Передмова
Під час створення @insidersdotbot я вів численні глибокі розмови з командами високочастотного маркетмейкінгу й арбітражу. Найактуальніше питання, яке мені ставили, — як розробити ефективні арбітражні стратегії.
Наші користувачі, друзі й партнери вивчають складний багатовимірний шлях арбітражу на @Polymarket. Якщо ви активний користувач Twitter, ви, ймовірно, зустрічали пости на кшталт: «Я заробив X на prediction markets, використовуючи Y арбітражну стратегію».
Однак більшість матеріалів надмірно спрощують основну логіку арбітражу, зводячи її до «кожен може це зробити» або «просто використовуйте Clawdbot», не пояснюючи системно, як створити власну арбітражну систему.
Якщо ви хочете зрозуміти, як інструменти арбітражу на Polymarket дійсно генерують прибуток, рекомендую статтю @RohOnChain — це найдетальніший аналіз з усіх, які я бачив.
Як і в попередній статті, оскільки оригінал містить високотехнічні розділи, я переписав і доповнив зміст, щоб ви могли засвоїти всі ключові моменти без необхідності звертатися до додаткових джерел.
Арбітраж на Polymarket: це не лише математична задача
Уявіть, що ви бачите ринок на Polymarket:
Ціна YES $0,62, ціна NO $0,33.
Ви думаєте: 0,62 + 0,33 = 0,95, менше 1 — отже, є арбітражна можливість! Купуєте YES і NO за $0,95, і незалежно від результату отримуєте $1,00, чистий прибуток $0,05.
Це правильно.
Але ось у чому проблема — поки ви вручну додаєте ці числа, кількісні системи виконують зовсім інший процес.
Вони паралельно сканують 17 218 умов у 2^63 можливих комбінаціях результатів, виявляють усі цінові невідповідності за мілісекунди. Поки ви розміщуєте ордери, спред вже зникає. Система вже знайшла подібні неефективності у десятках пов’язаних ринків, визначила оптимальні розміри позицій з урахуванням глибини книги ордерів і комісій, виконала всі угоди паралельно й перемістила капітал до наступної можливості [1].
Різниця — не лише у швидкості. Це — математична інфраструктура.
Розділ 1: Чому «додавання» недостатньо — проблема маргінального політопа
Хиба одного ринку
Розглянемо простий приклад.
Ринок A: «Чи виграє Трамп у Пенсильванії?»
Ціна YES $0,48, ціна NO $0,52. Разом рівно $1,00.
Здається, арбітражу немає?
Ні.
Додаємо ще один ринок — і все змінюється.
Тепер ринок B: «Чи виграє Республіканська партія у Пенсильванії з перевагою понад 5 відсоткових пунктів?»
Ціна YES $0,32, ціна NO $0,68. Знову разом $1,00.
Кожен ринок виглядає «нормально». Але існує логічна залежність:
Президентські вибори у США вирішуються по штатах. Кожен штат — окрема «арена», і хто набирає більше голосів, отримує всі виборчі голоси штату (winner-takes-all). Трамп — кандидат від республіканців. Тобто «республіканці виграють у Пенсильванії» і «Трамп виграє у Пенсильванії» — це одна й та сама подія. Якщо республіканці виграють з перевагою понад 5 пунктів, Трамп не лише виграє, а й робить це переконливо.
Іншими словами, YES на ринку B (переконлива перемога республіканців) — це підмножина YES на ринку A (Трамп виграє): переконлива перемога завжди означає перемогу, але перемога не завжди означає переконливу перемогу.
Ця логічна залежність створює арбітражні можливості.
Це як робити ставку на «Чи буде завтра дощ?» і «Чи буде завтра гроза?». Якщо є гроза, значить дощ теж є (гроза ⊆ дощ). Отже, ціна на «Thunderstorm YES» не має перевищувати ціну на «Rain YES». Якщо ринок це неправильно оцінює, ви можете купити дешево й продати дорого одночасно без ризику. Це і є арбітраж.
