tl’dr

• Les gens prédisent depuis longtemps que les marchés de prévision décolleront tôt ou tard et les améliorations continues de l'expérience utilisateur ont préparé ce segment pour le décollage
• Mais pour atteindre des milliards d'utilisateurs, nous avons besoin de "quelque chose de nouveau" au-delà des améliorations continues de l'expérience utilisateur, et c'est l'IA en tant que rouage et pivot de la machine
• Un quatuor d'IA de créateurs de contenu, de recommandeurs d'événements, d'allocateurs de liquidités et d'agrégateurs d'informations peut catalyser une nouvelle activité massive dans cet espace
• Intégrer ces IA dans le cadre actuel du marché de prévision peut permettre des marchés de prévision à une échelle microscopique, les rendant personnellement attrayants et pertinents
• La primitive du marché de prédiction ouvre la voie aux applications de marché de prédiction similaires à Tinder, intégrant des expériences de trading prédictif dans notre existence numérique quotidienne

Chaque décision commence par une prédiction. Considérez réfléchir sur le potentiel du Bitcoin : "Acheter du Bitcoin maintenant rapportera-t-il un double investissement d'ici la fin de l'année ? Si la perspective du "oui" est jugée même marginalement plus probable que celle du "non", il serait économiquement rationnel de décider d'acheter du Bitcoin en l'absence d'alternatives supérieures.

Mais pourquoi s'arrêter à Bitcoin? Imaginez si nous pouvions concevoir des marchés basés sur des prévisions autour de toutes sortes d'événements comme qui sera le prochain président des États-Unis ou quel pays remportera la Coupe du Monde. Ici, ce ne sont pas les actifs, mais les prévisions elles-mêmes qui sont échangées.

Les prédictions façonnent les marchés, les marchés valident nos prédictions

Les marchés de prévision ont été appelés le “saint Graal de la technologie épistémique” par Vitalik.

Vitalik a le don de voir les grandes choses avant les autres. Il est donc une bonne source de récits de frontrunning. Il a proposé l'idée d'un AMM sur Ethereum il y a sept ans dans unarticle de blog. Un autre gars nommé Hayden Adams a pris l'initiative et a commencé à le construire, avec une subvention de 60 000 $. Deux ans plus tard, Uniswap était né.

Si les articles de blog de Vitalik peuvent initier la création de $100+ billiondollars industries, nous devrions probablement y prêter attention. Par exemple, il arrive que Vitalik soit enthousiaste à l'idée d'utiliser des marchés de prévision dans la gouvernanceen 2014 — une forme radicale de gouvernance connue sous le nom de "futarchie" — et maintenant nous avons Meta DAOen train de faire exactement cela, avec de grandes sociétés de capital-risque comme Panteraprendre part à cela.

Mais c'est son plus discussions récentesautour des marchés de prévision + de l'IA sur lesquels nous voulons nous concentrer, car nous commençons à voir les prémices de quelque chose de grand ici.

Les marchés de prévision sont prêts à prendre leur envol

Le marché de prévision leader en ce moment est Polymarket, en raison de ses améliorations continues de l'expérience utilisateur et de l'expansion des catégories d'événements et des offres d'événements.

Source de données : Dune

Le volume mensuel a récemment atteint des niveaux record et devrait augmenter avec l'élection présidentielle américaine en novembre de cette année (l'activité de Polymarket est centrée sur les États-Unis).

Il y a un précédent supplémentaire à croire que les marchés de prévision pourraient décoller cette année. Outre les marchés de la crypto atteignant des niveaux record en 2024, nous avons également l'une des plus grandes années électorales de l'histoire cette année. Huit des dix nations les plus peuplées du monde, y compris les États-Unis, l'Inde, la Russie, le Mexique, le Brésil, le Bangladesh, l'Indonésie et le Pakistan se rendent également aux urnes. Nous avons également les Jeux olympiques d'été 2024 à venir à Paris.

