Préface
Lors du développement de @insidersdotbot, j’ai mené de nombreux échanges approfondis avec des équipes de market making à haute fréquence et d’arbitrage. La question la plus récurrente portait sur la conception de stratégies d’arbitrage efficaces.
Nos utilisateurs, amis et partenaires explorent tous la complexité multidimensionnelle de l’arbitrage sur @Polymarket. Si vous êtes un utilisateur actif de Twitter, vous avez sans doute vu des posts du type : « J’ai gagné X sur les marchés de prédiction grâce à telle stratégie d’arbitrage Y ».
Pourtant, la plupart des articles simplifient à outrance la logique fondamentale de l’arbitrage, la réduisant à « tout le monde peut le faire » ou « il suffit d’utiliser Clawdbot », sans exposer de méthode systématique pour construire son propre système.
Si vous souhaitez comprendre comment les outils d’arbitrage de Polymarket génèrent vraiment des profits, je vous recommande cet article de @RohOnChain—l’analyse la plus complète à ce jour.
Comme pour mon précédent article, le texte original en anglais comporte des sections très techniques qui nécessitent un approfondissement ; j’ai donc restructuré et enrichi le contenu afin que vous puissiez saisir tous les points essentiels sans avoir à chercher ailleurs.
Arbitrage sur Polymarket : bien plus qu’un problème mathématique
Supposons que vous observiez un marché sur Polymarket :
Prix YES à 0,62 $, prix NO à 0,33 $.
Vous pensez : 0,62 + 0,33 = 0,95, soit moins que 1—il y a donc une opportunité d’arbitrage ! Vous achetez YES et NO pour 0,95 $ et, quel que soit le résultat, vous récupérez 1,00 $, soit un gain net de 0,05 $.
C’est exact.
Mais voici le problème : pendant que vous faites ce calcul à la main, les systèmes quantitatifs exécutent un processus tout autre.
Ils analysent simultanément 17 218 conditions sur 2^63 combinaisons d’issues possibles, identifiant toutes les incohérences de prix en quelques millisecondes. Le temps de passer vos ordres, l’écart a disparu. Le système a déjà repéré des inefficiences similaires sur des dizaines de marchés liés, calculé la taille optimale des positions en tenant compte de la profondeur du carnet et des frais, exécuté les transactions en parallèle et déplacé les capitaux vers la prochaine opportunité [1].
La différence n’est pas seulement la vitesse. C’est l’infrastructure mathématique.
Chapitre 1 : Pourquoi l’addition ne suffit pas—le problème du polytope marginal
Le biais du marché unique
Prenons un exemple simple.
Marché A : « Trump va-t-il gagner la Pennsylvanie ? »
Prix YES à 0,48 $, prix NO à 0,52 $. Total : 1,00 $.
Cela semble parfait—pas d’arbitrage, non ?
Faux.
Ajoutez un autre marché, et tout change.
Marché B : « Le Parti républicain va-t-il gagner la Pennsylvanie avec plus de 5 points d’avance ? »
Prix YES à 0,32 $, prix NO à 0,68 $. Total : 1,00 $.
Chaque marché semble « normal ». Mais il existe une dépendance logique :
L’élection présidentielle américaine se décide État par État. Chaque État est un « champ de bataille » distinct, et celui qui obtient le plus de voix remporte tous ses grands électeurs (« winner-takes-all »). Trump est le candidat républicain. Donc « Les républicains gagnent la Pennsylvanie » et « Trump gagne la Pennsylvanie » désignent le même événement. Si les républicains gagnent avec plus de 5 points d’avance, Trump remporte la Pennsylvanie de façon décisive.
En d’autres termes, le YES du marché B (large victoire républicaine) est un sous-ensemble du YES du marché A (victoire de Trump)—une large victoire implique toujours une victoire, mais l’inverse n’est pas vrai.
Cette dépendance logique crée des opportunités d’arbitrage.