Експоненційний вибух: чому перебір не працює
Для будь-якого ринку з n умов існує 2^n можливих комбінацій цін.
Звучить реально? Розглянемо реальний приклад.
Ринок NCAA Tournament 2010 року [2]: 63 гри, кожна з результатом перемога/поразка. Це 2^63 = 9 223 372 036 854 775 808 комбінацій — понад 9 квінтильйонів. На ринку було понад 5 000 книг ордерів.
Наскільки велике 2^63? Навіть перевіряючи 1 мільярд комбінацій на секунду, знадобиться приблизно 292 роки, щоб перебрати всі. Тому перебір тут абсолютно непридатний.
Перевіряти кожну комбінацію окремо? Обчислювально неможливо.
Тепер розглянемо вибори у США 2024 року. Дослідники виявили 1 576 пар ринків із потенційною залежністю [2]. Якщо кожна пара має 10 умов, це 2^20 = 1 048 576 комбінацій на пару. Множимо на 1 576 пар. Поки ваш ноутбук завершить, вибори вже закінчаться.
Цілочислове програмування: використання обмежень замість перебору
Кількісні системи не вирішують це шляхом «швидшого перебору», а взагалі не перебирають.
Вони використовують цілочислове програмування [3] для опису «які результати є валідними».
Реальний приклад: ринок Duke vs. Cornell — кожна команда має 7 книг ордерів (від 0 до 6 перемог), разом 14 умов, або 2^14 = 16 384 можливих комбінацій.
Але є обмеження: обидві команди не можуть виграти понад 5 ігор, оскільки зустрінуться у півфіналі (далі проходить лише одна).
Як це вирішує цілочислове програмування? Лише три обмеження:
Обмеження 1: рівно одна з 7 книг ордерів Duke є істинною (у Duke може бути лише одна остаточна кількість перемог).
Обмеження 2: рівно одна з 7 книг ордерів Cornell є істинною.
Обмеження 3: Duke win 5 + Duke win 6 + Cornell win 5 + Cornell win 6 ≤ 1 (обидві не можуть виграти так багато).
Три лінійні обмеження замість 16 384 перевірок перебором.
Перебір проти цілочислового програмування
Інакше кажучи, перебір — це читати кожне слово у словнику, щоб знайти потрібне. Цілочислове програмування — це відразу перейти до правильної сторінки. Вам не потрібно перевіряти всі можливості — просто опишіть, як виглядають «валідні відповіді», і алгоритм знайде неправильно оцінені результати.
Реальні дані: 41% ринків дають арбітраж
В оригінальній статті зазначено, що дослідники проаналізували дані з квітня 2024 по квітень 2025 року [2]:
• 17 218 перевірених умов
• 7 051 умова мала арбітраж у межах одного ринку (41%)
• Медіанне відхилення ціни: $0,60 (має бути $1,00)
• 13 підтверджених крос-маркет арбітражних можливостей
Медіанне відхилення $0,60 означає, що ринок часто відхиляється на 40%. Це не «майже ефективно» — це «широко експлуатовано».
Розділ 2: Проєкція Брегмана — розрахунок оптимальної арбітражної угоди
Знайти арбітраж — одне. Розрахувати оптимальну угоду — інше.
Ви не можете просто «усереднити» або «підправити ціни». Необхідно проєктувати поточний стан ринку на арбітражно-вільний простір, зберігаючи інформаційну структуру цін.
Чому «пряма відстань» не працює
Інтуїтивний підхід — знайти «найближчу валідну ціну» і торгувати на різниці.
Математично це означає мінімізувати евклідову відстань: ||μ - θ||²
Але це трактує всі зміни ціни однаково.
Перехід з $0,50 до $0,60 і з $0,05 до $0,15 — це обидва зміни на $0,10, але їхній інформаційний зміст суттєво різниться.
