tl’dr

• As pessoas têm previsto que os mercados de previsão vão decolar mais cedo ou mais tarde e as melhorias contínuas na experiência do usuário têm preparado este segmento para decolar
• Mas para escalar para bilhões de usuários, precisamos de "algo novo" além das melhorias contínuas na experiência do usuário, e isso são AIs como o pino e o ponto central na máquina
• Um quarteto de IA de criadores de conteúdo, recomendadores de eventos, alocadores de liquidez e agregadores de informações pode catalisar uma nova atividade massiva neste espaço
• Integrar esses AIs no atual framework de previsão de mercado pode permitir previsões de mercado em uma escala microscópica, tornando-as pessoalmente atraentes e relevantes
• O primitivo do mercado de previsão abre caminho para aplicativos de mercado de previsão semelhantes ao Tinder, incorporando experiências de negociação preditiva em nossa existência digital cotidiana

Cada decisão começa com uma previsão. Considere ponderar sobre o potencial do Bitcoin: "Comprar Bitcoin agora resultará em um investimento dobrado até o final do ano? Se a perspectiva de "sim" for considerada até marginalmente mais provável do que "não", seria economicamente racional decidir comprar Bitcoin na ausência de alternativas superiores.

Mas por que parar no Bitcoin? Imagine se pudéssemos arquitetar mercados baseados em previsões sobre todos os tipos de eventos, como quem será o próximo presidente dos EUA ou qual país ganhará a Copa do Mundo. Aqui, não são os ativos, mas as previsões em si que são negociadas.

Previsões moldam mercados, mercados validam nossas previsões

Os mercados de previsão foram chamados de o “santo graal da tecnologia epistêmica” por Vitalik.

Vitalik tem um talento para perceber grandes coisas antes dos outros. Então ele é uma boa fonte para narrativas de frontrunning. Ele propôs a ideia de uma AMM no Ethereum há sete anos em um postagem no blog. "Outro cara" chamado Hayden Adams assumiu a ação e começou a construí-la, com uma bolsa de $60 mil. Dois anos depois, Uniswap estava nascido.

Se os posts do blog do Vitalik puderem iniciar a criação de $100+ bilhõesindústrias de dólar, provavelmente devemos prestar atenção a elas. Por exemplo, acontece que Vitalik estava animado com o uso de mercados de previsão na governançade volta em 2014— uma forma radical de governança conhecida como "futarchy" — e agora temosMeta DAOfazendo exatamente isso, com grandes empresas de VC como Panteraparticipando disso.

Mas é o seu mais discussões recentessobre previsão de mercados + IA que queremos focar, pois estamos começando a ver o início de algo grande aqui.

Mercados de previsão estão prontos para decolar

O mercado líder de previsão de mercado no momento é o Polymarket, devido às suas melhorias contínuas de UX e expansão de categorias de eventos e ofertas de eventos.

Fonte de dados: Dune

O volume mensal atingiu recentemente máximos históricos e provavelmente aumentará com as eleições presidenciais nos EUA em novembro deste ano (a atividade da Polymarket é centrada nos EUA).

Há mais um precedente para acreditar que os mercados de previsão poderiam decolar este ano. Além dos mercados de cripto atingindo recordes em 2024, também temos um dos maiores anos eleitorais da história este ano. Oito das dez nações mais populosas do mundo, incluindo os EUA, Índia, Rússia, México, Brasil, Bangladesh, Indonésia e Paquistão também vão às urnas. Também temos as Olimpíadas de Verão de 2024 chegando em Paris.

Mas, dado que os volumes mensais ainda estão na casa dos milhões quando poderia atingir centenas de milhões, vamos considerar algumas das limitações dos atuais mercados de previsão:

• Controle centralizado sobre a criação de eventos
• Falta de incentivos para criadores de conteúdo da comunidade
• Personalização insuficiente
• Principalmente centrado nos EUA; negligenciando oportunidades internacionais substanciais

Mas precisamos de “something new”

Acreditamos que a coisa é IA.

Precisamos de IAs como jogadores no jogo. Esperamos que em breve seja comum ver IAs (bots) participando ao lado de agentes humanos em mercados de previsão. Já podemos ver demonstrações ao vivo disso em PresságioePrevisão de mercado, entre outros provavelmente muitos a entrar nesta cena. Mais sobre isso mais tarde.