C’est comme parier sur « Va-t-il pleuvoir demain ? » et « Y aura-t-il un orage demain ? » S’il y a un orage, il pleut forcément (orage ⊆ pluie). Donc « Orage YES » ne devrait jamais être plus cher que « Pluie YES ». Si le marché se trompe, vous pouvez acheter bas et vendre haut simultanément, pour un profit sans risque. C’est l’arbitrage.
Explosion exponentielle : pourquoi la recherche exhaustive échoue
Pour tout marché avec n conditions, il existe 2^n combinaisons de prix possibles.
Cela semble gérable ? Voyons un cas réel.
Marché du tournoi NCAA 2010 [2] : 63 matchs, chacun avec une issue victoire/défaite. Soit 2^63 = 9 223 372 036 854 775 808 combinaisons possibles—plus de 9 quintillions. Le marché comptait plus de 5 000 carnets d’ordres.
Quelle est la taille de 2^63 ? Même en vérifiant un milliard de combinaisons par seconde, il faudrait environ 292 ans pour tout passer en revue. C’est pourquoi la recherche exhaustive est irréaliste ici.
Vérifier chaque combinaison individuellement ? Impossible informatiquement.
Prenons l’élection américaine de 2024. Les chercheurs ont trouvé 1 576 paires de marchés avec des dépendances potentielles [2]. Si chaque paire a 10 conditions, cela fait 2^20 = 1 048 576 combinaisons par paire. Multipliez par 1 576 paires. Le temps que votre ordinateur termine, l’élection sera terminée depuis longtemps.
Programmation en nombres entiers : utiliser des contraintes plutôt que l’énumération
Les systèmes quantitatifs ne résolvent pas ce problème par une « énumération plus rapide », mais en évitant l’énumération.
Ils utilisent la programmation en nombres entiers [3] pour décrire « quelles issues sont valides ».
Exemple réel : marché Duke vs. Cornell—chaque équipe a 7 carnets d’ordres (de 0 à 6 victoires), soit 14 conditions, donc 2^14 = 16 384 combinaisons possibles.
Mais il existe une contrainte : les deux équipes ne peuvent pas gagner plus de 5 matchs, car elles se rencontreraient en demi-finale (une seule peut avancer).
Comment la programmation en nombres entiers résout-elle ce problème ? Trois contraintes suffisent :
Contrainte 1 : Une seule des 7 issues de Duke est vraie (Duke ne peut avoir qu’un seul nombre final de victoires).
Contrainte 2 : Une seule des 7 issues de Cornell est vraie.
Contrainte 3 : Duke gagne 5 + Duke gagne 6 + Cornell gagne 5 + Cornell gagne 6 ≤ 1 (elles ne peuvent pas toutes deux gagner autant).
Trois contraintes linéaires au lieu de 16 384 vérifications exhaustives.
Recherche exhaustive vs programmation en nombres entiers
En d’autres termes, la recherche exhaustive revient à lire chaque mot du dictionnaire pour en trouver un. La programmation en nombres entiers, c’est ouvrir directement la bonne page. Inutile de vérifier chaque possibilité—il suffit de décrire ce qu’est une « issue valide » et de laisser l’algorithme trouver les incohérences de prix.
Données réelles : 41 % des marchés offrent de l’arbitrage
L’article original indique que l’équipe de recherche a analysé les données d’avril 2024 à avril 2025 [2] :
• 17 218 conditions vérifiées
• 7 051 conditions avec arbitrage sur un marché unique (41 %)
• Écart médian des prix : 0,60 $ (devrait être 1,00 $)
• 13 opportunités d’arbitrage inter-marchés confirmées
Un écart médian de 0,60 $ indique que le marché s’écarte souvent de 40 %. Ce n’est pas « presque efficient »—c’est « largement exploitable ».
Chapitre 2 : Projection de Bregman—calculer l’arbitrage optimal
Trouver de l’arbitrage est une chose. Calculer le trade optimal en est une autre.
Vous ne pouvez pas simplement « moyenner » ou « ajuster les prix ». Il faut projeter l’état de marché actuel dans l’espace sans arbitrage, tout en préservant la structure informationnelle des prix.