Mais étant donné que les volumes mensuels sont encore dans les dizaines de millions alors qu'ils pourraient atteindre des centaines de millions, examinons certaines des limites des marchés de prévision actuels :

• Contrôle centralisé sur la création d'événements
• Un manque d'incitations pour les créateurs de contenu communautaire
• Personnalisation insuffisante
• Principalement centré sur les États-Unis; négligeant d'importantes opportunités internationales

Mais nous avons besoin de quelque chose de nouveau

Nous croyons que la chose est de l'IA.

Nous avons besoin d'IA en tant que joueurs dans le jeu. Nous nous attendons à ce qu'il soit bientôt courant de voir des IA (bots) participer aux côtés d'agents humains sur les marchés de prévision. Nous pouvons déjà voir des démonstrations en direct de cela dans OmenetPrévisionX, parmi d'autres probables à entrer dans ce domaine. Plus à ce sujet plus tard.

Les IA ont besoin d'IA en tant qu'arbitres du jeu. Bien que relativement rares, il peut arriver que la résolution des litiges soit importante et nécessaire sur un marché de prévision. Par exemple, lors d'une élection présidentielle, les résultats peuvent être très serrés et des allégations d'irrégularités de vote peuvent surgir. Ainsi, alors que le marché de prédiction peut fermer en faveur du candidat A, la commission électorale officielle peut déclarer le candidat B comme vainqueur. Ceux qui parient sur le candidat A contesteront le résultat en raison des présumées irrégularités de vote, tandis que ceux qui parient sur le candidat B soutiendront que la décision de la commission électorale reflète le résultat "vrai". Beaucoup d'argent peut être en jeu. Qui a raison?

Répondre à cette question pose plusieurs défis :

• Les joueurs peuvent ne pas faire confiance aux arbitres humains en raison de leurs biais
• L'arbitrage humain peut être lent et coûteux
• Les résolutions de prédiction basées sur le DAO sont vulnérables aux attaques Sybil

Pour remédier à cela, les marchés de prédiction peuvent utiliser des systèmes de litiges multi-tours à la Gate.Klerossauf en utilisant des IA au lieu d'humains pour résoudre les litiges aux premiers tours et seuls les humains interviennent dans les cas rares où les litiges atteignent une impasse. Les joueurs peuvent faire confiance aux IA pour être impartiales, car il est impossible de fabriquer suffisamment de données d'entraînement pour les biaiser. De plus, les arbitres IA travaillent plus rapidement et à un coût beaucoup plus faible.xMarchésse construit dans cette direction.

Les IA créent le désir

Pour que les marchés de prévision prennent réellement leur envol, ils doivent être en mesure de susciter suffisamment d'intérêt pour pousser les gens au-delà du seuil psychologique du commerce effectif des actifs de prévision. Il ne faudra peut-être pas grand-chose pour y parvenir pour des sujets généraux qui intéressent beaucoup de gens, comme qui remportera une élection présidentielle ou le Super Bowl. Cependant, se limiter uniquement à des sujets généraux limite considérablement la liquidité potentielle. Idéalement, un marché de prévision pourrait exploiter la liquidité d'événements spécifiques très intéressants pour des publics de niche. C'est ainsi que fonctionne la publicité ciblée, et nous savons tous que la publicité ciblée fonctionne.

Pour y parvenir, les marchés de prévision doivent résoudre quatre défis généraux :

1. Offre d'événements : Une offre d'événements hautement pertinente est essentielle. Pour attirer l'attention d'un public de niche mais dévoué, les créateurs d'événements doivent comprendre profondément les intérêts de leur communauté pour stimuler la participation et les volumes.
2. Demande d'événement : La demande doit être élevée au sein de la communauté ciblée particulière, en tenant compte de leurs idiosyncrasies démographiques et psychographiques.
3. Liquidité de l'événement : Il y a suffisamment de diversité d'opinions et de dynamisme au sein de la communauté ciblée pour générer une liquidité suffisante afin de conserver les deux parties et de minimiser le glissement.
4. Agrégation d'informations : Les joueurs doivent avoir un accès facile à suffisamment d'informations pour les rendre confiants afin de placer un pari. Cela pourrait inclure une analyse de fond, des données historiques pertinentes et des opinions d'experts.

