدها المال، قد يربح السوقان الآخران المال. لكن في الواقع، هناك ترابط كبير بينهما - فعندما يظهر خبر ما، تنهار الأسواق الثلاثة جميعها في وقت واحد. أنت لا تخسر 5000 دولار - بل قد تخسر 13000 دولار.

كيف يتم تحقيق ذلك؟ أنت والطرف المقابل تتفقان على "ارتباط التنفيذ". إذا تجاوز الارتباط الفعلي هذا المستوى، فستحصل على مكافأة. خلال الأزمة المالية لعام 2008، ارتفع ترابط جميع الأصول فجأة إلى ما يقرب من 1 - أولئك الذين يمتلكون مقايضات الارتباط حققوا الكثير من المال، بينما أولئك الذين لا يمتلكونها خسروا كل شيء.

على ماذا تم تحديد سعره؟ يحتوي النموذج الوارد في الفصل الثاني على معيار "القفزة المشتركة" - حيث تقفز أسواق متعددة في وقت واحد بسبب نفس الأخبار. يعتمد تسعير مقايضة الارتباط بشكل مباشر على هذه المعلمة. بدون نموذج لتقدير "شدة القفزات الشائعة"، لا يمكنك تسعير هذا التأمين.

ماذا يمكنك أن تفعل الآن؟ لا توجد حاليًا منتجات رسمية لتبادل الارتباط. ومع ذلك، يمكنك التقريب باستخدام طريقة بسيطة: اتخاذ مراكز معاكسة بين الأسواق شديدة الارتباط. على سبيل المثال، إذا كنت تمتلك أسهم YES في حالة "فوز ترامب في ولاية بنسلفانيا"، فامتلك أيضًا أسهم YES في حالة "فوز ترامب في ولاية ميشيغان" - يمكنك تقليل حيازاتك في سوق واحد بشكل فعال لتقليل تعرضك للارتباط. من الناحية الرياضية، هذا النموذج ليس مثالياً، ولكنه أفضل بكثير من عدم وجود تحوط.

المخاطر ذات الصلة

المنتج الرابع: تباين الممر - تأمين دقيق لمنطقة "التأرجح"

ما المشكلة التي يحلها؟ لقد اشتريت مقايضة تباين تغطي نطاق الاحتمالات بالكامل، لكنك أدركت أنه عندما يكون الاحتمال أعلى من 0.90، يكون التقلب منخفضًا جدًا، وأنت تدفع قسط تأمين لنطاق المخاطر المنخفضة. ما تحتاج حقًا إلى حمايته هو "منطقة التأرجح" من 0.35 إلى 0.65 - حيث يكون تدفق الطلبات هو الأعلى، وسمية المعلومات هي الأكبر، وهي الأكثر عرضة للاستغلال المسبق من قبل المتداولين المطلعين.

كيف يتم تحقيق ذلك؟ لا يتراكم التباين في الممر إلا عندما يكون الاحتمال ضمن نطاق معين. لا يمكنك شراء "تأمين المنطقة المتأرجحة" إلا دون دفع ثمن تأمين المنطقة الهادئة.

على ماذا تم تحديد سعره؟ يتطلب تباين الممر معرفة التقلبات المحلية في نطاقات احتمالية مختلفة. هذا يأتي مباشرة من منحنى تباين الاعتقاد في الفصل الخامس - يخبرك المنحنى "ما هو التقلب حول p = 0.50؛ ما هو التقلب حول p = 0.90". بدون المنحنى، لا يمكنك تسعير تباين الممر.

سيناريو واقعي: أنت صانع سوق، وتنشط بشكل رئيسي في "منطقة التأرجح" (0.40-0.60). تشتري عقدًا لتغطية نطاق التغطية هذا فقط. عندما يتقلب الاحتمال بشكل كبير ضمن هذا النطاق، فإنك تحصل على مكافأة. عندما تصل الاحتمالية إلى "المنطقة الآمنة" فوق 0.85، يتوقف تباين الممر عن التراكم - لا يتعين عليك دفع قسط التأمين لهذا النطاق. قسط تأمين أقل، وتغطية أكثر دقة.

تباين الممر

المنتج الخامس: ملاحظة من فيرست تاتش - تأمين ضد الخسائر الفادحة للأسعار المرتفعة للغاية

ما المشكلة التي يحلها؟ أنت صانع سوق، وسعر سهم "فوز ترامب" حاليًا هو 0.60 دولار. لا يوجد لديك أي مخزون. إذا ارتفع الاحتمال فجأة إلى 0.90 دولار، فإن مخزونك من NO سيواجه خسارة فادحة. يمكنك وضع أمر إيقاف الخسارة - ولكن في أسواق التنبؤ، غالبًا ما يتم "تجاوز" أوامر إيقاف الخسارة (يلامس السعر لفترة وجيزة سعر إيقاف الخسارة ثم يتراجع، مما يجبرك على التصفية، ثم تشاهد السعر يعود إلى وضعه الأصلي).

