本文作者：Baheet_
预测市场是经济学、人类行为及其对结果下注欲望的奇妙交汇点……
在这里，针对未来事件的赌注——包括选举、名人新闻甚至科技突破——都被转化为精准的预测。
与依赖直觉或表面信念的民意调查和专家观点不同，预测市场依靠经济激励来揭示真相，汇聚群体智慧。
其设计的核心在于博弈论——研究策略性决策的学问，它确保自利的交易者通过交易行为展现真实信息。
一句话总结
博弈论构成预测市场的理论基础
通过合理设置激励措施，我们能促使参与者诚实地参与预测市场
预测市场的终极目标是提供精准的预测
如果你正在搭建预测市场，团队中需要优秀的经济学家和博弈论专家。
如果你当初翘了经济学课程，这篇文章可能也不太适合你 🙂
本文将深入探讨支撑预测市场的博弈论基本原理。
我将尝试探讨：
激励机制如何与真相揭示相协调，
为何预测市场比民意调查更高效
以及我个人对于如何设计能够抵抗操纵的市场机制的见解。
博弈论基础：诚实是最优策略
预测市场有效运作，因为它们被设计成以诚实为制胜之道的博弈游戏。
本质上，它们是通过汇集分散知识来实现信息聚合的机制。
但它如何揭示交易者的真实信念呢?
博弈论通过激励相容性给出了答案。
在一个设计良好的市场中，透露你对事件的真实信息是占优策略。为什么?
因为无论其他交易者采取何种行动，这都能使你的收益最大化。
假设一位交易者掌握了关于选举结果的内部信息。如果该事件的市场定价为0.60美元(60%概率)，交易者就会买入，期待价格向上修正时获利。
这一简单操作将交易者的个人收益与市场准确性相统一，这一概念在机制设计中有很好的形式化表述。
这就引出了 LSMR。
什么是对数市场评分规则(LMSR)?
LMSR 是预测市场中用于为合约定价并激励交易者揭示其对未来事件发生概率真实看法(例如“候选人 X 会获胜吗?”)的数学工具。
这是一种适当的评分规则，意味着其设计初衷是让交易者的最佳策略就是如实报告其真实概率预估，这与博弈论中的激励相容概念相契合。
在预测市场中，交易者买卖与事件结果挂钩的份额。
份额价格反映市场集体预测概率(例如每股0.6美元意味着60%的发生概率)。
这里的关键工具是采用适当的评分规则(即 LMSR 对数市场评分规则)。
在 LMSR(对数市场评分规则)中，做市商的成本函数为：
C(Q)=b∗log(∑eqi/b),
交易者通过支付成本差额来调整概率分布，这种机制激励他们推动价格向自身真实信念靠拢。
例如：若将价格从60%推升至80%，判断错误时需承担更高成本，因此只有信心十足的交易者才会行动。这确保了市场均衡——每位参与者的最优策略都是依据自身真实判断下注。
如果您觉得整套 LMSR 机制过于复杂，我将尝试为您拆解说明;
LMSR 机制本质上确保了这些价格随着交易者行为动态调整，并奖励那些推动价格接近真实概率的参与者。
拆解 LMSR 成本函数：
C(Q) = b * log(∑ e^{q_i / b})
Q = {q_1. q_2. …, q_n}：表示每个可能结果的股份数量(例如 q_1 代表”候选人 X 胜出”，q_2 代表”候选人 X 落败”)。
如果购买 100 张“获胜”股票，则 q_1 = 100.