Maintenant, voyons comment l'IA pourrait répondre à chacun de ces défis :

1. IA créatrice de contenu : Les IA créatrices de contenu ("copilotes") aident à la création de contenu au-delà des capacités ou de la motivation humaine. Les IA suggèrent des sujets d'événements opportuns et pertinents en analysant les tendances des actualités, des médias sociaux et des données financières. Les créateurs de contenu, qu'ils soient humains ou IA, seront récompensés pour la création de contenu engageant qui maintient leurs communautés animées. Les retours de la communauté améliorent la compréhension des IA de leurs communautés, en faisant d'elles un moteur de création de contenu en amélioration continue pour renforcer les liens entre les créateurs de contenu et leur public.
2. Les IA de recommandation d'événements : Les IA de recommandation d'événements adaptent les suggestions d'événements aux utilisateurs en fonction de leurs intérêts, de leur historique de trading et de leurs besoins spécifiques, en se concentrant sur la recommandation d'événements propices au débat et aux opportunités de trading. Elle s'adapte aux comportements des utilisateurs à travers différentes régions, contextes culturels et horaires. L'objectif final est un flux d'événements hautement ciblé, exempt de contenu personnellement non pertinent qui encombre les plates-formes de marché de prévision aujourd'hui.
3. Les IA allocateurs de liquidité : Les IA allocateurs de liquidité s'attaquent au risque de liquidité des contreparties en optimisant les injections de liquidité pour réduire l'écart entre les prix acheteur et vendeur. Pour minimiser les risques, les IA peuvent mettre en œuvre la règle de notation logarithmique du marché (LMSR) modèle AMM spécifiquement conçu pour minimiser le risque dans les marchés de prévision à faible liquidité. Ils pourraient également incorporer agents d'apprentissage par renforcementqui ajustent dynamiquement la profondeur de liquidité, les frais de protocole et la courbe de liaison pour minimiser encore plus le risque. Ces intelligences artificielles gèrent la liquidité des événements à partir d'un pool LP général, récompensant les contributions par des revenus de frais cumulés ou des jetons de plateforme comme incitation supplémentaire. Tout cela signifie une adaptation préventive aux changements du marché, une réduction du glissement et une meilleure stabilité des prix.
4. Les IA d'agrégation d'informations : Ces IA exploitent le calcul sur un large éventail d'indicateurs (par exemple, données on-chain, données historiques, actualités, indicateurs de sentiment) pour que les acteurs comprennent de manière exhaustive l'événement. À partir de là, les IA d'agrégation d'informations peuvent offrir des projections bien équilibrées, transformant les marchés de prévision en la source privilégiée pour la prise de décisions éclairées et l'alpha. Les projets peuvent choisir de tokeniser l'accès aux informations obtenues par les IA d'agrégation d'informations, car dans les marchés de prévision, le savoir = l'argent.

Maintenant, voyons à quoi cela ressemble lorsque vous le mettez ensemble. Ci-dessous, vous pouvez voir les principaux composants et fonctionnements d'un marché de prévision sans IA (en noir) et avec IA (en bleu).

Dans le modèle non-AI, les créateurs de contenu (généralement la plateforme elle-même) créent arbitrairement des événements, fournissent de la liquidité (initialement subventionnée par leurs trésors), enregistrent les événements dans une base de données d'événements et les promeuvent en masse auprès des joueurs humains. C'est ainsi que fonctionne actuellement Polymarket, et cela fonctionne plutôt bien.

Mais, je pense que ça peut s'améliorer beaucoup.