كيف يتم تحقيق ذلك؟ "إذا تجاوزت احتمالية الربح 0.80 دولار قبل يوم الانتخابات، فادفع لي دولارًا واحدًا." هذا تأمين لوقف الخسائر للأسعار المتطرفة - لا حاجة لتعيين وقف الخسارة يدويًا، ولكن للتحوط بدقة من خلال عقد مالي.

على ماذا يتم تحديد الأسعار؟ يتطلب تحديد سعر أول ملاحظة لمس معرفة مسار احتمالية "لمس مستوى معين". هذه مشكلة كلاسيكية تتعلق بوقت المرور الأول، وتعتمد بشكل مباشر على المعلمات σ_b و λ من الفصل 2. كلما زاد تكرار القفزات (λ الأكبر)، زادت احتمالية الوصول إلى مستوى متطرف، مما يجعل الورقة النقدية أكثر تكلفة.

ملاحظة اللمسة الأولى

خمسة منتجات رئيسية متشابكة

المنتجات الخمسة المذكورة في هذا القسم ليست معزولة. إنها تشكل مجموعة أدوات متكاملة لإدارة مخاطر صانع السوق:

· تعمل مقايضة التباين على التحوط من مخاطر التقلبات الإجمالية.

· يعمل تباين الممر على التحوط من المخاطر بدقة ضمن نطاق محدد.

· مقايضة الارتباط تحوط مخاطر الارتباط بين الأسواق المتعددة.

· تحمي مذكرة اللمسة الأولى من مخاطر تقلبات الأسعار الشديدة.

يُعطي منحنى p(1-p) الجميع لغة مشتركة لـ "عدم اليقين".

وتتلخص عملية تسعير جميع هذه المنتجات في نقطة واحدة: نموذج الانتشار القفزي في فضاء اللوجيت من الفصل الثاني. أسعار σ_b، مقايضات التباين، وتباينات الممر. أسعار λ، ملاحظات أولية. يعتمد تسعير عملية تبادل الارتباط على معيار القفزة المشترك.

ولهذا السبب فإن هذه الورقة ليست مجرد "نموذج" - إنها نقطة انطلاق لبنية تحتية سوقية كاملة.

نظرة عامة على طبقة المشتقات

هذه المنتجات المذكورة في هذا القسم (باستثناء p(1-p)) غير متوفرة حتى الآن على أي منصة سوق تنبؤ. أقرب نقطة دخول هي واجهة برمجة تطبيقات CLOB الخاصة بـ Polymarket [15] - حيث يمكنك بناء استراتيجيات صنع السوق الآلية باستخدام Greeks الخاصة بالورقة لإدارة المخزون. بالطبع، عندما يفتح @insidersdotbot واجهة برمجة التطبيقات الخاصة به، فإننا نرحب أيضًا بالجميع للتواصل معنا في أي وقت.

كما نقول دائماً، فإن تطوير بولي ماركت رحلة طويلة تتطلب من الجميع العمل معاً لبنائها.

إذا كنت مطورًا، فإن ملحق الورقة يحتوي على صيغة التسعير الكاملة.

إذا كنت صانع سوق، فيمكنك البدء بتحسين استراتيجية الانتشار الحالية الخاصة بك باستخدام p(1-p) و σ_b - ويمكن القيام بذلك على الفور من خلال برنامج نصي بسيط دون انتظار إنشاء سوق المشتقات.

الفصل الخامس: معايرة البيانات - استخلاص الإشارة من البيانات المشوشة

مهما كان النموذج النظري أنيقاً، إذا لم يكن من الممكن معايرة المعلمات من البيانات الحقيقية، فإنه يصبح بلا قيمة.

لقد خصصت الورقة الأصلية الكثير من الوقت لمناقشة مسار المعايرة [1]، وهو أيضًا أكبر فرق بينها وبين الأوراق النظرية البحتة - الاستنتاج النهائي الفعال والموثوق والقابل للتنفيذ.

ما هي "المعايرة"؟

تخيل أنك اشتريت ميزان حرارة. مقياسه مطبوع، ولكن كيف تعرف ما إذا كان دقيقاً؟ يجب وضعها في ماء مثلج (يجب أن تكون القراءة 0 درجة مئوية) وفي ماء مغلي (يجب أن تكون القراءة 100 درجة مئوية)، ثم ضبطها. هذه العملية هي عملية معايرة.