Os AIs precisam de AIs como árbitros do jogo. Embora relativamente raro, pode haver casos em que a resolução de disputas é importante e necessária em um mercado de previsão. Por exemplo, em uma eleição presidencial, os resultados podem ser muito próximos e alegações de irregularidades na votação podem surgir. Portanto, enquanto o mercado de previsão pode fechar favorável ao Candidato A, a comissão eleitoral oficial pode declarar o Candidato B como o vencedor. Aqueles que apostaram no Candidato A argumentarão contra o resultado devido às alegadas irregularidades na votação, enquanto aqueles que apostaram no Candidato B argumentarão que a decisão da comissão eleitoral reflete o resultado “verdadeiro”. Muito dinheiro pode estar em jogo. Quem está certo?

Responder a esta pergunta apresenta vários desafios:

• Os jogadores podem não confiar em árbitros humanos devido aos seus preconceitos
• A arbitragem humana pode ser lenta e cara
• Resoluções de previsão baseadas em DAO são vulneráveis a ataques de Sybil

Para resolver isso, os mercados de previsão podem usar sistemas de disputa de várias rodadas a la Klerosexceto usando AIs em vez de humanos para resolver disputas nas primeiras rodadas e apenas humanos estão envolvidos em casos raros em que as disputas chegam a um impasse. Os jogadores podem confiar nas AIs para serem imparciais, pois fabricar dados de treinamento suficientes para viés é inviável. Além disso, os árbitros de IA trabalham mais rápido e a um custo muito mais baixo.xMarketsestá construindo nessa direção.

AIs criam desejo

Para que os mercados de previsão realmente deslanchem, eles precisam ser capazes de despertar interesse suficiente para levar as pessoas além do limiar psicológico de negociar ativos de previsão. Pode não ser necessário muito para isso em tópicos gerais que muitas pessoas se importam, como quem ganhará uma eleição presidencial ou o Super Bowl. No entanto, incluir apenas tópicos gerais limita severamente a liquidez potencial. Idealmente, um mercado de previsão poderia aproveitar a liquidez de eventos específicos de grande interesse para audiências de nicho. É assim que a publicidade direcionada funciona, e todos sabemos que a publicidade direcionada funciona.

Para conseguir isso, os mercados de previsão precisam resolver quatro desafios gerais:

1. Fornecimento de Eventos: O fornecimento de eventos altamente relevante é fundamental. Para chamar a atenção de um público de nicho, porém dedicado, os criadores de eventos devem compreender profundamente os interesses de sua comunidade para impulsionar a participação e os volumes.
2. Demanda do Evento: A demanda precisa ser alta dentro da comunidade-alvo específica, levando em consideração suas idiossincrasias demográficas e psicográficas.
3. Liquidez do Evento: Existe diversidade de opiniões e dinâmicas suficientes dentro da comunidade-alvo para impulsionar liquidez suficiente para manter ambas as partes e minimizar o deslizamento.
4. Agregação de informações: Os jogadores devem ter acesso fácil a informações suficientes para que se sintam confiantes para fazer uma aposta. Isso pode incluir uma análise de fundo, dados históricos relevantes e opiniões de especialistas.

Agora, vamos ver como a IA poderia lidar com cada um desses desafios:

1. AIs criadores de conteúdo: Os AIs criadores de conteúdo ("copilotos") auxiliam na criação de conteúdo além das capacidades ou motivação humanas. Os AIs sugerem tópicos de eventos oportunos e relevantes, analisando tendências de notícias, mídias sociais e dados financeiros. Os criadores de conteúdo - sejam humanos ou AIs - serão recompensados por gerar conteúdo envolvente que mantenha suas comunidades animadas. O feedback da comunidade aprimora a compreensão dos AIs sobre suas comunidades, tornando-o um mecanismo de criação de conteúdo em melhoria iterativa para unir criadores de conteúdo e suas audiências.
2. AIs de Recomendação de Eventos: Os AIs recomendadores de eventos adaptam sugestões de eventos aos usuários com base em seus interesses, histórico de negociação e necessidades específicas, focando em recomendar eventos propícios para debate e oportunidades de negociação. Ele se adapta aos comportamentos dos usuários em diferentes regiões, contextos culturais e horários. O objetivo final é um feed altamente direcionado de eventos, livre de conteúdo pessoalmente irrelevante que polui as plataformas de previsão de mercado hoje.
3. Liquidity Allocator AIs: Os AIs alocadores de liquidez enfrentam o risco de contraparte otimizando as injeções de liquidez para reduzir o spread de oferta e demanda. Para minimizar o risco, os AIs podem implementar o regra de pontuação de mercado logarítmicamodelo AMM (LMSR) especificamente projetado para minimizar o risco em mercados de previsão de baixa liquidez. Eles também poderiam incorporaragentes de aprendizado por reforçoque ajustam dinamicamente a profundidade da liquidez, as taxas do protocolo e a curva de vinculação para minimizar ainda mais o risco. Esses AIs gerenciam a liquidez do evento a partir de um pool LP geral, recompensando as contribuições com receita de taxas acumulada ou tokens da plataforma como incentivo adicional. Tudo isso significa adaptação preventiva às mudanças de mercado, redução de deslizamento e melhor estabilidade de preço.
4. Agregadores de Informações de IA: Essas IAs utilizam cálculos sobre uma ampla gama de indicadores (por exemplo, dados on-chain, dados históricos, notícias, indicadores de sentimento) para que os participantes compreendam abrangentemente o evento. A partir daí, as IAs de agregação de informações podem oferecer projeções abrangentes, transformando os mercados de previsão na principal fonte para tomadas de decisão informadas e geração de alpha. Os projetos podem optar por tokenizar o acesso às percepções obtidas pelas IAs de agregação de informações, porque nos mercados de previsão, conhecimento = dinheiro.

Agora, vamos ver como isso se parece quando você o junta. Abaixo, você pode ver os principais componentes e funcionamento de um mercado de previsão sem AIs (em preto) e com AIs (em azul).

No modelo não-AI, criadores de conteúdo (geralmente a plataforma em si) criam eventos arbitrariamente, fornecem liquidez (inicialmente subsidiada por seus tesouros), salvam os eventos em um banco de dados de eventos e os promovem em massa para jogadores humanos. É assim que o Polymarket funciona atualmente, e está funcionando muito bem.

Mas, acho que pode melhorar muito.

No modelo de IA, os copilotos de IA dos criadores de conteúdo apoiam os criadores de conteúdo na criação e promoção de eventos dentro de comunidades gerais ou de nicho específicas. A provisão de liquidez é suportada por AIs alocadores de liquidez que otimizam injeções de liquidez ao longo do tempo através da aprendizagem dos livros de ordens dos jogadores e do uso de dados externos de oráculos e outros fornecedores de dados. As AIs de recomendação de eventos utilizam eventos armazenados no banco de dados de eventos e o histórico de transações da carteira para otimizar a recomendação de eventos personalizada com base em interesses pessoais. Por fim, as AIs de agregação de informações coletam informações de fornecedores de dados para fornecer informações educacionais e contextuais aos jogadores humanos e informar os jogadores de IA sobre suas decisões de previsão. O objetivo final? Um sistema de mercado de previsão ajustado que permite que os mercados de previsão funcionem em uma escala microscópica.

Mercados de previsão nessa escala possibilitariam uma experiência de usuário diferente, mais parecida com Tinder ou TikTok. Como os eventos são altamente segmentados, eles poderiam ser alimentados para você em um feed à la TikTok e — mesmo com a tecnologia de carteira e blockchain de hoje — os jogadores poderiam fazer apostas deslizando para a esquerda ou direita à la Tinder. Imagine só. Pessoas fazendo microapostas nos eventos que realmente importam para elas enquanto estão indo para o trabalho ou escola.

Superpotencializando a agregação de informações

De entre os resultados mais notoriamente difíceis de prever estão os preços dos ativos, então vamos focar aqui para ver como os AIs se saem ao empurrar os limites do que é possível nos mercados de previsão.

O uso de IA para prever preços de ativos está sendo ativamente explorado em círculos acadêmicos. Técnicas de aprendizado de máquina (ML) como modelos lineares, florestas aleatórias e máquinas de vetor de suporte têm sidomostradoprever os preços das criptomoedas com maior precisão do que os juízes humanos. Esses modelos descobriram que indicadores comportamentais como a intensidade da pesquisa no Google explicam a variação de preços.

pesquisa da IBM exploradomercados de previsão artificial para previsão de preços de commodities, oferecendo um estudo de caso convincente sobre a integração da IA com os mercados de previsão. Sua pesquisa destaca o potencial dos mercados de previsão artificial para agregar diversas e em constante evolução fontes de informação em tempo real para fazer previsões melhores, mesmo em problemas complexos do mundo real, como prever os preços de commodities voláteis não negociadas em bolsas online (por exemplo, etileno, hidrocarbonetos). A razão pela qual os agentes de IA podem superar os modelos ML padrão aqui é que eles aprendem ao longo do tempo, por si próprios - também conhecidos como agentes.