Dans le modèle d'IA, les IA copilotes des créateurs de contenu soutiennent les créateurs de contenu dans la création et la promotion d'événements au sein de communautés générales ou de niche ciblées. La fourniture de liquidités est soutenue par des IA allocateurs de liquidités qui optimisent les injections de liquidités au fil du temps en apprenant les carnets de commandes des joueurs et en utilisant des données externes provenant d'oracles et d'autres fournisseurs de données. Les IA de recommandation d'événements utilisent les événements stockés dans la base de données des événements et l'historique des transactions de portefeuille pour optimiser la recommandation d'événements adaptée aux intérêts personnels. Enfin, les IA d'agrégation d'informations collectent des informations auprès de fournisseurs de données pour fournir des informations éducatives et contextuelles aux joueurs humains et informer les joueurs IA de leurs décisions de prédiction. Le but final ? Un système de marché de prévision affiné qui permet aux marchés de prévision de fonctionner à une échelle microscopique.

Les marchés de prévision à cette échelle permettraient une expérience utilisateur différente, plus proche de celle de Tinder ou de TikTok. Comme les événements sont très ciblés, ils pourraient vous être présentés dans un flux à la TikTok et - même avec la technologie de portefeuille et de blockchain d'aujourd'hui - les joueurs pourraient placer des paris en balayant vers la gauche ou la droite à la Tinder. Imaginez cela. Les gens font des micro-paris sur les événements qui leur tiennent personnellement à cœur pendant qu'ils se rendent au travail ou à l'école.

Supercharger l'agrégation d'informations

L'un des résultats les plus notoires à prédire est le prix des actifs, donc concentrons-nous ici pour voir comment les IA se comportent lorsqu'elles repoussent les limites de ce qui est possible sur les marchés de prévision.

L'utilisation de l'IA pour prédire les prix des actifs est activement explorée dans les milieux universitaires. Des techniques d'apprentissage automatique (ML) telles que les modèles linéaires, les forêts aléatoires et les machines à vecteurs de support ont étémontréprédire les prix des crypto-monnaies avec une précision supérieure à celle des juges humains. Ces modèles ont découvert que des indicateurs comportementaux comme l'intensité des recherches sur Google expliquent la variance des prix.

recherche IBMexplorémarchés de prédiction artificiels pour la prédiction des prix des matières premières, offrant une étude de cas convaincante sur l'intégration de l'IA avec les marchés de prédiction. Leur recherche met en évidence le potentiel des marchés de prédiction artificiels pour agréger des sources d'informations diverses et évolutives en temps réel afin de faire de meilleures prédictions, même dans des problèmes réels complexes tels que la prédiction des prix de matières premières volatiles non échangées sur les bourses en ligne (par exemple, l'éthylène, les hydrocarbures). La raison pour laquelle les agents d'IA peuvent surpasser les modèles ML standard ici est qu'ils apprennent avec le temps, par eux-mêmes - alias l'agence.

Une autre étude comparant la régression de la forêt aléatoire et LSTM pour prédire le prix du Bitcoin du lendemainmontréque le premier a mieux performé en termes de moins d'erreurs de prévision. Il a également mis en valeur la puissance de l'IA dans la largeur de l'agrégation d'informations - bien au-delà de la capacité humaine ordinaire - pour modéliser 47 variables réparties sur huit catégories, y compris (a) les variables de prix du Bitcoin; (b) les indicateurs techniques du Bitcoin; (c) autres prix des jetons; (d) matières premières; (e) indices de marché: (f) changes; (g) attention publique); et (h) variables fictives de la semaine. Les prédicteurs les plus importants ont varié dans le temps, passant des indices boursiers américains, du prix du pétrole et du prix de l'Ethereum de 2015 à 2018 au prix de l'Ethereum et à un indice boursier japonais de 2018 à 2022. Il a également été constaté que pour le prix du lendemain du Bitcoin, la régression de la forêt aléatoire est la meilleure avec un retard d'un jour.