نموذجنا مشابه. لقد حددت الفصول السابقة إطارًا رياضيًا رائعًا، ولكن لتطبيقه بشكل ملموس، هناك العديد من المعايير الرئيسية داخل هذا الإطار والتي يجب استخراجها من بيانات حقيقية:

σ_b: تقلب المعتقدات. ما مقدار التقلب الطبيعي للاحتمالية يومياً؟

λ: شدة القفزة. كم مرة تحدث أخبار غير متوقعة؟

توزيع حجم القفزة: ما هو حجم كل قفزة؟

η: الضوضاء الميكروية. ما مقدار "الإشارات الخاطئة" في أسعار السوق؟

هذه المعايير ليست اعتباطية. يجب استخراجها من بيانات السوق الحقيقية. تُعد المعايرة خطوة أساسية في تحويل النموذج من "صحيح نظرياً" إلى "قابل للاستخدام عملياً".

مشكلة: السعر الذي تراه ليس هو الاحتمال الحقيقي

عندما تفتح موقع Polymarket، سترى أن آخر سعر تداول لعبارة "فوز ترامب في الانتخابات" هو 0.52 دولار.

هل هذا السعر البالغ 0.52 دولار هو "الاعتقاد الحقيقي للسوق"؟ لا، إنها مليئة بثلاثة أنواع رئيسية من الضوضاء:

نشر الضوضاء: قد يكون "سعر التداول الأخير" الذي تراه مجرد شخص يقوم بالشراء في السوق من خلال دفتر أوامر. إذا كان سعر العرض 0.51 دولارًا وسعر الطلب 0.53 دولارًا، فقد يكون "الاعتقاد الحقيقي" حوالي 0.52 دولارًا. لكن آخر سعر تم تداوله قد يكون 0.51 دولار أو 0.53 دولار.

ضجيج نقص السيولة: قد يؤدي أمر السوق بقيمة 500 دولار إلى تحريك السعر بنسبة 3٪. هذا ليس "تحولاً في معنويات السوق"، بل هو بالأحرى "دفاتر طلبات ضعيفة".

ضوضاء البنية المجهرية: التداول عالي التردد، وتحديثات أسعار صانع السوق، وزمن استجابة الشبكة - كل هذه الأمور تضيف ضوضاء فوق الإشارة الحقيقية.

ورقة بحثية حول النمذجة الرصدية: اللوجيت المرصود = اللوجيت الحقيقي + ضوضاء البنية المجهرية. مهمتك هي استعادة الإشارة الحقيقية من البيانات المشوشة.

الخطوة الأولى: ترشيح كالمان - استعادة الإشارة من الضوضاء

مرشح كالمان هو أداة كلاسيكية لمعالجة الإشارات [13]. تم تطويره في البداية لبرنامج وحدة أبولو القمرية - لتتبع الموقع الحقيقي للمركبة الفضائية من إشارات الرادار المشوشة.

الفكرة الأساسية: لديك مصدران غير كاملين للمعلومات. يجد مرشح كالمان التوازن الأمثل بين الاثنين.

المصدر الأول للمعلومات: التنبؤ بالنموذج. يقول نموذج الانتشار القفزي الخاص بك: "بناءً على احتمالات ومعاملات الأمس، يجب أن يكون احتمال اليوم حوالي X". لكن النموذج غير كامل - فهو لا يعرف ما إذا كانت ستكون هناك أخبار اليوم.

المصدر الثاني للمعلومات: الملاحظة الفعلية. يخبرك آخر سعر تم تداوله في السوق، "السعر الحالي هو Y"، لكن الملاحظة غير كاملة - فهي تحتوي على ضوضاء.

نهج مرشح كالمان:

سيولة جيدة في السوق (فارق سعر ضيق، دفتر أوامر عميق) ← ضوضاء ملاحظة صغيرة ← ثقة أكبر في الملاحظة.

ضعف سيولة السوق (انتشار واسع، دفتر أوامر ضحل) ← ضوضاء رصد كبيرة ← الثقة في تنبؤات النموذج بشكل أكبر.

يتم "تخصيص الثقة" هذا تلقائيًا وبشكل مثالي. لست بحاجة إلى ضبط المعلمات يدويًا.

هذا يشبه أنك تقود السيارة، ويخبرك نظام تحديد المواقع العالمي (GPS) أنك "على الطريق أ" (ملاحظة)، لكن عداد السرعة وعجلة القيادة يخبرانك "يجب أن تكون على الطريق ب" (توقع النموذج). اعتمد على نظام تحديد المواقع العالمي (GPS) عندما تكون الإشارة قوية، واعتمد على عداد السرعة عندما تكون الإشارة ضعيفة (كما هو الحال في النفق). مرشح كالمان هو نظام يقوم بعملية "التبديل التلقائي للثقة".

