tl’dr

• As pessoas têm vindo a prever que os mercados de previsão vão descolar mais cedo ou mais tarde e as melhorias contínuas na UX prepararam este segmento para descolar
• Mas para escalar para bilhões de usuários, precisamos de "algo novo" além das melhorias contínuas na UX, e isso é a IA como o elo 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 do mercado de previsão pode permitir mercados de previsão em uma escala microscópica, tornando-os pessoalmente atraentes e relevantes
• O primitivo 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 num investimento duplicado até ao final do ano? Se a perspetiva de "sim" for considerada mesmo marginalmente mais provável do que "não", seria economicamente racional decidir comprar Bitcoin na ausência de alternativas superiores.

Mas por que parar no Bitcoin? Imagine que poderíamos 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 têm sido chamados de o “santo graal da tecnologia epistêmica” por Vitalik.

Vitalik tem um talento para ver coisas grandes antes dos outros. Por isso, ele é uma boa fonte para narrativas de frontrunning. Ele propôs a ideia de um AMM na Ethereum há sete anos num postagem no blog. “Outro cara” chamado Hayden Adams aceitou o desafio e começou a construí-lo, com uma bolsa de $60K. Dois anos depois, Uniswap estava nascido.

Se os posts no blog do Vitalik puderem iniciar a criação de $100+ billionindústrias de dólares, provavelmente devemos prestar atenção a elas. Por exemplo, acontece que Vitalik estava entusiasmado com o uso de mercados de previsão na governaçãode volta em 2014— uma forma radical de governança conhecida como “futarchy” — e agora temosMeta DAOfazendo exatamente isso, com grandes empresas de VC como Panteraparticipar.

Mas é mais do que issodiscussões recentesem torno de mercados de previsão + IA em que queremos focar, pois estamos começando a ver os primeiros sinais de algo grande aqui.

Os mercados de previsão estão prontos para decolar

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

Fonte de dados: Dune

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

Existe mais um precedente para acreditar que os mercados de previsão poderiam descolar este ano. Além dos mercados de criptomoedas atingirem máximos históricos 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 os Jogos Olímpicos de Verão de 2024 a decorrer em Paris.

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

• Controle centralizado sobre a criação de eventos
• Uma falta de incentivos para os criadores de conteúdo da comunidade
• Personalização insuficiente
• Predominantemente centrado nos EUA; ignorando oportunidades internacionais substanciais

Mas precisamos de "algo novo"

Acreditamos que essa coisa é IA.

Precisamos de AIs como jogadores no jogo. Esperamos que em breve seja comum ver AIs (bots) a participar ao lado de agentes humanos em mercados de previsão. Já podemos ver demonstrações ao vivo disso em PresságioePredX, entre muitos outros provavelmente a entrar neste cenário. 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. Assim, enquanto o mercado de previsão pode encerrar favorecendo o Candidato A, a comissão eleitoral oficial pode declarar o Candidato B como vencedor. Aqueles que apostaram no Candidato A argumentarão contra o resultado devido a 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 correto?

Responder a esta pergunta coloca vários desafios:

• Os jogadores podem não confiar em árbitros humanos devido aos seus preconceitos
• A arbitragem humana pode ser lenta e dispendiosa
• 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 vários rounds a la Klerosexceto usando AIs em vez de humanos para resolver disputas em fases anteriores 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 enviesá-los é inviável. Além disso, os árbitros de IA trabalham mais rápido e a um custo muito mais baixo.xMarketsestá a construir nesta direção.

As IA criam desejo

Para que os mercados de previsão realmente descolem, 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 vai ganhar uma eleição presidencial ou o Superbowl. 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, mas dedicado, os criadores de eventos devem compreender profundamente os interesses da sua comunidade para impulsionar a participação e o volume.
2. Demanda do Evento: A demanda precisa ser alta dentro da comunidade-alvo específica, tendo em conta as 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 reter ambas as partes e minimizar o deslizamento.
4. Agregação de Informações: Os jogadores devem ter acesso fácil a informações suficientes para os deixar confiantes para fazer uma aposta. Isso pode incluir uma análise de antecedentes, dados históricos relevantes e opiniões de especialistas.