Pourquoi la distance euclidienne ne fonctionne pas
L’approche intuitive consiste à chercher le « prix valide le plus proche » et à trader la différence.
Mathématiquement, cela revient à minimiser la distance euclidienne : ||μ - θ||²
Mais cela traite tous les changements de prix de façon identique.
Un passage de 0,50 $ à 0,60 $ et de 0,05 $ à 0,15 $ sont deux changements de 0,10 $, mais leur contenu informationnel diffère radicalement.
Pourquoi ? Parce que les prix représentent des probabilités implicites. Passer de 50 % à 60 % est un ajustement modéré. Passer de 5 % à 15 % est un changement majeur—un événement quasi impossible devient « relativement possible ».
Imaginez-vous sur la balance : passer de 70 kg à 80 kg, c’est « pris un peu ». De 30 kg à 40 kg (pour un adulte), c’est « de la quasi-mort à la dénutrition sévère ». Même changement de 10 kg, mais signification totalement différente. Les variations de prix proches de 0 ou 1 portent beaucoup plus d’information.
Divergence de Bregman : la bonne distance
Le market maker de Polymarket utilise le LMSR (Logarithmic Market Scoring Rule) [4], où les prix représentent des distributions de probabilité.
Ici, la bonne métrique de distance n’est pas euclidienne, mais la divergence de Bregman [5].
Pour LMSR, la divergence de Bregman devient la divergence de KL (Kullback-Leibler) [6]—une mesure de la « distance informationnelle » entre deux distributions de probabilité.
Inutile de retenir la formule. Il suffit de savoir :
La divergence de KL accorde automatiquement plus de poids aux variations proches des extrêmes. Un passage de 0,05 $ à 0,15 $ est « plus éloigné » sous KL qu’un passage de 0,50 $ à 0,60 $. Cela correspond à notre intuition—des variations extrêmes traduisent de forts chocs informationnels.
Un bon exemple : sur le marché de prédiction de @zachxbt, Axiom a dépassé Meteora à la dernière minute, sous l’effet d’un mouvement extrême des prix.
Projection de Bregman vs projection euclidienne
Profit d’arbitrage = distance de projection de Bregman
Une conclusion centrale de l’article cité :
Le profit garanti maximal d’un trade correspond à la distance de projection de Bregman entre l’état de marché actuel et l’espace sans arbitrage.
En d’autres termes : plus les prix de marché s’écartent de la zone valide, plus vous pouvez gagner. La projection de Bregman vous indique :
- Quoi acheter ou vendre (direction de la projection = sens du trade)
- Combien acheter ou vendre (en tenant compte de la profondeur du carnet d’ordres)
- Combien vous pouvez gagner (distance de projection = profit maximal)
Le meilleur arbitragiste a gagné 2 009 631,76 $ en un an [2]. Sa stratégie consistait simplement à résoudre ce problème d’optimisation plus vite et plus précisément que les autres.
Polytope marginal et arbitrage
Imaginez-vous au sommet d’une montagne, avec une rivière (l’espace sans arbitrage) en contrebas. Votre position actuelle (prix de marché) se situe à une certaine distance de la rivière.
La projection de Bregman vous aide à trouver le « plus court chemin vers la rivière »—non pas la ligne droite, mais le chemin le plus court tenant compte du relief (structure du marché). La longueur de ce chemin correspond à votre profit maximal possible.
Chapitre 3 : Algorithme de Frank-Wolfe—rendre la théorie opérationnelle
Vous savez maintenant : pour calculer l’arbitrage optimal, il faut une projection de Bregman.
Mais voici le problème—calculer directement la projection de Bregman n’est pas faisable.
Pourquoi ? Parce que l’espace sans arbitrage (le polytope marginal M) a un nombre exponentiel de sommets. L’optimisation convexe standard exige l’accès à l’ensemble complet des contraintes, c’est-à-dire énumérer chaque issue valide. Impossible à grande échelle.