مرشح كالمان

الخطوة الثانية: خوارزمية EM - التمييز بين "التقلبات اليومية" و"تأثير الأخبار"

بعد استعادة الإشارة الحقيقية، السؤال التالي هو: ما هي تحركات الأسعار التي تمثل "تقلبات طبيعية" (انتشار) وما هي تحركات الأسعار التي تمثل "تأثير الأخبار" (قفزة)؟

لماذا يتم فصلهما؟ لأن طبيعة هذين النوعين من الحركات مختلفة تماماً. الانتشار مستمر ويمكن التنبؤ به - اليوم التقلب هو 2٪، وغدًا من المرجح أن يكون حوالي 2٪ أيضًا. القفزات مفاجئة وغير متوقعة - في ثانية واحدة يكون كل شيء هادئًا، وفي الثانية التالية يكون هناك احتمال قفزة بمقدار 10 نقاط.

إذا قمت بتقدير كلا النوعين من التحركات معًا، فسوف تبالغ في تقدير التقلبات اليومية (لأن القفزات مضمنة)، مما يؤدي إلى فروق أسعار واسعة للغاية وعدم تحقيق أي ربح.

كيف تميز خوارزمية EM؟

تخيل أن لديك كومة من الكرات أمامك، بعضها أحمر (قفزات)، وبعضها أزرق (انتشار)، لكن الإضاءة خافتة، ولا يمكنك رؤية الألوان بوضوح.

الخطوة هـ: لكل كرة، خمن احتمال أن تكون حمراء أو زرقاء بناءً على حجمها. من المرجح أن تكون الكرات الأكبر حجماً حمراء اللون (عادةً ما تكون القفزات أكبر).

الخطوة م: بناءً على تخميناتك، احسب "متوسط ​​حجم الكرات الحمراء" (معامل القفز) و"متوسط ​​حجم الكرات الزرقاء" (معامل الانتشار) بشكل منفصل.

ثم كرر: خمن الألوان مرة أخرى باستخدام معلمات جديدة ← أعد حساب المعلمات باستخدام ألوان جديدة ← كرر العملية حتى الوصول إلى التقارب.

القيد الرئيسي: بعد كل خطوة M، أعد حساب الانحراف المحايد للمخاطر للتأكد من أن الاحتمالات لا تزال مارتينجال. هذا هو "الأساس" للإطار بأكمله - بغض النظر عن كيفية فصل الانتشار والقفزات، لا يمكن انتهاك خاصية المارتينجال.

خوارزمية EM تشبه الاستماع إلى تسجيل صوتي. يحتوي التسجيل على نوعين من الأصوات: موسيقى خلفية (انتشار) وألعاب نارية عرضية (قفزات). تريد قياس مدى ارتفاع صوت "الموسيقى الخلفية" ومدى ارتفاع صوت "الألعاب النارية" بشكل منفصل. إذا لم يتم فصلها، فإن قياس الحجم الإجمالي مباشرة يعطيك "متوسط ​​حجم" - وهو مرتفع جدًا بالنسبة للموسيقى الخلفية ومنخفض جدًا بالنسبة للألعاب النارية. تعتمد خوارزمية EM على: أولاً، تخمين اللحظات التي تمثل الألعاب النارية واللحظات التي تمثل موسيقى الخلفية، ثم قياسها بشكل منفصل. بعد عدة محاولات، يمكنك فصل الصوتين بدقة.

خوارزمية EM

الخطوة الثالثة: بناء سطح تقلبات المعتقدات

بعد فصل الانتشار والقفزات، يمكنك بناء سطح تقلب الاعتقاد.

في سوق الخيارات التقليدية، لا يمثل التقلب الضمني رقماً ثابتاً. يعتمد ذلك على بُعدين:

• أولاً، وقت النضج (يصبح الأمر أكثر غموضاً كلما ابتعد الوقت)

ثانيًا، موقع السعر الحالي (يختلف التقلب عبر نطاقات الأسعار)

إن تحويل هذين البعدين إلى سطح هو سطح التقلب [12].

كل صباح، تتمثل المهمة الأولى لصانع السوق في النظر إلى سطح التقلبات - فهو يخبرك "كيف يتوقع السوق أن تكون التقلبات المستقبلية".

الآن، يمكن لصناع السوق التنبؤيين أيضاً أن يمتلكوا سطحهم الخاص.

