المقدمة
خلال تطوير @insidersdotbot، أجريت حوارات معمقة مع فرق صناعة السوق والتحكيم عالية التردد. السؤال الأكثر إلحاحًا الذي واجهته: كيف تصمم استراتيجيات تحكيم فعّالة؟
مستخدمونا، أصدقاؤنا، وشركاؤنا جميعًا يستكشفون المسار المعقد ومتعدد الأبعاد للتحكيم على @Polymarket. إذا كنت من مستخدمي تويتر النشطين، فغالبًا ما رأيت منشورات مثل: "حققت مبلغ X من أسواق التنبؤ باستخدام استراتيجية التحكيم Y".
لكن معظم المقالات تبسط جوهر التحكيم بشكل مفرط، وتختزله في "أي شخص يمكنه القيام بذلك" أو "فقط استخدم Clawdbot"، دون تقديم شرح منهجي لبناء نظام تحكيم خاص بك.
إذا أردت أن تفهم فعليًا كيف تحقق أدوات تحكيم Polymarket الأرباح، أوصي بهذا المقال لـ @RohOnChain—وهو أكثر تحليل شامل اطلعت عليه حتى الآن.
وكما في مقالي السابق، ولأن النص الأصلي الإنجليزي يتضمن أقسامًا تقنية معقدة تتطلب دراسة أعمق، فقد أعدت هيكلة المحتوى وأضفت إليه لتتمكن من استيعاب كل النقاط الأساسية دون الحاجة للبحث عن معلومات إضافية.
التحكيم في Polymarket: ليس مجرد مسألة رياضية
افترض أنك ترى سوقًا على Polymarket:
سعر YES هو $0.62، وسعر NO هو $0.33.
تفكر: 0.62 + 0.33 = 0.95، أقل من 1—فرصة تحكيم! اشترِ كلًا من YES وNO مقابل $0.95، وبغض النظر عن النتيجة، ستحصل على $1.00، أي ربح صافٍ $0.05.
هذا صحيح.
لكن هنا تكمن المشكلة—بينما تجمع هذه الأرقام يدويًا، تقوم الأنظمة الكمية بعمليات مختلفة تمامًا.
هذه الأنظمة تفحص في الوقت ذاته 17,218 حالة عبر 2^63 مجموعة نتائج محتملة، وتحدد جميع التناقضات السعرية خلال أجزاء من الثانية. وبحلول الوقت الذي تضع فيه أوامرك، يكون الفارق قد اختفى. النظام يكون قد اكتشف بالفعل اختلالات مماثلة في عشرات الأسواق ذات الصلة، واحتسب أحجام المراكز المثلى مع مراعاة عمق دفتر الأوامر والرسوم، ونفّذ جميع الصفقات بالتوازي، ونقل رأس المال إلى الفرصة التالية [1].
الفجوة ليست في السرعة فقط. إنها بنية رياضية متقدمة.
الفصل 1: لماذا "الجمع" لا يكفي—مشكلة المضلع الهامشي
مغالطة السوق الواحد
مثال بسيط:
السوق A: "هل سيفوز ترامب بولاية بنسلفانيا؟"
سعر YES هو $0.48، وسعر NO هو $0.52. المجموع بالضبط $1.00.
يبدو مثالياً—لا تحكيم، أليس كذلك؟
خطأ.
أضف سوقًا آخر، وستتغير الصورة.
الآن، السوق B: "هل سيفوز الحزب الجمهوري ببنسلفانيا بفارق أكثر من 5 نقاط مئوية؟"
سعر YES هو $0.32، وسعر NO هو $0.68. المجموع أيضًا $1.00.
يبدو كل سوق "طبيعيًا". لكن توجد علاقة منطقية:
تُحسم الانتخابات الرئاسية الأمريكية ولاية بولاية. كل ولاية ساحة معركة مستقلة، ومن يحصل على أصوات أكثر يفوز بجميع أصواتها الانتخابية (نظام الفائز يأخذ الكل). ترامب مرشح الجمهوريين. إذًا "فوز الجمهوريين في بنسلفانيا" و"فوز ترامب في بنسلفانيا" هما نفس الحدث. إذا فاز الجمهوريون بفارق أكثر من 5 نقاط، فهذا يعني أن ترامب فاز ببنسلفانيا وبشكل حاسم.