Relation entre la magnitude de l'erreur du modèle et le décalage

Nous pouvons en déduire que dans certains marchés de prévision populaires, il y a tout simplement trop peu de temps pour un humain occupé pour agréger, analyser et interpréter des quantités de données suffisamment grandes pour faire de bonnes prédictions. Ou, les problèmes sont tout simplement trop complexes. Mais les intelligences artificielles peuvent le faire.

Recommandation de jeton AI

Étangconstruit un modèle fondamental décentralisé de crypto, qui a été appliqué dans des recommandations de jetons générés par l'IA dérivées des comportements on-chain. Actuellement, leur grand réseau neuronal graphique (GNN) utilise des données comportementales on-chain pour estimer les probabilités alpha de divers jetons. Les GNN sont une classe de modèles d'IA conçus spécifiquement pour traiter des données représentées sous forme de graphiques, ce qui les rend utiles là où les données sont interconnectées avec une structure relationnelle telle que les réseaux transactionnels p2p des blockchains.Ditherest un autre AI de recommandation de jeton avec un Telegram gated par jetonbot d'alerte, qui adopte une approche de modélisation de séries temporelles pour la recommandation de jetons.

Résoudre le problème des marchés peu liquides

L'un des principaux défis auxquels sont confrontés les marchés de prévision est que les marchés sont trop minces pour attirer suffisamment de joueurs et de volume. Mais il y a une différence majeure entre les marchés de prévision des années 2010 et ceux des années 2020, et c'est le possibilité de participation ubiquitaire par les IA. Comme l'a souligné Vitalik :

Pour ajouter, il est possible de améliorerles modèles de fournisseurs de liquidité automatisés (FLA) sous-jacents aux marchés de prévision. Par exemple, un analysede plus de 2 millions de transactions sur Polymarket ont identifié des problèmes avec la fourniture de liquidité dans la convergence des marchés de prévision en utilisant le classique AMM à produit constant (x*y=k), notamment :

1. Convergence et retrait de liquidité. À mesure que les marchés de prévision convergent (c'est-à-dire que le résultat devient plus certain), les fournisseurs de liquidité sont incités à retirer leur liquidité. Il s'agit d'un comportement rationnel car le risque de détenir des jetons "perdants" augmente. Par exemple, dans un marché convergent vers le "oui", les jetons "non" deviennent moins précieux (c'est-à-dire une perte impermanente), ce qui pose un risque pour les fournisseurs de liquidité qui pourraient se retrouver avec des jetons sans valeur s'ils ne les vendent pas à l'avance.
2. Biais et inexactitude. Cette réduction de la liquidité peut conduire à moins de précision et plus de biais lorsque les marchés de prévision convergent. Plus précisément, dans la plage de prix pondérée par le volume de 0,2 à 0,8, les jetons 'non' sont souvent sous-évalués et les jetons 'oui' sont souvent surévalués.

Source: Kapp-Schwoerer (2023)

Pour résoudre ces problèmes, les auteurs proposent un modèle de "créateur de marché liquide en douceur" (SLMM) et démontrent qu'il peut augmenter les volumes et la précision dans la convergence des marchés de prévision. Il le fait en introduisant une fonction de concentration dans le modèle (à la Uniswap v3) dans laquelle les LP fournissent une position de liquidité qui n'est active que pour des intervalles de prix spécifiques. Le résultat est une exposition au risque réduite, garantissant que le nombre de jetons de valeur (par exemple, les jetons «oui» sur le marché convergent vers le résultat «oui») détenus par les LP ne converge pas vers zéro à mesure que les prix s'ajustent, contrairement au modèle AMM à produit constant.

LP-trader compromis

Il y a un acte d'équilibre qui doit être atteint lors du choix d'une variante AMM de liquidité concentrée comme le SLMM pour converger les marchés de prévision. Alors que vous essayez de réduire les risques pour les LP, vous finissez par décourager certaines activités de trading.