ما الذي يمكن أن يخبرك به هذا السطح؟

• إذا أصبح السطح شديد الانحدار فجأة في وقت معين (على سبيل المثال، اليوم السابق للمناظرة)، فهذا يعني أن السوق يتوقع تحركًا كبيرًا في ذلك الوقت. ينبغي على صانعي السوق توسيع هوامش الربح مسبقاً.

إذا كان السطح أعلى بكثير حول p = 0.50 مقارنة بحوالي p = 0.80، فهذا يعني أن التقلب في "منطقة التأرجح" أعلى بكثير من "منطقة اليقين". يمكنك تحديد فروق أسعار أضيق في منطقة اليقين وكسب المزيد من مكافآت السيولة.

إذا كانت أسطح تقلبات السوقين لها أشكال متشابهة، فهذا يعني أنها قد تكون مدفوعة بنفس العوامل. يجب عليك الانتباه إلى مخاطر الارتباط.

بعبارة أخرى، سطح التقلب يشبه "خريطة حرارية" لتوقعات الطقس. يمثل المحور الأفقي التواريخ المستقبلية، ويمثل المحور الرأسي المناطق المختلفة، وتمثل الألوان درجة الحرارة. يمكنك أن ترى على الفور أن "منطقة شمال الصين ستكون حارة بشكل خاص يوم الأربعاء المقبل". سطح تقلبات المعتقدات هو "خريطة حرارة التقلبات" لسوق التنبؤات. يمثل المحور الأفقي الوقت اللازم للاستقرار، ويمثل المحور الرأسي موقع الاحتمالية، وتمثل الألوان التقلبات. يمكنك أن ترى على الفور أن "التقلب يكون في أعلى مستوياته في اليوم السابق للمناظرة باحتمالية تقارب 50%".

سطح تقلب المعتقدات

الفصل السادس: تجربة - هل هذا الإطار فعال حقاً؟

في الفصول الخمسة السابقة، وضعنا إطاراً شاملاً. نهدف في هذا الفصل إلى الإجابة على سؤال رئيسي: هل هو حقاً أفضل من الطرق الحالية؟

كيفية التقييم؟

استخدمت الورقة البحثية مقياسين أساسيين [1]:

· متوسط ​​مربع الخطأ: يقوم بحساب مربع الفرق بين القيمة المتوقعة والقيمة الفعلية عند كل نقطة زمنية، ثم يأخذ المتوسط. يؤدي التربيع إلى معاقبة الانحرافات الكبيرة بشكل كبير - فالعقوبة على انحراف قدره 0.10 هي 100 ضعف عقوبة الانحراف البالغ 0.01. هذا المقياس يجيب على السؤال التالي: هل يرتكب النموذج أحيانًا أخطاءً كبيرة؟

· متوسط ​​الخطأ المطلق: يأخذ القيمة المطلقة للانحراف ثم يقوم بحساب متوسطها. بعبارة أبسط: ما هو متوسط ​​الانحراف في كل حالة؟

يجب أن يكون للنموذج المثالي قيم منخفضة لكلا المقياسين - مما يعني أنه لا ينبغي أن يرتكب أخطاء كبيرة من حين لآخر ولا أن يرتكب أخطاء طفيفة باستمرار.

وهناك نقطة حاسمة أخرى: لا يمكن للنموذج استخدام البيانات إلا حتى كل نقطة زمنية محددة، ولا يمكنه التنبؤ بالمستقبل.

أربعة خصوم

ولإثبات فعالية الإطار المذكور أعلاه، تمت مقارنة نموذج الورقة الأصلية بأربع طرق موجودة لصنع السوق.

· المشي العشوائي: يفترض هذا أن التقلب يظل ثابتًا. سواء كانت ليلة مضطربة أو فترة هادئة، فإن التقلبات تبقى على حالها. يشبه الأمر قول متنبئ الطقس "ستكون درجة الحرارة غداً 25 درجة مئوية" كل يوم - صحيح أحياناً في الربيع ولكنه خاطئ تماماً في الشتاء والصيف. أبسط خط أساس.

· انتشار التقلب الثابت: يشبه المشي العشوائي ولكن يتم تحديد التقلب من البيانات - "أفضل ثابت". يشبه الأمر قيام المتنبئ الجوي بالتحول إلى "الإبلاغ عن متوسط ​​درجة الحرارة السنوية كل يوم" - ينخفض ​​متوسط ​​الخطأ، ولكن لا تزال الظروف الجوية المتطرفة غير متوقعة.

· نموذج رايت-فيشر / جاكوبي: النماذج مباشرة في فضاء الاحتمالات (بين 0 و 1) بدون تحويل لوجيت. يبدو الأمر أكثر "طبيعية" - فالاحتمالات تقع بطبيعتها بين 0 و 1، فلماذا تحويلها؟ لكن هذا مأزق. عندما تكون الاحتمالات قريبة من 0 أو 1، فإن الأخطاء الصغيرة في فضاء الاحتمالات تتضخم بشكل كبير عند تعيينها إلى فضاء اللوجيت.