أي أن YES في السوق B (اكتساح جمهوري) هي مجموعة فرعية من YES في السوق A (فوز ترامب)—الاكتساح دائمًا يعني فوزًا، لكن الفوز لا يعني بالضرورة اكتساحًا.
هذه العلاقة المنطقية تخلق فرص تحكيم.
يشبه ذلك المراهنة على "هل ستمطر غدًا؟" و"هل ستكون هناك عاصفة رعدية غدًا؟" إذا حدثت عاصفة رعدية، فلا بد أن تمطر (عاصفة رعدية ⊆ مطر). لذا لا ينبغي أن يكون سعر "YES عاصفة رعدية" أعلى من "YES مطر". إذا حدث خطأ في التسعير، يمكنك الشراء بسعر منخفض والبيع بسعر مرتفع في الوقت ذاته لتحقيق ربح خالٍ من المخاطر. هذا هو التحكيم.
الانفجار الأُسِّي: لماذا البحث بالقوة الغاشمة غير عملي
أي سوق بعدد n من الحالات لديه 2^n مجموعة أسعار محتملة.
يبدو ذلك قابلاً للإدارة؟ إليك مثالاً فعليًا.
سوق بطولة NCAA لعام 2010 [2]: 63 مباراة، كل منها لها نتيجتان (فوز/خسارة). أي 2^63 = 9,223,372,036,854,775,808 حالة محتملة—أكثر من 9 كوينتيليون. وكان هناك أكثر من 5,000 دفتر أوامر.
ما حجم 2^63؟ حتى بفحص مليار مجموعة في الثانية، ستحتاج إلى حوالي KP 292 سنة! لهذا البحث بالقوة الغاشمة مستحيل عمليًا.
فحص كل مجموعة على inn حدة؟ مستحيل حسابيًا.
الآن، انتخابات الولايات المتحدة 2024. وجد الباحثون 1,576 زوج سوق مع علاقات تبعية محتملة [2]. إذا كان كل زوج فيه 10 شروط، فهذا يعني 2^20 = 1,048,576 مجموعة لكل زوج. اضرب ذلك في 1,576 زوجًا. بحلول انتهاء حاسوبك المحمول، تكون الانتخابات قد انتهت منذ زمن بعيد.
البرمجة الصحيحة: استخدام القيود بدلًا من التعداد
الأنظمة الكمية لا تحل هذه المسألة بـ"تعداد أسرع"، بل بعدم التعداد أصلًا.
تستخدم البرمجة الصحيحة [3] لوصف "ما هي النتائج الصالحة".
مثال فعلي: سوق Duke مقابل Cornell—كل فريق له 7 دفاتر أوامر (0 إلى 6 انتصارات)، أي 14 حالة، أو 2^14 = 16,384 مجموعة.
لكن هناك قيد: لا يمكن أن يفوز كلا الفريقين بأكثر من 5 مباريات، إذ سيلتقيان في نصف النهائي (ولا يمكن أن يتأهل كلاهما).
كيف تحل البرمجة الصحيحة هذا؟ فقط ثلاثة قيود:
قيد 1: يجب أن يكون أحد دفاتر أوامر Duke السبعة صحيحًا بالضبط (عدد انتصارات نهائي واحد فقط).
قيد 2: يجب أن يكون أحد دفاتر أوامر Cornell السبعة صحيحًا بالضبط.
قيد 3: انتصارات Duke 5 + انتصارات Duke 6 + انتصارات Cornell 5 + انتصارات Cornell 6 ≤ 1 (لا يمكن أن يفوز كلاهما بذلك العدد).
ثلاثة قيود خطية بدلًا من 16,384 فحصًا بالقوة الغاشمة.