L’idée centrale de Frank-Wolfe
Le génie de l’algorithme de Frank-Wolfe [7] est de ne pas tout résoudre d’un coup, mais de converger étape par étape.
Voici son fonctionnement :
Étape 1 : Démarrer avec un petit ensemble d’issues valides connues.
Étape 2 : Optimiser sur cet ensemble pour trouver la meilleure solution actuelle.
Étape 3 : Utiliser la programmation en nombres entiers pour trouver une nouvelle issue valide et l’ajouter à l’ensemble.
Étape 4 : Vérifier si vous êtes assez proche de l’optimal. Sinon, revenir à l’étape 2.
Chaque itération ajoute un sommet. Même après 100 itérations, vous ne traitez que 100 sommets—pas 2^63.
Itération Frank-Wolfe
Imaginez chercher une sortie dans un immense labyrinthe.
La méthode exhaustive consiste à parcourir tous les chemins. La méthode Frank-Wolfe consiste à choisir un chemin au hasard, puis à chaque embranchement, demander à un « guide » (le solveur de programmation en nombres entiers) : « À partir d’ici, quelle direction a le plus de chances de mener à la sortie ? » Puis avancer d’un pas dans cette direction. Inutile d’explorer tout le labyrinthe—il suffit de faire le bon choix à chaque carrefour.
Solveur de programmation en nombres entiers : le guide à chaque étape
Chaque itération Frank-Wolfe nécessite de résoudre un problème de programmation linéaire en nombres entiers. En théorie, c’est NP-difficile (aucun algorithme général rapide n’est connu).
Mais les solveurs modernes comme Gurobi [8] gèrent efficacement les problèmes bien structurés.
L’équipe de recherche a utilisé Gurobi 5.5. Temps de résolution réels [2] :
• Itérations précoces (peu de matchs terminés) : moins de 1 seconde
• Milieu de tournoi (30–40 matchs terminés) : 10–30 secondes
• Fin de tournoi (50+ matchs terminés) : moins de 5 secondes
Pourquoi est-ce plus rapide à la fin ? Parce qu’au fur et à mesure que les résultats sont connus, l’espace des solutions valides se réduit. Moins de variables, contraintes plus strictes, résolution plus rapide.
Explosion du gradient et Frank-Wolfe avec barrière
Le Frank-Wolfe standard a un problème technique : à mesure que les prix approchent de 0, le gradient du LMSR tend vers moins l’infini, ce qui provoque des instabilités.
La solution est le Frank-Wolfe avec barrière : on optimise non pas sur tout le polytope M, mais sur une version légèrement « rétrécie » M’. Le paramètre de rétrécissement ε diminue de façon adaptative à chaque itération—on commence loin de la frontière (pour la stabilité), puis on s’en approche progressivement (pour la précision).
Les recherches montrent qu’en pratique, 50 à 150 itérations suffisent pour converger [2].
Performance réelle
L’article révèle un point clé [2] :
Sur les 16 premiers matchs du tournoi NCAA, le market maker Frank-Wolfe (FWMM) et un market maker à contraintes linéaires simples (LCMM) offrent des performances similaires—car le solveur de programmation en nombres entiers était encore trop lent.
Mais après 45 matchs, la première projection de 30 minutes a été réalisée avec succès.
Dès lors, FWMM a surperformé LCMM de 38 % en matière de pricing.
Le tournant : lorsque l’espace des issues s’est suffisamment réduit pour que la programmation en nombres entiers soit résolue dans la fenêtre de trading.
FWMM, c’est l’étudiant qui s’échauffe lors de la première moitié de l’examen, puis domine ensuite. LCMM, c’est l’élève régulier mais limité. La différence clé : FWMM dispose d’une arme plus puissante (projection de Bregman), mais il faut du temps pour la « charger » (attendre le solveur).
Chapitre 4 : Exécution—pourquoi vous pouvez encore perdre de l’argent après le calcul
Vous avez détecté une opportunité d’arbitrage. Vous avez utilisé la projection de Bregman pour calculer le trade optimal.
Il reste à exécuter.