· غارش: نموذج التقلب الأكثر استخدامًا في التمويل التقليدي. الفكرة الأساسية هي "التقلبات الكبيرة تتبعها تقلبات كبيرة". إنه فعال للغاية في سوق الأسهم. ومع ذلك، فإنه يواجه مشكلتين حاسمتين في سوق التنبؤ: فهو لا يفرق بين التقلبات اليومية والقفزات المدفوعة بالأخبار، ويفتقر إلى قيود مارتينجال.

نتيجة: سيطرة تامة

يتفوق نموذج صناعة السوق الذي قمنا بتطويره في كل من متوسط ​​مربع الخطأ ومتوسط ​​الخطأ المطلق [1].

من حيث متوسط ​​الخطأ التربيعي في فضاء اللوجيت، يتفوق النموذج المستخدم في هذه الورقة على أفضل منافس (انتشار التقلب الثابت) بأكثر من رتبة مقدارية. يتفوق على نموذجي رايت-فيشر وجارش بمقدار يتراوح بين 15 و 17 مرتبة من حيث الحجم.

ليس مجرد "أفضل قليلاً". إنها "ليست حتى في نفس المستوى".

مقارنة النماذج

لماذا هذه الفجوة الهائلة؟

يؤدي قيد المارتينجال إلى القضاء على التحيز المنهجي. تفتقر النماذج الأخرى إلى هذا القيد، مما قد يعني افتراضات مثل "يجب أن تتجه الاحتمالات نحو الأعلى" أو "تتجه نحو الأسفل". يضمن قيد المارتينجال في النموذج الموصوف في الورقة البحثية تكافؤ الفرص.

فصل القفزات والانتشار. لا تتأثر التقلبات خلال فترات الهدوء بالقفزات المفاجئة في الأخبار. يفشل نموذج GARCH في هذا الجانب - فهو يفترض أن حدث تقلب كبير سيتبعه المزيد من أحداث التقلب الكبيرة، ولكن في الواقع، يمكن أن يعود الهدوء بسرعة بعد حدوث قفزة.

غارش ضد آر إن-جيه دي

الوعي بالتقويم. يدرك النموذج أحداثًا مثل "المناظرة الأسبوع المقبل" أو "يوم الانتخابات الشهر المقبل". حول هذه النوافذ الإخبارية المعروفة، يقوم النظام تلقائيًا بتحسين توقعات شدة القفزات. تتجاهل النماذج الأخرى هذه المعلومات العامة تماماً.

أهم النتائج: النمذجة في فضاء الاحتمالات طريق مسدود

الاكتشاف الأكثر إثارة للصدمة في التجربة: يؤدي النمذجة المباشرة في فضاء الاحتمالات إلى فشل كارثي.

عند تحويل نموذجي رايت-فيشر وجارش إلى فضاء لوجيت، لوحظ ارتفاع متوسط ​​الخطأ التربيعي بمقدار 15 إلى 19 رتبة من حيث الحجم.

إذا كنت صانع سوق تستخدم هذه النماذج لتسعير فروق الأسعار، فسيكون فرق السعر الخاص بك خاطئًا تمامًا حول الاحتمالات القصوى. ليس خطأ بنسبة 10%، بل خطأ بنسبة 10 أس 17. سيستغلك المضاربون في غضون ثوانٍ.

نمذجة فضاء الاحتمالات طريق مسدود

أدى هذا الاكتشاف إلى رؤية أساسية: يجب إجراء النمذجة الكمية لأسواق التنبؤ في فضاء اللوجيت. إذا كنت تستخدم حاليًا أي طريقة تقوم بالنمذجة مباشرة في فضاء الاحتمالات (بما في ذلك المتوسطات المتحركة البسيطة، والانحدار الخطي، وما إلى ذلك)، فقم أولاً بإجراء تحويل لوجيت قبل التحليل. سطر واحد من التعليمات البرمجية (x = log(p/(1-p)))، ولكنه يمكن أن يمنع الأخطاء الكارثية.

خاتمة: صانع السوق: الحياة من الصفر

انتهيت من قراءة ستة فصول. من صيغة BS لعام 1973، إلى تحويل اللوجيت، إلى معاملات اليونانية وإدارة المخزون، إلى المشتقات، إلى المعايرة، إلى التحقق التجريبي.