البحث بالقوة الغاشمة مقابل البرمجة الصحيحة
بعبارة أخرى، البحث بالقوة الغاشمة يشبه قراءة كل كلمة في القاموس للعثور على كلمة واحدة. البرمجة الصحيحة تشبه الانتقال مباشرة إلى الصفحة الصحيحة. لا تحتاج لفحص كل الاحتمالات—بل وصف شكل "الإجابات الصالحة" ودع الخوارزمية تكتشف النتائج المسعرة بشكل خاطئ.
بيانات حقيقية: %41 من الأسواق توفر فرص تحكيم
تشير المقالة الأصلية إلى أن فريق البحث حلل بيانات من أبريل 2024 إلى أبريل 2025 [2]:
• تم فحص 17,218 حالة
• 7,051 حالة بها تحكيم في سوق واحد (%41)
• الانحراف السعري الوسيط: $0.60 (المفترض $1.00)
• 13 فرصة تحكيم مؤكدة عبر الأسواق
انحراف وسيط $0.60 يعني أن السوق ينحرف غالبًا بنسبة %40. هذا ليس "شبه كفء"—بل "قابل للاستغلال على نطاق واسع".
الفصل 2: إسقاط بريغمان—حساب صفقة التحكيم المثلى
العثور على التحكيم خطوة. حساب الصفقة المثلى خطوة أخرى.
لا يمكنك فقط "تعديل المتوسط" أو "تعديل الأسعار". عليك إسقاط الحالة السوقية الحالية على الفضاء الخالي من التحكيم، مع الحفاظ على there's بنية المعلومات في الأسعار.
لماذا "المسافة الخطية" لا تصلح
النهج البديهي هو إيجاد "أقرب سعر صالح" والمتاجرة بالفارق.
رياضيًا، هذا يعني تقليل المسافة الإقليدية: ||μ - θ||²
لكن هذا يعامل كل التغييرات السعرية بالتساوي.
الانتقال من $0.50 إلى $0.60 ومن $0.05 إلى $0.15 كلاهما $0.10، لكن محتواهما المعلوماتي مختلف تمامًا.
لماذا؟ لأن الأسعار تمثل احتمالات ضمنية. التحرك من %50 إلى %60 تعديل متوسط. أما من %5 إلى %15 فهو تغيير جوهري—حدث شبه مستحيل يصبح "ممكنًا نوعًا ما".
تخيل أنك تزن نفسك: الانتقال من 70 كجم إلى 80 كجم "زيادة بسيطة". أما من 30 كجم إلى 40 كجم (لبالغ)، فهو "من شبه الوفاة إلى سوء تغذية حاد". نفس التغير بـ10 كجم، لكن المعنى مختلف تمامًا. التغيرات السعرية قرب 0 أو 1 تحمل معلومات أكبر.
تباعد بريغمان: "المسافة" الصحيحة
يستخدم صانع سوق Polymarket خوارزمية LMSR (قاعدة تسجيل السوق اللوغاريتمية) [4]، حيث تمثل الأسعار توزيعات احتمالية.
هنا، المقياس الصحيح للمسافة ليس الإقليدية، بل تباعد بريغمان [5].
بالنسبة لـLMSR، يصبح تباعد بريغمان هو تباعد KL (Kullback-Leibler) [6]—مقياس "المسافة المعلوماتية" بين توزيعين احتماليين.
لا حاجة لحفظ الصيغة. فقط اعرف:
تباعد KL يعطي وزنًا أكبر تلقائيًا للتغييرات قرب الأسعار القصوى. الانتقال من $0.05 إلى $0.15 هو "أبعد" تحت تباعد KL من $0.50 إلى $0.60. وهذا يتوافق مع الحدس—تغييرات الأسعار المتطرفة تعني صدمات معلوماتية أكبر.
مثال واقعي: في سوق التنبؤ الخاص بـ @zachxbt، تفوقت Axiom على Meteora في اللحظة الأخيرة، مدفوعة بحركة سعرية متطرفة.