C’est là que la plupart des stratégies échouent.
Exécution non atomique
Polymarket utilise un CLOB (Central Limit Order Book) [9]. Contrairement aux exchanges décentralisés, les transactions sur un CLOB s’exécutent séquentiellement—vous ne pouvez pas garantir que tous vos ordres seront exécutés simultanément.
Votre plan d’arbitrage :
Acheter YES à 0,30 $. Acheter NO à 0,30 $. Coût total : 0,60 $. Quel que soit le résultat, percevoir 1,00 $. Profit : 0,40 $.
Réalité :
Envoyer l’ordre YES → exécuté à 0,30 $ ✓
Votre ordre fait bouger le prix du marché.
Envoyer l’ordre NO → exécuté à 0,78 $ ✗
Coût total : 1,08 $. Paiement : 1,00 $. Résultat réel : perte de 0,08 $.
Un côté exécuté, l’autre non. Vous êtes exposé.
C’est pourquoi l’article ne compte que les opportunités avec sop profit supérieur à 0,05 $ [2]. Les écarts plus faibles sont effacés par le risque d’exécution.
Risque d’exécution non atomique
VWAP : le vrai prix d’exécution
N’imaginez pas pouvoir toujours remplir à la cotation affichée. Il faut calculer le VWAP (Volume Weighted Average Price) [10].
La méthode de l’équipe de recherche : pour chaque bloc sur la chaîne Polygon (environ toutes les 2 secondes), calculer le VWAP sur tous les trades YES et NO de ce bloc. Si |VWAP_yes + VWAP_no - 1,0| > 0,02, c’est enregistré comme opportunité d’arbitrage [2].
Le VWAP est le prix moyen réellement payé. Si vous voulez acheter 10 000 tokens mais que le carnet propose 0,30 $ pour 2 000, 0,32 $ pour 3 000, 0,35 $ pour 5 000—votre VWAP est (2 000×0,30 + 3 000×0,32 + 5 000×0,35) / 10 000 = 0,326 $. C’est plus élevé que le « meilleur prix » affiché.
Contraintes de liquidité : le profit dépend de la profondeur du carnet d’ordres
Même si les prix sont désalignés, votre profit est plafonné par la liquidité disponible.
Exemple réel [2] :
Le marché affiche un arbitrage : les prix YES totalisent 0,85 $. Profit potentiel : 0,15 $ par dollar. Mais la profondeur du carnet à ces prix n’est que de 234 $. Profit extractible maximal : 234 × 0,15 = 35,10 $.
Pour l’arbitrage inter-marchés, il faut de la liquidité sur toutes les positions simultanément. La liquidité la plus faible fixe le plafond.
C’est pourquoi, sur les plateformes quantitatives actuelles, l’impact des prix du carnet sur le prix d’exécution est critique.
insiders.bot
C’est la réponse à cette problématique pendant la période Beta publique.
Chapitre 5 : Le système complet—ce qui est réellement déployé
La théorie est propre. La production est complexe.
Voici à quoi ressemble un véritable système d’arbitrage opérationnel [2].
Pipeline de données
Données temps réel : connexion WebSocket à l sap API Polymarket [9], réception des mises à jour des carnets d’ordres (prix/quantité), notifications de trades et événements de création/résolution de marché.
Données historiques : interrogation des événements de contrats via l’API Alchemy Polygon node—OrderFilled (trade exécuté), PositionSplit (nouveau token émis), PositionsMerge (token brûlé).
L’équipe de recherche a analysé 86 millions de transactions [2]. Cette échelle requiert une infrastructure, pas seulement des scripts.
P.S. Actuellement, nous
insiders.bot
prévoyons d’ouvrir le code source d’une API de trading haute fréquence. Si vous comptez utiliser un modèle similaire et souhaitez un accès anticipé, contactez-moi en DM.
Couche de détection des dépendances
Pour 305 marchés liés à l’élection américaine, il y a 46 360 paires possibles à examiner. Une analyse manuelle est impossible.