والسؤال الآن هو: ماذا بعد؟

إذا كنت تاجر تجزئة، فلن تحتاج إلى تطبيق النموذج بأكمله. لكن هناك شيئان يستحقان الاستخدام الفوري:

• أولاً، قم بتقييم مخاطر مركزك باستخدام p(1-p). إذا كنت تمتلك عقدًا بقيمة 0.50 دولار، فإن p(1-p) = 0.25، فإن مركزك حساس للغاية للأخبار. إذا كنت تحمل عقدًا بقيمة 0.90 دولار، فإن p(1-p) = 0.09، وبالتالي فإن الحساسية أقل بثلاث مرات تقريبًا. نفس المبلغ البالغ 1000 دولار، لكن المخاطر مختلفة تماماً.

ثانيًا، تذكر أن "التقلب أهم من الاتجاه". عندما ترى سعر العقد يتقلب بشكل حاد حول 0.50 دولار، فهذا ليس مجرد "عدم يقين في السوق" - بل هو تقلب ذو قناعة عالية، مما يعني مخاطرة عالية. إن فهم هذا الاختلاف أكثر فائدة من التنبؤ "بما إذا كان ترامب سيفوز".

إذا كنت صانع سوق، فإن هذه الورقة البحثية تقدم لك مسارًا كاملاً للترقية:

· الإجراءات التي يمكنك اتخاذها اليوم: انقل تحليلك من فضاء الاحتمالات إلى فضاء اللوجيت (x = log(p/(1-p))، سطر واحد من التعليمات البرمجية). قم بتعديل فروق الأسعار ديناميكيًا باستخدام p(1-p). قم بتوسيع نطاق التغطية بشكل استباقي قبل الأحداث الإخبارية المعروفة (المناظرات، أيام الانتخابات).

• يتطلب بعض البرمجة: قم بتطبيق ترشيح كالمان لإزالة التشويش + خوارزمية EM لفصل القفزات. يمكن استخدام مكتبة filterpy الخاصة بلغة بايثون بشكل مباشر. يحتوي ملحق الورقة على الصيغ الكاملة.

· الهدف طويل المدى: قم ببناء سطح تقلب الاعتقاد الكامل لأتمتة إدارة المخزون باستخدام نسخة أفيلانيدا-ستويكوف في فضاء اللوجيت.

تكافئ آلية تحفيز السيولة في بولي ماركت مزودي السيولة بفروق أسعار أضيق [15][16]. بفضل نموذج التسعير، يمكنك تحديد هوامش ربح أقل دون زيادة المخاطر، وبالتالي تحقيق المزيد من المكافآت.

إذا كنت مطور منصة أو بنية تحتية، فإن الطبقة المشتقة هي الفرصة الهائلة التالية. مقايضات تباين المعتقدات، ومقايضات الارتباط، وتباين التأكيد - يتم تداول هذه المنتجات بتريليونات الدولارات في الأسواق التقليدية. لا توجد نسخة مخصصة لأسواق التنبؤ حتى الآن.

نقطة الدخول الأكثر واقعية: ابدأ ببناء "مؤشر تقلبات السوق التنبؤي" - وهو مؤشر عدم يقين مرجح في الوقت الحقيقي p(1-p). هذا لا يتطلب نوع عقد جديد، بل منتج بيانات فقط. ثم قم تدريجياً بإدخال عمليات تبادل التباين وعمليات تبادل الارتباط بناءً على ذلك.

في عام 1973، حوّل بلاك-شولز الخيارات من المقامرة إلى الهندسة المالية.

بحلول عام 2025، سيحدث الشيء نفسه بالنسبة لأسواق التنبؤ.

الورقة متاحة للجمهور [1]. اكتمل الإطار. الأدوات قابلة للتطبيق. السؤال هو: هل أنت مستعد؟

زائدة: مرجع سريع للمفهوم

· نموذج بلاك-شولز → صيغة تسعير الخيارات لعام 1973، مع الفكرة الأساسية القائلة بأن "الانحراف ليس مهمًا، بل التقلب هو المهم". أعطى الجميع لغة مشتركة (التقلب الضمني) وأدى إلى ظهور النظام البيئي للمشتقات بأكمله [2]

· تحويل لوجيت → x = log(p/(1-p))، حيث يتم تعيين الاحتمالات من 0-1 إلى خط الأعداد الحقيقية بالكامل. يسمح لك باستخدام الأدوات الرياضية التقليدية في مساحة غير محدودة [1]

· تقلب الاعتقاد σ_b → "التقلب الضمني" لسوق التنبؤ. يقيس سرعة التقلبات اليومية عندما لا تكون هناك أخبار مهمة. المدخلات الأساسية لفروق أسعار صانع السوق [1]