إسقاط بريغمان مقابل الإسقاط الإقليدي
ربح التحكيم = مسافة إسقاط بريغمان
استنتاج أساسي من الورقة المرجعية:
أقصى ربح مضمون من أي صفقة يساوي مسافة إسقاط بريغمان من الحالة السوقية الحالية إلى الفضاء الخالي من التحكيم.
ببساطة: كلما ابتعدت أسعار السوق عن "الفضاء الصالح"، زاد ما يمكنك كسبه. إسقاط بريغمان يخبرك بـ:
- ماذا تشتري أو تبيع (اتجاه الإسقاط = اتجاه الصفقة)
- كمية الشراء أو البيع (مع الأخذ في الاعتبار عمق دفتر الأوامر)
- مقدار الربح الممكن (مسافة الإسقاط = أقصى ربح)
حقق أكبر متحكم في التحكيم ربحًا قدره $2,009,631.76 في عام واحد [2]. كانت استراتيجيته ببساطة حل هذه المسألة التحسينية بشكل أسرع وأكثر دقة من الجميع.
المضلع الهامشي والتحكيم
تخيل أنك واقف على جبل، وهناك نهر (الفضاء الخالي من التحكيم) عند القاعدة. موقعك الحالي (أسعار السوق) يبعد مسافة عن النهر.
يساعدك إسقاط بريغمان في إيجاد "أقصر طريق من موقعك إلى النهر"—ليس المسافة المستقيمة، بل المسار الأقصر مع مراعاة تضاريس السوق. طول هذا المسار هو أقصى ربح ممكن.
الفصل 3: خوارزمية فرانك-وولف—تحويل النظرية إلى تطبيق عملي
الآن عرفت: لحساب التحكيم الأمثل، تحتاج إلى إسقاط بريغمان.
لكن المشكلة—لا يمكن حساب إسقاط بريغمان مباشرة.
لماذا؟ لأن الفضاء الخالي من التحكيم (المضلع الهامشي M) له عدد أسّي من الرؤوس. التحسين المحدب القياسي يتطلب الوصول لمجموعة القيود الكاملة، أي تعداد كل نتيجة صالحة. وهذا مستحيل على هذا النطاق.
جوهر خوارزمية فرانك-وولف
تميز خوارزمية فرانك-وولف [7] أنها لا تحاول حل كل شيء دفعة واحدة، بل تتقارب خطوة بخطوة.
كيف تعمل:
الخطوة 1: ابدأ بمجموعة صغيرة من النتائج الصالحة المعروفة.
الخطوة 2: حسّن على هذه المجموعة لإيجاد أفضل حل حالي.
الخطوة 3: استخدم البرمجة الصحيحة لإيجاد نتيجة صالحة جديدة وأضفها للمجموعة.
الخطوة 4: تحقق إذا كنت قريبًا بما يكفي من الحل الأمثل. إذا لم تكن كذلك، عد للخطوة 2.
كل تكرار يضيف رأسًا واحدًا فقط. حتى بعد 100 تكرار، تتعقب 100 رأس فقط—وليس 2^63.
تكرار فرانك-وولف
تخيل البحث عن مخرج في متاهة ضخمة.
الطريقة بالقوة الغاشمة هي السير في كل مسار. طريقة فرانك-وولف هي اختيار مسار عشوائي، ثم عند كل تقاطع، تسأل "دليلاً" (محل البرمجة الصحيحة): "من هنا، أي اتجاه هو الأرجح أن يؤدي إلى المخرج؟" ثم تتخذ خطوة في ذلك الاتجاه. لا تحتاج لاستكشاف كل المتاهة—فقط اتخاذ القرار الصحيح عند كل مفترق رئيسي.
محل البرمجة الصحيحة: "الدليل" في كل خطوة
يتطلب كل تكرار من فرانك-وولف حل مسألة برمجة خطية صحيحة. نظريًا، هذا NP-hard (لا توجد خوارزمية عامة سريعة معروفة).
لكن المحلات الحديثة مثل Gurobi [8] تتعامل بكفاءة مع المسائل ذات البنية الجيدة.