L’équipe de recherche a utilisé une approche innovante : s’appuyer sur le grand modèle de langage DeepSeek-R1-Distill-Qwen-32B pour un premier filtrage [2].
Entrée : description des conditions de deux marchés. Sortie : JSON des combinaisons d’issues valides.
Ensuite, trois niveaux de validation : chaque marché a-t-il exactement une condition vraie ? Le nombre de combinaisons valides est-il inférieur à n × m (indiquant une dépendance) ? Le sous-ensemble dépendant satisfait-il les conditions d’arbitrage ?
Résultat : 40 057 paires indépendantes (pas d’arbitrage) → 1 576 paires dépendantes (arbitrage potentiel) → 374 paires répondant à des critères stricts → 13 paires exploitables confirmées par des humains [2].
La précision du LLM sur les marchés complexes à conditions multiples est de 81,45 %. Suffisant pour un sm filtrage, mais une vérification manuelle reste nécessaire avant exécution.
Moteur d’optimisation à trois couches
Couche 1 : Contraintes linéaires simples (LCMM). Vérifications rapides des règles de base—« la somme des probabilités vaut 1 », « si A implique B, alors P(A) ne peut dépasser P(B) ». Exécution en quelques millisecondes, éliminant les erreurs de pricing évidentes.
Couche 2 : Projection par programmation en nombres entiers (Frank-Wolfe + Gurobi). C’est le cœur du système. Paramètres : Alpha = 0,9 (extraire au moins 90 % de l’arbitrage disponible), ε initial = 0,1 (rétrécissement de 10 %), seuil de convergence = 1e-6, limite de temps = 30 minutes. Nombre typique d’itérations : 50–150. Temps de résolution par itération : 1–30 secondes [2].
Couche 3 : Validation d’exécution. Avant de soumettre les ordres, simulation des fills sur le carnet d’ordres actuel. Vérifications : la liquidité est-elle suffisante ? Quel est le slippage attendu ? Quel est le profit garanti après slippage ? Le profit dépasse-t-il le seuil minimum (0,05 $) ? L’exécution n’a lieu que si tous les critères sont remplis.
Gestion de position : formule de Kelly modifiée
La formule de Kelly standard [11] indique la part de capital à allouer à un trade. Pour l’arbitrage, il faut ajuster pour coincer le risque d’exécution :
f = (b×p - q) / b × √p
Où b est le pourcentage de profit d’arbitrage, p la probabilité d’exécution totale (estimée à partir de la profondeur du carnet), et q = 1 - p.
Plafond : 50 % de la profondeur du carnet. Au-delà, votre ordre déplace significativement le marché.
Résultats finaux
D’avril 2024 à avril 2025, profit total extrait [2] :
Arbitrage sur une condition : acheter les deux côtés bas 5 899 287 $ + vendre les deux côtés haut 4 682 075 $ = 10 581 362 $
Rebalancement de marché : acheter tous les YES bas 11 092 286 $ + vendre tous les YES haut 612 189 $ + acheter tous les NO 17 307 114 $ = 29 011 589 $
Arbitrage combiné inter-marchés : 95 634 $
Total : 39 688 585 $
Top 10 des arbitragistes : 8 127 849 $ (20,5 % du total). Top arbitragiste : 2 009 632 $ sur 4 049 trades, soit 496 $ par trade en moyenne [2].
Ce n’est pas une loterie. Ce n’est pas de la chance. C’est une exécution systématique, mathématiquement rigoureuse.
La réalité finale
Pendant que les traders lisent « 10 conseils sur les marchés de prédiction », que font les systèmes quantitatifs ?
Ils utilisent la programmation en nombres entiers pour détecter les dépendances entre 17 218 conditions. Ils utilisent la projection de Bregman pour calculer les arbitrages optimaux. Ils exécutent l’algorithme de Frank-Wolfe pour gérer l’explosion du gradient. Ils utilisent le VWAP pour estimer le slippage et exécuter les ordres en parallèle. Ils extraient systématiquement 40 millions de dollars de profits garantis.