• مكون القفز ← انقطاع الاحتمالية الناتج عن أحداث إخبارية مفاجئة. على عكس الانتشار (التقلب اليومي)، فإن القفزات فورية وغير متصلة [1]

· Yi → أفضل تقدير للاحتمالية هو القيمة الحالية. عندما لا تتوفر معلومات جديدة، لا ينبغي أن ينحرف الاحتمال بشكل منهجي

· المؤشرات اليونانية → مؤشرات تقيس حساسية المركز لعوامل الخطر المختلفة. دلتا = الاتجاه، جاما = التحدب، فيجا = حساسية التقلب [11]

· p(1-p) → "العامل العالمي" للتنبؤ بالأسواق. وهو في الوقت نفسه دلتا، ومؤشر عدم اليقين، وعنصر أساسي في تسعير مقايضة التباين

· مقايضة تباين الاعتقاد → عقد يتكهن بـ "مدى تقلب الاعتقاد". يستخدمها صناع السوق للتحوط من مخاطر التقلبات [1]

· مقايضة الارتباط → التحوط ضد مخاطر التقلبات المتزامنة في أسواق متعددة مترابطة. أداة لا غنى عنها في ليلة الانتخابات [1]

· تباين الممر → يتم تراكم التباين فقط عندما يكون الاحتمال ضمن نطاق معين. التحوط ضد مخاطر "منطقة التأرجح" [1]

ملاحظة اللمسة الأولى ← يتم الدفع إذا وصل الاحتمال إلى مستوى معين قبل تاريخ انتهاء الصلاحية. التأمين بأسعار قريبة من الأسعار المرتفعة للغاية [1]

مرشح كالمان → خوارزمية لاستعادة الإشارة الحقيقية من الملاحظات المشوشة. الترجيح الأمثل لتوقعات النموذج والملاحظة الفعلية [13]

· خوارزمية EM → خوارزمية التوقع والتعظيم المستخدمة لفصل الانتشار (التقلبات اليومية) والقفزات (تأثيرات الأخبار).

نموذج أفيلانيدا-ستويكوف → نموذج كلاسيكي لإدارة مخزون صانع السوق. زيادة المخزون ← زيادة الانحرافات في الأسعار؛ تقلبات أعلى ← فروق أسعار أوسع [6]

· سطح تقلب الاعتقاد → سطح ثنائي الأبعاد تتغير فيه التقلبات مع مرور الوقت وموقع الاحتمالية. أداة أساسية لصناع السوق [1]

مراجع:

[1] الورقة الأصلية "نحو نموذج بلاك-شولز لأسواق التنبؤ": https://arxiv.org/abs/2510.15205

[2] ورقة بلاك-شولز الأصلية (1973): فيشر بلاك ومايرون سكولز، "تسعير الخيارات والتزامات الشركات"، مجلة الاقتصاد السياسي

[3] غولدمان ساكس: تاريخ بلاك-شولز: https://www.goldmansachs.com/our-firm/history/moments/1973-black-scholes

[4] شرح نموذج بلاك-شولز - إنفستوبيديا: https://www.investopedia.com/terms/b/blackscholes.asp

[5] دالتا لوجيت وسيجمويد: https://nathanbrixius.wordpress.com/2016/06/04/functions-i-have-known-logit-and-sigmoid/

[6] دليل استراتيجية صنع السوق أفيلانيدا-ستويكوف: https://hummingbot.org/blog/guide-to-the-avellaneda–stoikov-strategy/

[7] استثمرت شركة ICE ملياري دولار في شركة Polymarket: https://ir.theice.com/press/news-details/2025/ICE-Announces-Strategic-Investment-in-Polymarket/

[8] بيانات حجم التداول لشركة بولي ماركت لعام 2025 (ديون): حجم تداول سنوي قدره 220 مليار دولار

[9] نمو صناعة سوق التنبؤ: حجم التداول الشهري يتجاوز 13 مليار دولار: https://internationalbanker.com/finance/accounting-for-the-explosive-growth-in-prediction-markets/

[10] شرح مقايضة التباين - إنفستوبيديا: https://www.investopedia.com/terms/v/varianceswap.asp

[11] شرح المصطلحات اليونانية - إنفستوبيديا: https://www.investopedia.com/terms/g/greeks.asp

[12] التقلب الضمني - إنفستوبيديا: https://www.investopedia.com/terms/i/iv.asp

[13] مرشح كالمان المصور: https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

[14] مؤشر CBOE VIX: https://www.cboe.com/tradable_products/vix/

[15] وثائق Polymarket CLOB: https://docs.polymarket.com/

[16] مكافآت السيولة في بولي ماركت: https://docs.polymarket.com/market-makers/liquidity-rewards

رابط المنشور الأصلي