Outro estudo comparando regressão de floresta aleatória e LSTM para prever o preço do Bitcoin no próximo diamostrouque o primeiro teve um desempenho melhor em termos de menos erro de previsão. Também demonstrou o poder da IA na amplitude de agregação de informações - muito além da capacidade humana comum - para modelar 47 variáveis em oito categorias, incluindo (a) variáveis de preço do Bitcoin; (b) indicadores técnicos do Bitcoin; © outros preços de tokens; (d) commodities; (e) índices de mercado: (f) câmbio; (g) atenção pública); e (h) variáveis fictícias da semana. Os preditores mais importantes variaram ao longo do tempo, desde os índices do mercado de ações dos EUA, o preço do petróleo e o preço do Ethereum de 2015 a 2018 até o preço do Ethereum e um índice do mercado de ações japonês de 2018 a 2022. Também descobriu que, para o preço do Bitcoin no dia seguinte, a regressão da floresta aleatória tem o melhor desempenho com um atraso de um dia.

Relação entre a magnitude do erro do modelo e o atraso

Podemos inferir que em alguns mercados de previsão populares, simplesmente há muito pouco tempo para um humano ocupado agregar, analisar e interpretar quantidades de dados suficientemente grandes para fazer boas previsões. Ou, os problemas são simplesmente muito complexos. Mas IAs podem fazer isso.

Recomendação de token de IA

Lagoestá construindo um modelo fundamental descentralizado de criptomoeda, que foi aplicado em recomendações de tokens geradas por IA derivadas de comportamentos on-chain. Atualmente, sua grande rede neural de gráficos (GNN) usa dados comportamentais on-chain para estimar probabilidades alfa de vários tokens. GNNs são uma classe de modelos de IA projetados especificamente para processar dados representados como gráficos, tornando-os úteis onde os dados estão interconectados com uma estrutura relacional, como as redes transacionais p2p das blockchains.Ditheré mais uma recomendação de token AI com um Telegram token-gatedbot de alerta, que adota uma abordagem de modelagem de séries temporais para recomendação de tokens.

Resolvendo o problema dos mercados finos

Um dos principais desafios enfrentados pelos mercados de previsão é que os mercados são muito finos para atrair jogadores e volume suficientes. Mas há uma diferença importante entre os mercados de previsão da década de 2010 e os da década de 2020, e isso é o possibilidade de participação ubíqua por IAs. Como Vitalik apontou:

Para adicionar, é possívelmelhoraros modelos de criador de mercado automatizado (AMM) subjacentes aos mercados de previsão. Por exemplo, um análisede mais de 2 milhões de transações na Polymarket identificaram problemas com o provisionamento de liquidez em mercados de previsão convergentes usando o tradicional AMM de produto constante (x*y=k), incluindo:

1. Convergência e remoção de liquidez. À medida que os mercados de previsão convergem (ou seja, à medida que o resultado se torna mais certo), os LPs são incentivados a remover sua liquidez. Este é um comportamento racional, pois o risco de manter tokens "perdedores" aumenta. Por exemplo, em um mercado convergindo para "sim," os tokens "não" se tornam menos valiosos (ou seja, perda impermanente), representando um risco para os LPs que podem acabar com tokens sem valor se não os venderem antecipadamente.
2. Viés e imprecisão. Essa redução na liquidez pode levar a menos precisão e mais viés à medida que os mercados de previsão convergem. Especificamente, na faixa de preço ponderada pelo volume de 0,2 a 0,8, os tokens 'não' são frequentemente subvalorizados e os tokens 'sim' são frequentemente supervalorizados.

Fonte: Kapp-Schwoerer (2023)

Para enfrentar esses problemas, os autores propõem um modelo de "formador de mercado líquido suave" (SLMM) e demonstram que ele pode aumentar os volumes e a precisão na convergência de mercados de previsão. Isso é feito introduzindo uma função de concentração no modelo (a la Uniswap v3), no qual os LPs fornecem uma posição de liquidez que só está ativa para intervalos de preço específicos. O resultado é uma exposição reduzida ao risco, garantindo que o número de tokens valiosos (por exemplo, tokens 'sim' em mercados convergentes para o resultado 'sim') mantidos pelos LPs não converja para zero à medida que os preços se ajustam, ao contrário do que acontece nos AMMs de produto constante.