La différence, ce n’est pas la chance. C’est l’infrastructure mathématique.
L’article est public [1]. Les algorithmes sont connus. Les profits sont réels.
La vraie question : saurez-vous le construire avant que les prochains 40 millions de dollars ne soient extraits ?
Fiche de référence rapide
• Polytope marginal → L’ensemble de tous les prix valides. Les prix doivent se situer dans cette région pour qu’il n’y ait pas d’arbitrage.
• Programmation en nombres entiers → Décrit les issues valides par des contraintes linéaires, sans énumération exhaustive. Comprime 2^63 vérifications en quelques contraintes [3].
• Divergence de Bregman / Divergence de KL → Mesure la distance entre deux distributions de probabilité, plus adaptée que la distance euclidienne pour les scénarios prix/probabilité. Accorde plus de poids aux variations proches des extrêmes [5][6].
• LMSR (Logarithmic Market Scoring Rule) → Mécanisme de pricing utilisé par le market maker de Polymarket ; les prix représentent des probabilités implicites [4].
• Algorithme de Frank-Wolfe → Algorithme d’optimisation itératif qui ajoute un nouveau sommet à chaque itération, évitant l’énumération exponentielle des issues valides [7].
• Gurobi → Solveur de programmation en nombres entiers leader du secteur, le guide à chaque itération Frank-Wolfe [8].
• CLOB (Central Limit Order Book) → Mécanisme de trading de Polymarket ; les ordres s’exécutent en favorisant la séquence, sans atomicité [9].
• VWAP (Volume Weighted Average Price) → Prix moyen réellement payé, tenant compte de la profondeur du carnet. Plus réaliste que la meilleure cotation [10].
• Formule de Kelly → Indique la part de capital à allouer à un trade, équilibre rendement et risque [11].
• Exécution non atomique → Problème où plusieurs ordres ne peuvent être garantis d’être exécutés simultanément. Un côté passe, l’autre non—risque d’exposition.
• DeepSeek → Grand modèle de langage utilisé pour le filtrage des dépendances de marché, précision de 81,45 %.
Références
[1] Publication originale : https://x.com/RohOnChain/status/2017314080395296995
[2] Article de recherche « Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets » : https://arxiv.org/abs/2508.03474
[3] Fondements théoriques « Arbitrage-Free Combinatorial Market Making via Integer Programming » : https://arxiv.org/abs/1606.02825
[4] Explication du LMSR : https://www.cultivatelabs.com/crowdsourced-forecasting-guide/how-does-logarithmic-market-scoring-rule-lmsr-work
[5] Introduction aux divergences de Bregman : https://mark.reid.name/blog/meet-the-bregman-divergences.html
[6] Divergence de KL - Wikipédia : https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
[7] Algorithme de Frank-Wolfe - Wikipédia : https://en.wikipedia.org/wiki/Frank%E2%80%93Wolfe_algorithm
[8] Gurobi Optimizer : https://www.gurobi.com/
[9] Documentation API Polymarket CLOB : https://docs.polymarket.com/
[10] Explication du VWAP - Investopedia : https://www.investopedia.com/terms/v/vwap.asp
[11] Formule de Kelly - Investopedia : https://www.investopedia.com/articles/trading/04/091504.asp
[12] Article Decrypt « The $40 Million Free Money Glitch » : https://decrypt.co/339958/40-million-free-money-glitch-crypto-prediction-markets
Avertissement
- Cet article est reproduit depuis [mrryanchi], avec copyright appartenant à l’auteur original [@RohOnChain]. Si vous avez une objection à cette reproduction, veuillez contacter l’équipe Gate Learn, qui prendra les mesures appropriées conformément à la procédure en vigueur.
- Avertissement : Les opinions exprimées dans cet article n’engagent que leur auteur et ne constituent en aucun cas un conseil en investissement.
- Les autres versions linguistiques de cet article sont traduites par l’équipe Gate Learn. Sauf mention explicite de Gate, toute reproduction, distribution ou plagiat des articles traduits est interdite.