استخدم فريق البحث Gurobi 5.5. أوقات الحل الفعلية [2]:
• التكرارات المبكرة (عدد قليل من المباريات منتهية): أقل من ثانية واحدة
• المرحلة المتوسطة (انتهاء 30–40 مباراة): 10–30 ثانية
• المرحلة المتأخرة (انتهاء 50+ مباراة): أقل من 5 ثوانٍ
لماذا تصبح أسرع لاحقًا؟ مع تحديد نتائج أكثر، تتقلص مساحة الحلول الممكنة. متغيرات أقل، قيود أكثر إحكامًا، حلول أسرع.
انفجار التدرج وحل فرانك-وولف مع الحاجز
فرانك-وولف القياسية تعاني من مشكلة تقنية: مع اقتراب الأسعار من 0، يميل تدرج LMSR إلى سالب ما لا نهاية، ما يسبب عدم الاستقرار.
الحل هو فرانك-وولف مع الحاجز: التحسين ليس على المضلع الكامل M، بل على نسخة "مصغرة" منه M’. معلمة التصغير ε تقل تدريجيًا مع كل تكرار—تبدأ بعيدًا عن الحافة (للاستقرار)، ثم تقترب تدريجيًا من الحافة الحقيقية (للدقة).
تشير الأبحاث إلى أن 50 إلى 150 تكرارًا تكفي للتقارب فعليًا [2].
الأداء الفعلي
تكشف الورقة عن نتيجة رئيسية [2]:
في أول 16 مباراة من بطولة NCAA، كان أداء صانع السوق فرانك-وولف (FWMM) وصانع السوق بالقيود الخطية البسيطة (LCMM) متشابهين—لأن محل البرمجة الصحيحة كان لا يزال بطيئًا جدًا.
لكن بعد 45 مباراة، تم إكمال أول إسقاط ناجح خلال 30 دقيقة.
من تلك اللحظة، تفوق FWMM على LCMM في التسعير بنسبة %38.
نقطة التحول: عندما تقلصت مساحة النتائج بما يكفي ليتمكن محل البرمجة الصحيحة من الحل ضمن نافذة التداول.
FWMM كطالب يبدأ ببطء في النصف الأول من الامتحان، لكن ما إن يدخل "المنطقة"، يبدأ في التفوق. LCMM هو الطالب الثابت لكن محدود الإمكانيات. الفرق الأساسي: FWMM لديه "سلاح" أقوى (إسقاط بريغمان)، لكنه يحتاج وقتًا "ليجهز" (بانتظار المحل).
الفصل 4: التنفيذ—لماذا قد تخسر المال رغم الحساب الدقيق
اكتشفت التحكيم. حسبت الصفقة المثلى بإسقاط بريغمان.
الآن عليك التنفيذ.
هنا تفشل معظم الاستراتيجيات.
التنفيذ غير الذري
يستخدم Polymarket نظام CLOB (دفتر أوامر محدد مركزي) [9]. على عكس البورصات اللامركزية، تنفذ الصفقات على CLOB بالتسلسل—لا يمكنك ضمان تنفيذ جميع أوامرك دفعة واحدة.
خطة التحكيم:
اشترِ YES بسعر $0.30. اشترِ NO بسعر $0.30. التكلفة الكلية: $0.60. بغض النظر عن النتيجة، ستحصل على $1.00. الربح: $0.40.
الواقع:
قدم أمر YES → تم تنفيذه بسعر $0.30 ✓
يحرك أمرك سعر السوق.
قدم أمر NO → تم تنفيذه بسعر $0.78 ✗
التكلفة الكلية: $1.08. العائد: $1.00. النتيجة: خسارة $0.08.
يتم تنفيذ طرف واحد، والآخر لا. أنت معرض للمخاطرة.
لذا، تحتسب الورقة فقط الفرص ذات هوامش ربح فوق $0.05 [2]. الفروق الصغيرة يمحوها خطر التنفيذ.
مخاطر التنفيذ غير الذري
VWAP: السعر الفعلي للتنفيذ
لا تفترض أنك ستنفذ دائمًا بالسعر المعروض. يجب حساب متوسط السعر المرجح بالحجم (VWAP) [10].