Чому? Тому що ціни відображають імпліцитні ймовірності. Перехід з 50% до 60% — помірна зміна. Перехід з 5% до 15% — суттєва зміна: майже неможлива подія стає «дещо можливою».
Уявіть, що ви зважуєтесь: збільшення з 70 кг до 80 кг — «трохи набрали». А з 30 кг до 40 кг (для дорослого) — «від майже смерті до важкого виснаження». Та ж різниця у 10 кг, але зовсім інший зміст. Зміни цін біля 0 або 1 несуть набагато більше інформації.
Відстань Брегмана: правильна «відстань»
Маркетмейкер Polymarket використовує LMSR (Logarithmic Market Scoring Rule) [4], де ціни відображають розподіл ймовірностей.
Тут коректною метрикою відстані є не евклідова, а відстань Брегмана [5].
Для LMSR відстань Брегмана перетворюється на KL-відстань (дивергенція Кульбака–Лейблера) [6] — міра «інформаційної відстані» між двома розподілами ймовірностей.
Не потрібно запам’ятовувати формулу. Достатньо знати:
KL-відстань автоматично надає більшу вагу змінам поблизу екстремальних цін. Перехід з $0,05 до $0,15 «далі» за KL, ніж з $0,50 до $0,60. Це відповідає інтуїції — екстремальні зміни цін означають великі інформаційні зрушення.
Хороший приклад: на prediction market @zachxbt, Axiom обігнав Meteora в останній момент завдяки екстремальному руху ціни.
Проєкція Брегмана проти евклідової проєкції
Прибуток від арбітражу = відстань проєкції Брегмана
Головний висновок із цитованої роботи:
Максимальний гарантований прибуток від будь-якої угоди дорівнює відстані проєкції Брегмана від поточного ринкового стану до арбітражно-вільного простору.
Простіше кажучи: чим далі ринкові ціни відхиляються від sop, тим більше ви можете заробити. Проєкція Брегмана визначає:
- Що купувати або продавати (напрямок проєкції = напрямок угоди)
- Скільки купувати або продавати (з урахуванням глибини книги ордерів)
- Скільки можна заробити (відстань проєкції = максимальний прибуток)
Топ-арбітражер заробив $2 009 631,76 за рік [2]. Його стратегія — швидше й точніше за інших розв’язувати цю задачу оптимізації.
Маргінальний політоп і арбітраж
Уявіть, що стоїте на горі, а внизу річка (арбітражно-вільний простір). Ваша поточна позиція (ринкові ціни) на певній відстані від річки.
Проєкція Брегмана допомагає знайти «найкоротший шлях до річки» — не пряму відстань, а найкоротший шлях з урахуванням рельєфу (структури ринку). Довжина цього шляху — ваш максимальний потенційний прибуток.
Розділ 3: Алгоритм Франка-Вульфа — як втілити теорію
Тепер ви знаєте: щоб обчислити оптимальний арбітраж, потрібна проєкція Брегмана.
Але безпосередньо обчислити проєкцію Брегмана неможливо.
Чому? Тому що арбітражно-вільний простір (маргінальний політоп M) має експоненційно багато вершин. Стандартна опукла оптимізація потребує повного набору обмежень, тобто перебору всіх валідних результатів. Це неможливо у масштабі.
Основна ідея Франка-Вульфа
Головна перевага алгоритму Франка-Вульфа [7] — він не намагається вирішити все одразу, а збігається крок за кроком.
Як це працює:
Крок 1: Почати з невеликої множини відомих валідних результатів.
Крок 2: Оптимізувати на цій множині, щоб знайти поточний найкращий розв’язок.
Крок 3: Використати цілочислове програмування, щоб знайти новий валідний результат і додати його до множини.
Крок 4: Перевірити, чи достатньо близько до оптимального. Якщо ні — повернутися до кроку 2.
Кожна ітерація додає лише одну вершину. Навіть після 100 ітерацій ви відстежуєте лише 100 вершин, а не 2^63.
Ітерація Франка-Вульфа
Уявіть пошук виходу у величезному лабіринті.