Agora, vamos ver como a IA poderia abordar cada um destes desafios:

1. AIs criadores de conteúdo: AIs criadores de conteúdo ("copilotos") ajudam na criação de conteúdo além das capacidades ou motivação humanas. As AIs sugerem tópicos de eventos oportunos e relevantes, analisando tendências de notícias, redes 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 melhora a compreensão das AIs sobre suas comunidades, tornando-se um mecanismo de criação de conteúdo em constante melhoria para unir os criadores de conteúdo e seus públicos.
2. AIs de Recomendação de Eventos: Os AIs recomendadores de eventos adaptam sugestões de eventos aos utilizadores com base nos seus interesses, histórico de negociações e necessidades específicas, focando-se na recomendação de eventos propícios a debates e oportunidades de negociação. Adapta-se aos comportamentos dos utilizadores 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 mercado de previsão hoje em dia.
3. AIs de Alocação de Liquidez: Os AIs de alocação de liquidez lidam com o risco de liquidez da contraparte otimizando as injeções de liquidez para reduzir o spread de compra-venda. Para minimizar o risco, os AIs podem implementar o regra de pontuação de mercado logarítmico(LMSR) modelo AMM especificamente projetado para minimizar o risco em mercados de previsão de baixa liquidez. Eles também poderiam incorporaragentes de aprendizagem por reforçoque ajustam dinamicamente a profundidade da liquidez, as taxas do protocolo e a curva de vinculação para minimizar ainda mais o risco. Estes AIs gerem a liquidez do evento a partir de um pool geral de LP, recompensando as contribuições com receitas de taxas acumuladas ou tokens da plataforma como incentivo adicional. Tudo isto significa uma adaptação preventiva às mudanças de mercado, redução de deslizamento e melhor estabilidade de preços.
4. Agregadores de Informação AI: Estas AIs utilizam cálculos sobre uma ampla gama de indicadores (por exemplo, dados on-chain, dados históricos, notícias, indicadores de sentimento) para que os participantes entendam abrangentemente o evento. A partir daí, os agregadores de informação AI podem oferecer projeções abrangentes, transformando os mercados de previsão na fonte principal para tomadas de decisão informadas e alfa. Os projetos podem optar por tokenizar o acesso às informações obtidas pelos agregadores de informação AI, pois 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, os criadores de conteúdo (geralmente a própria plataforma) criam arbitrariamente eventos, fornecem liquidez (inicialmente subsidiada por seus tesouros), salvam os eventos em uma base de dados de eventos e os promovem em massa para os 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 AIs do copiloto do criador 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 pelos AIs alocadores de liquidez que otimizam injeções de liquidez ao longo do tempo através da aprendizagem dos livros de ordens dos jogadores e utilizando dados externos de oráculos e outros fornecedores de dados. Os AIs de recomendação de eventos utilizam eventos armazenados na base 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, os 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 resultado final? Um sistema de mercado de previsão ajustado que permite que os mercados de previsão funcionem em uma escala microscópica.

Mercados de previsão desta escala permitiriam uma experiência do utilizador diferente, mais semelhante ao Tinder ou TikTok. Como os eventos são altamente direcionados, poderiam ser apresentados a si num feed a la TikTok e — mesmo com a tecnologia de carteira e blockchain de hoje — os jogadores poderiam fazer apostas deslizando para a esquerda ou para a direita a la Tinder. Imagine isso. Pessoas fazendo microapostas nos eventos que lhes interessam pessoalmente enquanto se deslocam para o trabalho ou para a escola.

Agregação de informações Supercharging

Um dos resultados mais difíceis de prever é o preço dos ativos, por isso vamos focar aqui para ver como os AIs se saem ao tentar prever nos limites do que é possível nos mercados de previsão.

O uso de IA para prever os preços dos ativos está a ser ativamente explorado nos círculos académicos. Técnicas de aprendizagem automática (ML) como modelos lineares, florestas aleatórias e máquinas de vetores de suporte têm sido mostradoprever os preços das criptomoedas com maior precisão do que os juízes humanos. Estes modelos descobriram que indicadores comportamentais como a intensidade da pesquisa no Google explicam a variação de preços.

IBM pesquisaexploradomercados de previsão artificial para prever o preço das 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 fontes de informação em tempo real em evolução para fazer previsões melhores, mesmo em problemas do mundo real complexos, 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 padrão de ML aqui é que eles aprendem ao longo do tempo, por si mesmos - 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 menor erro de previsão. Também demonstrou o poder da IA na amplitude da 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 índices do mercado de ações dos EUA, preço do petróleo e preço do Ethereum de 2015 a 2018 até preço do Ethereum e um índice do mercado de ações japonês de 2018 a 2022. Também descobriu que, para o preço do Bitcoin do dia seguinte, a regressão de floresta aleatória apresenta 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 suficientemente grandes de dados para fazer boas previsões. Ou, os problemas são simplesmente muito complexos. Mas as IA podem fazer isso.

Recomendação de token de IA

Lagoestá a construir um modelo fundamental descentralizado de criptomoeda, que foi aplicado em recomendações de token geradas por IA derivadas de comportamentos on-chain. Atualmente, o grande grafo neural (GNN) usa dados comportamentais on-chain para estimar probabilidades alfa de vários tokens. Os GNNs são uma classe de modelos de IA projetados especificamente para processar dados representados como gráficos, tornando-os úteis onde os dados estão interligados com uma estrutura relacional, como as redes transacionais p2p das blockchains.Tremeré outra recomendação de token AI com um Telegram token-gatedalert bot, que adota uma abordagem de modelagem de séries temporais para recomendação de tokens.