طريقة فريق البحث: لكل كتلة على Polygon (كل حوالي ثانيتين)، يتم حساب VWAP لجميع صفقات YES وجميع صفقات NO في تلك الكتلة. إذا كان |VWAP_yes + VWAP_no - 1.0| > 0.02، تُسجل كفرصة تحكيم [2].
VWAP هو "متوسط السعر الذي تدفعه فعليًا". إذا أردت شراء 10,000 رمز، ودفتر الأوامر فيه $0.30 مقابل 2,000، $0.32 مقابل 3,000، $0.35 مقابل 5,000—يكون VWAP هو (2000×0.30 + 3000×0.32 + 5000×0.35) / 10000 = $0.326. هذا أعلى بكثير من "أفضل سعر" $0.30 الذي رأيته.
قيود السيولة: الربح يعتمد على عمق دفتر الأوامر
حتى إذا كانت الأسعار غير متوازنة، ربحك محدود بالسيولة المتاحة.
مثال فعلي [2]:
السوق يظهر تحكيمًا: أسعار YES مجموعها $0.85. الربح المحتمل: $0.15 لكل دولار. لكن عمق دفتر الأوامر عند هذه الأسعار $234. أقصى ربح ممكن: $234 × 0.15 = $35.10.
بالنسبة للتحكيم عبر الأسواق، تحتاج إلى سيولة في كل المراكز في الوقت ذاته. أقل سيولة متاحة تحدد سقفك.
لهذا السبب، على المنصات الكمية الحالية، تأثير أسعار الأوامر على سعر التنفيذ حاسم.
insiders.bot
هذا هو الحل لهذه المسألة خلال فترة البيتا العامة.
الفصل 5: النظام الكامل—ما هو مطبق فعليًا
النظرية واضحة. أما التطبيق العملي فمعقد.
هكذا يبدو نظام التحكيم التشغيلي الفعلي [2].
خط أنابيب البيانات
البيانات اللحظية: اتصال WebSocket بواجهة Polymarket البرمجية [9]، لتلقي تحديثات دفتر الأوامر (تغييرات السعر/الكمية)، إشعارات الصفقات، وأحداث إنشاء/تسوية الأسواق.
البيانات التاريخية: استعلام أحداث العقود عبر واجهة Alchemy Polygon node البرمجية—OrderFilled (تنفيذ صفقة)، PositionSplit (سك رمز جديد)، PositionsMerge (حرق رمز).
فريق البحث حلل 86 مليون صفقة [2]. هذا الحجم يتطلب بنية تحتية متقدمة، وليس مجرد سكريبتات.
ملاحظة: حاليًا نحن
insiders.bot
نخطط لإتاحة واجهة برمجة تطبيقات تداول عالية السرعة كمصدر مفتوح. إذا كنت تنوي استخدام نموذج تداول مماثل وترغب في وصول مبكر، تواصل معي عبر الرسائل الخاصة.
طبقة اكتشاف التبعيات
بالنسبة لـ305 سوقًا انتخابية أمريكية، هناك 46,360 زوجًا ممكنًا للفحص. التحليل اليدوي مستحيل.
استخدم فريق البحث طريقة مبتكرة: الاستفادة من نموذج اللغة الكبير DeepSeek-R1-Distill-Qwen-32B للفرز الأولي [2].
الإدخال: أوصاف الشروط لسوقين. المخرج: JSON لمجموعات النتائج الصالحة.
ثم، ثلاث طبقات تحقق: هل لدى كل سوق حالة واحدة صحيحة بالضبط؟ هل عدد المجموعات الصالحة أقل من n × m (ما يدل على تبعية)؟ هل المجموعة التابعة تحقق شروط التحكيم؟
النتيجة: 40,057 زوجًا مستقلًا (لا تحكيم) → 1,576 زوجًا تابعًا (تحكيم محتمل) → 374 زوجًا تستوفي معايير صارمة → 13 زوجًا مؤكدة قابلة للاستغلال بشريًا [2].