e^{q_i / b}：指数项将股票数量转换为反映市场动态的形式，确保为某一结果购买更多股票会增加其隐含概率。
∑：对所有可能结果求和，确保市场涵盖所有可能性(例如二元市场中的输赢)。
log：自然对数使函数平滑化，让价格变动更渐进且易于管理。
b：一个控制流动性的正常数，表示价格对交易的敏感程度。b 值高意味着每次交易引起的价格波动较小(流动性更强)，而 b 值低则意味着价格波动更剧烈(流动性较弱)。
C(Q)：做市商为维持市场状态收取的总成本。这是交易者间接与之交互的价格。
示例：
选举市场初始设定”X 获胜”的概率为 60%(每股 0.60 美元)。
某交易者认为真实概率应为80%，于是买入股票将价格推升至0.80美元。
LMSR 计算的是(购买后)新份额数量减去旧份额数量的成本。这一成本取决于：
购买了多少份额(这会改变 q_i)。
流动性参数 b(影响价格敏感度)。
如果交易者的信念(80%)是错误的，那么推高价格的成本会很高，若市场回调下跌他们将面临亏损风险;但如果他们的判断正确，就能从中获利。
这种成本结构会惩罚不准确的押注，同时奖励准确的预测。
只有对自身信息有信心的交易者才会愿意支付费用来显著影响价格，从而确保市场始终反映知情者的判断。
这条来自@probabilitygod的推文清晰地解释了如何利用 LSMR 在二元结果市场运行简单的预测市场。
https://x.com/probabilitygod/status/1965107369786163494
为何预测市场优于民意调查与专家预测
博弈论也揭示了预测市场为何常能超越专家预测与传统民调。
这其实很简单; 预测市场放大了知情交易者的影响力。
在市场中，参与者从噪音交易者(凭直觉下注的人)到知情交易者(掌握数据或专业知识的人)各不相同。
这里的假说认为价格会反映所有可用信息，但该假说仅基于并不总能满足的理想条件。
而博弈论对此进行了完善：
在流动性充足的市场(高交易量)中，知情交易者占据主导地位，因为他们的投注总能纠正错误定价。
在流动性充足的市场中，知情交易者可以下更大的赌注而不会大幅推动价格变动，从而能够利用错误定价(例如，当他们知道真实概率为70%时，以0.50美元的价格购买合约)。
他们的行为推动价格趋向准确。
例如：
在一个选举市场中，如果噪音交易者因炒作将某位候选人的价格高估至0.80美元(80%)，而掌握数据显示该候选人仅有60%胜算的知情交易者就会卖出或做空合约，从而压低价格。
这种机制会将市场价格修正至真实概率。
自 1988 年运营至今的艾奥瓦电子市场(IEM)在选举预测方面持续优于民调，因为交易者的经济利益驱动其做出更精准的预测。
此外，@Polymarket 在最后阶段将唐纳德·特朗普的胜率预测推高至 97%，比多数民调更为准确。
这证明了激励机制胜过直觉。
当涉及金钱利益时，人们自然会采取正确的行动。
预测市场面临的核心问题
尽管取得了成功，预测市场仍面临系统性障碍，这些障碍威胁其可靠性并引发对其可扩展性的质疑。其中最紧迫的问题包括
流动性不足
操纵行为和糟糕的预测
利用激励机制设计提升参与度和流动性
预测市场流动性不足源于激励机制失调。当预测市场流动性不足时，本质上意味着缺乏足够的交易者或资金来维持市场活跃度和稳定性。
这是因为交易者在流动性薄弱的市场中看到了高风险。
如果只有少数人参与投注，单笔大额交易就能影响赔率，从而降低他人参与的吸引力。
解决方案在于补贴参与 ;其核心理念是通过激励机制，让为市场提供流动性变得具有吸引力。
补贴机制应设计为：只有当流动性提供者将资金保留在市场达到最低期限或满足特定条件时，才能获得奖励。
例如，某个平台可能为1000美元存款提供奖励，但前提是资金必须在市场中保留30天或用于活跃交易。
这就形成了一个重复循环：流动性提供者面临两难选择——提前套现会损失补贴，而持续参与才能获得奖励，这与提供流动性的目标相一致。