Resolver o problema dos mercados estreitos

Um dos principais desafios enfrentados pelos mercados de previsão é que os mercados são muito estreitos 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 essa diferença é a possibilidade de participação ubíqua por IAs. Como Vitalik aponta:

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 a provisão 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 a sua liquidez. Este é um comportamento racional porque o risco de manter tokens "perdedores" aumenta. Por exemplo, num mercado que converge para o "sim", os tokens "não" tornam-se 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. Esta redução na liquidez pode levar a uma menor precisão e mais viés à medida que os mercados de previsão convergem. Especificamente, no intervalo de preço ponderado pelo volume de 0,2 a 0,8, os tokens 'não' são frequentemente subvalorizados e os tokens 'sim' são frequentemente sobrevalorizados.

Fonte: Kapp-Schwoerer (2023)

Para abordar essas questões, os autores propõem um modelo de “criador de mercado líquido suave” (SLMM) e demonstram que ele pode aumentar volumes e precisão na convergência de mercados de previsão. Fazem isso introduzindo uma função de concentração no modelo (à la Uniswap v3) em que os LPs fornecem uma posição de liquidez que está ativa apenas para intervalos de preço específicos. O resultado é uma exposição ao risco reduzida, garantindo que o número de tokens valiosos (por exemplo, tokens ‘sim’ em um mercado convergindo para o resultado ‘sim’) mantidos pelos LPs não converge para zero à medida que os preços se ajustam, ao contrário do AMM de produto constante.

Compromissos do trader de LP

Existe um ato de equilíbrio que deve ser alcançado ao escolher uma variante de AMM de liquidez concentrada como o SLMM para a convergência de mercados de previsão. Enquanto você está tentando reduzir o risco para 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 (reduzindo assim a retirada prematura), também pode reduzir as oportunidades de negociação para lucrar com pequenas mudanças de preço (por exemplo, como a mudança de $0.70 para $0.75) devido ao aumento do slippage, especialmente para grandes encomendas. A consequência direta é que as margens de lucro potenciais dos traders são comprimidas. Por exemplo, se esperam um pequeno movimento de preço de $0.70 para $0.75, o slippage 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 cripto, enfrenta desafios, mas estamos confiantes de que serão superados. À medida que são gradualmente superados, podemos esperar ver este primitivo reutilizado para responder a todo o tipo de perguntas numa 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, tome os utilizadores do X (anteriormente Twitter):

• X irá introduzir um Premium++ ou equivalente até ao final do ano?
• O X disponibilizará a funcionalidade de editar tweet para todos os utilizadores até ao terceiro trimestre?
• X irá reportar um aumento de utilizadores diários ativos no próximo relatório trimestral?
• A receita de publicidade da X aumentará ou diminuirá no próximo trimestre?
• X anunciará novas parcerias importantes com criadores de conteúdo até o final do ano?
• X lançará uma funcionalidade relacionada a blockchain ou criptomoeda até o terceiro trimestre?

Curiosamente, estas questões não precisam de ficar confinadas a websites de mercado de previsão autónomos. Podem ser integradas diretamente no X ou noutras plataformas através de extensões do navegador. Podemos começar a ver mercados de micro previsão a surgir regularmente nas nossas experiências online diárias, enriquecendo a navegação ordinária com oportunidades de negociação especulativa.

Escrevi intencionalmente algumas das perguntas acima e pedi ao ChatGPT para escrever as outras. Qual eu escrevi e qual foi escrito pelo criador de conteúdo da IA? Se for difícil dizer, é porque o criador de conteúdo da IA do ChatGPT já é muito bom. Assim como os AIs de agregação de informações e motores de recomendação construídos por outras Big Tech (olhe os anúncios que o Google e o Instagram lhe mostram). Embora igualar o desempenho desses modelos exija trabalho e tempo, eles demonstram a viabilidade dessas categorias de IA. A principal questão aberta que falta precedente está mais na direção de AIs distribuidores de liquidez, jogadores de IA e no desenvolvimento de autoaperfeiçoamento e objetividade nas AIs — a evolução do aprendizado de máquina básico para agentes de IA verificáveis.

Se está a construir nestes espaços ou este post ressoa consigo, façacontactar!

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 AI e Tecnologia Web3, Blockchain — Pioneirismo na 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 de autor pertencem ao autor original [Hiroki Kotabe]. Se houver objeções a esta reimpressão, entre em contato com o Gate Learnequipa, e eles vão lidar com isso prontamente.
2. Isenção de Responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem conselhos de investimento.
3. As traduções do artigo para outros idiomas são feitas pela equipe Gate Learn. A menos que seja mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.