Plus précisément, si la liquidité concentrée peut rendre moins probable que les LPs perdent en tant que le marché converge vers un résultat certain (réduisant ainsi les retraits prématurés), elle peut également réduire les opportunités de trading pour profiter des petits changements de prix (par exemple, comme passer de 0,70 $ à 0,75 $) en raison de l'augmentation du glissement, en particulier pour les grosses commandes. La conséquence directe est que les marges de profit potentielles des traders sont réduites. Par exemple, s'ils s'attendent à un petit mouvement de prix de 0,70 $ à 0,75 $, le glissement peut limiter le capital qu'ils peuvent effectivement déployer pour capturer le potentiel de hausse attendu. À l'avenir, il sera important d'essayer divers ajustements sur le terme de compromis dans ces formules de teneur de marché pour trouver le point optimal.

Conclusion

Le primitif du marché de prévision est puissant. Bien sûr, comme tout autre primitif crypto, il rencontre des défis, mais nous sommes convaincus qu'ils seront surmontés. Au fur et à mesure qu'ils sont progressivement surmontés, nous pouvons nous attendre à voir ce primitif réutilisé pour répondre à toutes sortes de questions dans une grande variété de contextes numériques. Avec les avancées dans le ciblage et les solutions de liquidité, nous pouvons nous attendre au développement de marchés de prévision de niche. Par exemple, prenons les utilisateurs de X (anciennement Twitter) :

• Est-ce que X introduira un Premium++ ou équivalent d'ici la fin de l'année ?
• X rendra-t-il la fonction d'édition de tweet disponible pour tous les utilisateurs d'ici le T3 ?
• X signalera-t-il une augmentation des utilisateurs actifs quotidiens dans le prochain rapport trimestriel ?
• Les revenus publicitaires de X augmenteront-ils ou diminueront-ils au prochain trimestre ?
• Est-ce que X annoncera de nouveaux partenariats majeurs avec des créateurs de contenu d'ici la fin de l'année ?
• X publiera-t-il une fonctionnalité liée à la blockchain ou aux cryptomonnaies d'ici le T3 ?

De manière intéressante, ces questions n'ont pas besoin de rester confinées aux sites Web de marché de prévision autonomes. Elles pourraient être intégrées directement dans X ou d'autres plateformes via des extensions de navigateur. Nous pourrions commencer à voir apparaître régulièrement des micro-marchés de prévision dans nos expériences en ligne quotidiennes, enrichissant la navigation ordinaire avec des opportunités de trading spéculatif.

J'ai volontairement écrit certaines des questions ci-dessus et demandé à ChatGPT d'écrire les autres. Lesquelles ai-je écrites et lesquelles le contenu créé par l'IA a-t-il écrit ? Si c'est difficile à dire, c'est parce que l'IA de création de contenu de ChatGPT est déjà très performante. Il en va de même pour les IA d'agrégation d'informations et les moteurs de recommandation construits par d'autres grandes entreprises technologiques (regardez les publicités que Google et Instagram vous montrent). Bien que égaler les performances de ces modèles demande du travail et du temps, ils démontrent la faisabilité de ces catégories d'IA. La principale question ouverte qui manque de précédent se situe davantage dans la direction des IA d'allocation de liquidités, des joueurs d'IA et du développement de l'auto-amélioration et de l'orientation vers des objectifs dans les IA - l'évolution de l'apprentissage automatique de base vers des agents d'IA vérifiables.

Si vous construisez dans ces espaces ou si ce post résonne en vous, faites reach out!

Lecture pertinente

• Buterin, V. (2024). Les promesses et les défis des applications crypto + IA.
• Rein Y. Wu, et al., Marché de prédiction centré sur l'intention avec l'IA et la technologie Web3, Blockchain — Pionnier de l'infrastructure Web3 pour un avenir intelligent, 2024.
• Kapp-Schwoerer, L. (2023).Liquidité améliorée pour les marchés de prévision.

Avertissement：

1. Cet article est repris de [Inception Capital], Tous les droits d'auteur appartiennent à l'auteur original [Hiroki Kotabe]. Si vous avez des objections à cette reproduction, veuillez contacter le Porte Apprendreéquipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité: Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent pas des conseils en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.