补贴(奖励)本质上使持续参与成为流动性提供者的优势策略。
补贴还可以与提供者贡献的影响挂钩，例如增加交易量或稳定价格。
例如，平台可能会决定奖励那些交易提高价格准确性的提供者，确保他们的资金带来的是真正的流动性，而不仅仅是虚增交易量。
Polymarket 采用这种方法奖励其订单簿中的流动性提供者(LPs)，以促进流动性并稳定市场。
该计划如何运作
激励措施：主要目标是通过让用户下限定单来促进市场流动性，这些订单能够即时执行市价订单。
奖励标准：流动性提供者(LP)根据其限价单的竞争力和实用性获得奖励。
竞争力：LP 的限价单价格越接近市场平均价格(中点)，奖励越高。
实用性：订单规模及其相对于其他参与者的价格水平也会被纳入考量。那些能增加市场深度且不扩大买卖价差的订单被认为更具价值。
该系统通过平衡订单簿和减少交易者的价格滑点来维护市场稳定性，同时也使得市场更难被操纵。
防范预测市场操纵行为
预测市场中的操纵行为通常发生在资本雄厚的”巨鲸”玩家为了牟利或施加影响而下注扭曲赔率，而非真实反映其对事件结果的判断。
这种情况也可能出现在操纵争议结果时，例如 polymarket 与@UMAprotocol的案例中解决方案是通过设计”优势策略机制”和声誉惩罚规则，使诚实参与成为最优策略。
占优策略机制确保诚实参与(基于你对结果的真实信念下注)始终是最佳选择，无论其他玩家如何操作。
博弈论中，占优策略能带来最高收益且不受他人行为影响，由此形成稳定均衡，使得操纵行为得不偿失。
我已解释过如何通过 LSMR 赋能平台促使交易者下注与其真实信念保持一致，
示例：在关于气候政策能否通过的市场中，某巨鲸押注5万美元赌”不通过”，将”通过”概率从60%压至40%。
如果政策通过，他们的赌注就输了，而市场评分规则会更倾向于奖励诚实的”赞同”下注者。大户的操纵企图会失败，因为诚实下注才是优势策略。
真相是谢林点
在经济学中，谢林点是指基于共同预期，理性参与者自然汇聚的焦点结果。
在博弈论中，这是人们在需要协调但无法达成明确协议时选择的解决方案。
例如：如果让两个陌生人约定在纽约市见面却不指定地点和时间，许多人会选择正午的时代广场…这就是天然的聚焦点。
在精心设计的预测市场中，谢林点就是诚实参与者们一致认同的”真相”(例如事件的实际结果)。
最终思考
将博弈论设计应用于预测市场，可将其从单纯的投机平台转变为更优质的预测工具。
人工智能、预言机、区块链和争议解决系统通过使博弈论设计更实用且可扩展，从而强化了这一基础
人工智能有助于提升预测市场中信息和事件的质量，而区块链的选择将决定平台的可扩展性和普及程度
试想在以太坊主链上构建您的预测平台
预言机通过与外部数据集成，可采用去中心化投票机制来验证预测市场结果并透明化解决争议
然而，尽管人工智能、预言机和其他系统提供了技术支撑，博弈论始终是根基所在——它定义了确保激励始终与真相和公平相协调的规则体系。
若缺乏这种理论指导，即便是人工智能和预言机也会像没有设计图的工具般失去方向。
我认为这些理论应当成为你构建任何预测市场的基石。
本文仅阐述了协调激励机制如何促进真实性、整合信息以及抑制操控行为……但这仅是表层逻辑。
我本人并非经济学家或博弈论专家，但着迷于这些领域如何影响预测市场的成功。
以上就是全部内容!
标记相关人士
@marvellousdefi_,@0xNairolf,@factcheck1ntern,@_drNeyo,@iam_LeriK,@netrovertHQ,@PinnacleCrypt,@j0hnwang,@satyaki44,@0xCheeezzyyyy,@0xwondr,@PixOnChain,@Defi0xJeff,@The_Tradeguru,@DeFiScribbler,
推荐内容