دقة LLM في الأسواق المعقدة متعددة الشروط هي %81.45. كافية للفرز الأولي، لكن يلزم التحقق اليدوي قبل التنفيذ.
محرك التحسين ثلاثي الطبقات
الطبقة 1: قيود خطية بسيطة (LCMM). فحوصات سريعة للقواعد الأساسية—"مجموع الاحتمالات = 1"، "إذا A تستلزم B، إذًا P(A) لا تتجاوز P(B)". تكتمل خلال أجزاء من الثانية وتستبعد أخطاء التسعير الواضحة.
الطبقة 2: إسقاط البرمجة الصحيحة (فرانك-وولف + Gurobi). هذه جوهر النظام. المعلمات: Alpha = 0.9 (استخلاص %90 على الأقل من التحكيم المتاح)، ε ابتدائية = 0.1 (%10 تصغير)، عتبة التقارب = 1e-6، حد زمني = 30 دقيقة. التكرارات المعتادة: 50–150. زمن الحل لكل تكرار: 1–30 ثانية [2].
الطبقة 3: تحقق التنفيذ. قبل إرسال الأوامر، يحاكي التنفيذ على دفتر الأوامر الحالي. الفحوصات: هل السيولة كافية؟ ما الانزلاق المتوقع؟ ما الربح المضمون بعد الانزلاق؟ هل الربح يتجاوز الحد الأدنى ($0.05)؟ يتم التنفيذ فقط إذا استوفيت كل المعايير.
إدارة المراكز: صيغة كيلي المعدلة
تعطي صيغة كيلي القياسية [11] النسبة المثلى من رأس المال لتخصيصها للصفقة. للتحكيم، يجب التعديل لمخاطر التنفيذ:
f = (b×p - q) / b × √p
حيث b نسبة ربح التحكيم، p احتمال التنفيذ الكامل (يُقدر من عمق دفتر الأوامر)، وq = 1 - p.
الحد الأقصى: %50 من عمق دفتر الأوامر. بعد ذلك، يتحرك أمرك السوق بشكل كبير.
النتائج النهائية
من أبريل 2024 إلى أبريل 2025، إجمالي الربح المستخرج [2]:
تحكيم الشرط الواحد: شراء الجانبين بسعر منخفض $5,899,287 + بيع الجانبين بسعر مرتفع $4,682,075 = $10,581,362
إعادة توازن السوق: شراء كل YES بسعر منخفض $11,092,286 + بيع كل YES بسعر مرتفع $612,189 + شراء كل NO $17,307,114 = $29,011,589
تحكيم مشترك عبر الأسواق: $95,634
الإجمالي: $39,688,585
أكبر 10 متحكمين في التحكيم حصلوا على $8,127,849 (%20.5 من الإجمالي). أكبر متحكم: $2,009,632 من 4,049 صفقة، بمتوسط $496 للصفقة [2].
ليست يانصيبًا. ليست حظًا. هذا تنفيذ منهجي دقيق رياضيًا.
الواقع النهائي
بينما يقرأ المتداولون "10 نصائح لأسواق التنبؤ"، ماذا تفعل الأنظمة الكمية؟
تستخدم البرمجة الصحيحة لاكتشاف التبعيات بين 17,218 حالة. تستخدم إسقاط بريغمان لحساب صفقات التحكيم المثلى. تشغل خوارزمية فرانك-وولف للتعامل مع انفجارات التدرج. تستخدم VWAP لتقدير الانزلاق وتنفيذ الأوامر بالتوازي. تستخرج منهجيًا $40 مليون كربح مضمون.
الفرق ليس الحظ. إنه بنية رياضية متقدمة.
البحث منشور [1]. الخوارزميات معروفة. الأرباح حقيقية.
السؤال: هل يمكنك بناء النظام قبل أن يتم استخراج $40 مليون أخرى؟
مرجع سريع
• المضلع الهامشي → مجموعة كل الأسعار الصالحة. الأسعار يجب أن تكون ضمن هذه المنطقة لتكون خالية من التحكيم.