LP-trader tradeoffs

Existe um ato de equilíbrio que deve ser alcançado ao escolher uma variante de AMM de liquidez concentrada como o SLMM para convergir mercados de previsão. Enquanto você está tentando reduzir o risco para os LPs, acaba desincentivando alguma atividade de negociação.

Especificamente, embora a liquidez concentrada possa tornar menos provável que os LPs percam à medida que o mercado converge para um resultado certo (diminuindo assim a retirada prematura), também pode reduzir as oportunidades de negociação para lucrar com pequenas mudanças de preço (por exemplo, como passar de $0,70 para $0,75) devido ao aumento do deslizamento, especialmente para grandes ordens. A consequência direta é que as margens de lucro potencial dos traders são reduzidas. Por exemplo, se esperam uma pequena variação de preço de $0,70 para $0,75, o deslizamento pode limitar o capital que podem efetivamente empregar para capturar o potencial de valorização esperado. Olhando para o futuro, será importante testar vários ajustes no termo de compensação nessas fórmulas de market maker para encontrar o ponto ideal.

Conclusão

O primitivo do mercado de previsão é poderoso. Claro, como qualquer outro primitivo de criptografia, enfrenta desafios, mas estamos confiantes de que eles serão superados. À medida que são gradualmente superados, podemos esperar ver este primitivo sendo reutilizado para responder a todo tipo de perguntas em uma ampla variedade de contextos digitais. Com avanços em soluções de segmentação e liquidez, podemos esperar o desenvolvimento de mercados de previsão de nicho. Por exemplo, leve os usuários do X (anteriormente Twitter):

• X irá introduzir um Premium++ ou equivalente até o final do ano?
• X disponibilizará o recurso de edição de tweet para todos os usuários até o terceiro trimestre?
• X reportará um aumento de usuários ativos diários no próximo relatório trimestral?
• A receita de publicidade do X aumentará ou diminuirá no próximo trimestre?
• X anunciará novas parcerias importantes com criadores de conteúdo até o final do ano?
• Será que X lançará uma funcionalidade relacionada a blockchain ou criptomoedas até o terceiro trimestre?

Curiosamente, essas perguntas não precisam ficar confinadas a sites de previsão de mercado autônomos. Elas poderiam ser integradas diretamente ao X ou a outras plataformas por meio de extensões do navegador. Podemos começar a ver mercados de micro-previsão surgirem regularmente em nossas experiências online diárias, enriquecendo a navegação comum com oportunidades de negociação especulativa.

Eu escrevi intencionalmente algumas das perguntas acima e pedi ao ChatGPT que escrevesse as outras. Quais eu escrevi e quais o conteúdo criador da IA escreveu? Se for difícil dizer, é porque o criador de conteúdo da IA do ChatGPT já é realmente bom. Assim como os AIs de agregação de informações e os motores de recomendação construídos por outras Big Tech (olhe os anúncios que o Google e o Instagram te alimentam). Embora igualar o desempenho desses modelos exija trabalho e tempo, eles demonstram a viabilidade dessas categorias de IA. A principal questão em aberto, sem precedentes, está mais na direção dos AIs alocadores de liquidez, jogadores de IA e no desenvolvimento de autoaperfeiçoamento e direcionamento de metas em AIs - a evolução do aprendizado de máquina básico para agentes de IA verificáveis.

Se você está construindo nestes espaços ou este post ressoa com você, façaentrar em contato!

Leitura relevante

• Buterin, V. (2024).As promessas e desafios das aplicações de cripto + IA.
• Rein Y. Wu, et al., Mercado de previsão centrado na intenção com IA e tecnologia Web3, Blockchain - Pioneirismo da infraestrutura Web3 para um futuro inteligente, 2024.
• Kapp-Schwoerer, L. (2023).Melhoria da Liquidez para Mercados de Previsão.

Aviso Legal：

1. Este artigo é reimpresso de [GateCapital Inception], Todos os direitos autorais pertencem ao autor original [Hiroki Kotabe]. Se houver objeções a esta reimpressão, por favor entre em contato com oGate Learnequipe e eles vão lidar com isso prontamente.
2. Isenção de Responsabilidade: As visões e opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe de aprendizado da Gate. Salvo indicação em contrário, copiar, distribuir ou plagiar os artigos traduzidos é proibido.