Перебір — це пройти всі шляхи. Метод Франка-Вульфа — вибрати випадковий шлях, а на кожному розгалуженні питати «провідника» (розв’язувач цілочислових задач): «Куди йти, щоб найімовірніше знайти вихід?» І зробити крок у цьому напрямку. Не потрібно досліджувати весь лабіринт — достатньо робити правильний вибір у ключових точках.
Розв’язувач цілочислових задач: «провідник» на кожному кроці
Кожна ітерація Франка-Вульфа потребує розв’язання задачі цілочислового лінійного програмування. Теоретично це NP-складна задача (немає відомого швидкого універсального алгоритму).
Але сучасні розв’язувачі, такі як Gurobi [8], ефективно обробляють добре структуровані задачі.
Дослідники використовували Gurobi 5.5. Фактичний час розв’язання [2]:
• Початкові ітерації (мало ігор завершено): менше 1 секунди
• Середній етап (30–40 ігор завершено): 10–30 секунд
• Пізній етап (50+ ігор завершено): менше 5 секунд
Чому швидше пізніше? Бо чим більше результатів визначено, тим менше допустимих рішень. Менше змінних, жорсткіші обмеження, швидше розв’язання.
Вибух градієнта і Barrier Frank-Wolfe
Стандартний Франк-Вульф має технічну проблему: коли ціни наближаються до 0, градієнт LMSR прагне до мінус нескінченності, що викликає нестабільність.
Рішення — Barrier Frank-Wolfe: оптимізувати не на всьому політоnі M, а на трохи «стиснутому» варіанті M’. Параметр стиснення ε адаптивно зменшується з кожною ітерацією — спочатку далі від межі (для стабільності), потім поступово наближається до справжньої межі (для точності).
Дослідження показують, що на практиці для збіжності достатньо 50–150 ітерацій [2].
Практична продуктивність
У статті наведено ключовий результат [2]:
У перших 16 іграх турніру NCAA ринковий мейкер Frank-Wolfe (FWMM) і простий ринковий мейкер з лінійними обмеженнями (LCMM) працювали схоже — бо розв’язувач цілочислових задач ще був повільний.
Але після 45 ігор перша успішна 30-хвилинна проєкція була завершена.
З цього моменту FWMM перевершував LCMM за точністю ціноутворення на 38%.
Поворотний момент — коли простір результатів достатньо скоротився, щоб цілочисловий розв’язувач встигав у межах торгового вікна.
FWMM — як студент, що розганяється в першій половині іспиту, а потім починає домінувати. LCMM — стабільний, але обмежений. Ключова різниця: FWMM має потужніший «інструмент» (проєкція Брегмана), але потребує часу на «завантаження» (очікування розв’язувача).
Розділ 4: Виконання — чому можна втратити гроші навіть після розрахунків
Ви виявили арбітраж. Ви використали проєкцію Брегмана для розрахунку оптимальної угоди.
Тепер потрібно виконати.
Тут більшість стратегій і провалюються.
Неатомарне виконання
Polymarket використовує CLOB (Central Limit Order Book) [9]. На відміну від децентралізованих бірж, угоди на CLOB виконуються послідовно — не можна гарантувати, що всі ваші ордери виконаються одночасно.
Ваш арбітражний план:
Купити YES за $0,30. Купити NO за $0,30. Загальна вартість: $0,60. Незалежно від результату — отримати $1,00. Прибуток: $0,40.
Реальність:
Надіслати ордер YES → виконано за $0,30 ✓
Ваш ордер зрушує ринкову ціну.
Надіслати ордер NO → виконано за $0,78 ✗
Загальна вартість: $1,08. Виплата: $1,00. Фактичний результат: втрата $0,08.
Одна частина виконується, інша — ні. Ви під ризиком.
Тому у статті враховано лише можливості з маржею понад $0,05 [2]. Менші спреди з’їдаються ризиком виконання.