• البرمجة الصحيحة → تصف النتائج الصالحة بقيود خطية، دون التعداد بالقوة الغاشمة. تضغط 2^63 فحصًا في بضع قيود [3].
• تباعد بريغمان / تباعد KL → يقيس "المسافة" بين توزيعين احتماليين، أكثر ملاءمة من المسافة الإقليدية في سيناريوهات السعر/الاحتمال. يعطي وزنًا أعلى للتغيرات قرب الأطراف [5][6].
• LMSR (قاعدة تسجيل السوق اللوغاريتمية) → آلية التسعير التي يستخدمها صانع سوق Polymarket؛ الأسعار تمثل احتمالات ضمنية [4].
• خوارزمية فرانك-وولف → خوارزمية تحسين تكرارية تضيف رأسًا جديدًا في كل تكرار، دون تعداد النتائج الصالحة الأسية [7].
• Gurobi → محل البرمجة الصحيحة الرائد في الصناعة، "الدليل" في كل تكرار فرانك-وولف [8].
• CLOB (دفتر أوامر محدد مركزي) → آلية التداول في Polymarket؛ الأوامر تنفذ بالتسلسل، دون ذرية [9].
• VWAP (متوسط السعر المرجح بالحجم) → متوسط السعر الفعلي الذي تدفعه، مع مراعاة عمق دفتر الأوامر. أكثر واقعية من "أفضل عرض" [10].
• صيغة كيلي → تحدد نسبة رأس المال التي تخصصها للصفقة، لتحقيق التوازن بين العائد والمخاطرة [11].
• التنفيذ غير الذري → مشكلة عدم ضمان تنفيذ عدة أوامر في الوقت نفسه. يتم تنفيذ طرف واحد، والآخر لا—مخاطر التعرض.
• DeepSeek → نموذج اللغة الكبير المستخدم لفحص تبعيات السوق، بدقة %81.45.
المراجع
[1] المنشور الأصلي: https://x.com/RohOnChain/status/2017314080395296995
[2] ورقة البحث "Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets": https://arxiv.org/abs/2508.03474
[3] الأساس النظري "Arbitrage-Free Combinatorial Market Making via Integer Programming": https://arxiv.org/abs/1606.02825
[4] شرح LMSR: https://www.cultivatelabs.com/crowdsourced-forecasting-guide/how-does-logarithmic-market-scoring-rule-lmsr-work
[5] مقدمة في تباعدات بريغمان: https://mark.reid.name/blog/meet-the-bregman-divergences.html
[6] تباعد KL - ويكيبيديا: https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
[7] خوارزمية فرانك-وولف - ويكيبيديا: https://en.wikipedia.org/wiki/Frank%E2%80%93Wolfe_algorithm
[8] Gurobi Optimizer: https://www.gurobi.com/
[9] وثائق واجهة Polymarket CLOB البرمجية: https://docs.polymarket.com/
[10] شرح VWAP - Investopedia: https://www.investopedia.com/terms/v/vwap.asp
[11] صيغة كيلي - Investopedia: https://www.investopedia.com/articles/trading/04/091504.asp
[12] مقال Decrypt "The $40 Million Free Money Glitch": https://decrypt.co/339958/40-million-free-money-glitch-crypto-prediction-markets
إخلاء المسؤولية
- تم إعادة نشر هذا المقال من [mrryanchi]، وجميع حقوق النشر تعود للمؤلف الأصلي [@RohOnChain]. إذا كان لديك أي اعتراض على هذا النشر، يرجى التواصل مع فريق Gate Learn، وسنتخذ الإجراء المناسب وفقًا للسياسات المعتمدة.
- إخلاء المسؤولية: الآراء والمعلومات الواردة في هذا المقال تعبر عن رأي الكاتب فقط ولا تشكل أي نصيحة استثمارية.
- النسخ بلغات أخرى من هذا المقال مترجمة من قبل فريق Gate Learn. بدون ذكر صريح لـGate، يُحظر إعادة إنتاج أو توزيع أو نسخ المقالات المترجمة.