Ризик неатомарного виконання
VWAP: реальна ціна виконання
Не припускайте, що завжди зможете виконати угоду за котируванням. Потрібно розраховувати VWAP (Volume Weighted Average Price) [10].
Метод дослідників: для кожного блоку у мережі Polygon (приблизно кожні 2 секунди) розраховують VWAP для всіх угод YES і всіх угод NO у цьому блоці. Якщо |VWAP_yes + VWAP_no - 1,0| > 0,02, це фіксується як арбітражна можливість [2].
VWAP — це «середня ціна, яку ви реально платите». Якщо хочете купити 10 000 токенів, а у книзі ордерів $0,30 за 2 000, $0,32 за 3 000, $0,35 за 5 000 — ваш VWAP = (2000×0,30 + 3000×0,32 + 5000×0,35) / 10 000 = $0,326. Це значно вище за «найкращу ціну» $0,30.
Обмеження ліквідності: прибуток залежить від глибини книги ордерів
Навіть якщо ціни неузгоджені, ваш прибуток обмежений доступною ліквідністю.
Реальний приклад [2]:
Ринок показує арбітраж: сума цін YES $0,85. Потенційний прибуток: $0,15 на долар. Але глибина книги ордерів на цих цінах лише $234. Максимальний можливий прибуток: $234 × 0,15 = $35,10.
Для крос-маркет арбітражу потрібна ліквідність на всіх позиціях одночасно. Найменша доступна ліквідність встановлює стелю.
Тому на crux кількісних платформах вплив цін ордерів на ціну виконання критичний.
insiders.bot
Це відповідь на це питання під час публічного Beta-періоду.
Розділ 5: Повна система — що реально впроваджено
Теорія — чиста. Практика — складна.
Ось як виглядає реальна робоча арбітражна система [2].
Дані
Реальний час: WebSocket-з’єднання з API Polymarket [9], отримання оновлень книги ордерів (зміни цін/кількості), сповіщень про угоди, подій створення/закриття ринку.
Історичні дані: запит подій контракту через Alchemy Polygon node API — OrderFilled (угода виконана), PositionSplit (створено новий токен), PositionsMerge (токен спалено).
Дослідники проаналізували 86 мільйонів угод [2]. Такий масштаб потребує інфраструктури, а не просто скриптів.
P.S. Наразі ми
insiders.bot
плануємо відкрити високошвидкісний торговий API з відкритим кодом. Якщо плануєте використовувати схожу торгову модель і хочете ранній доступ — пишіть у приват.
Шар виявлення залежностей
Для 305 ринків виборів у США є 46 360 можливих пар для перевірки. Ручний аналіз неможливий.
Дослідники використали цікавий підхід: для початкового відбору застосували велику мовну модель DeepSeek-R1-Distill-Qwen-32B [2].
Вхід: опис умов двох ринків. Вихід: JSON валідних комбінацій результатів.
Далі три рівні перевірки: чи має кожен ринок рівно одну істинну умову? Чи кількість валідних комбінацій менша за n × m (означає залежність)? Чи задовольняє залежна підмножина арбітражним умовам?
Результат: 40 057 незалежних пар (арбітражу немає) → 1 576 залежних пар (потенційний арбітраж) → 374 пари, що відповідають жорстким критеріям → 13 пар, підтверджених для експлуатації людиною [2].
Точність LLM на складних мультиумовних ринках — 81,45%. Достатньо для початкового відбору, але перед виконанням потрібна ручна перевірка.
Тришаровий оптимізаційний двигун
Шар 1: Прості лінійні обмеження (LCMM). Швидка перевірка базових правил — «сума ймовірностей дорівнює 1», «якщо A імплікує B, то P(A) не може перевищувати P(B)». Виконується за мілісекунди, усуває очевидні цінові помилки.
Шар 2: Проєкція цілочислового програмування (Frank-Wolfe + Gurobi). Це ядро. Параметри: Alpha = 0,9 (витягнути щонайменше 90% доступного арбітражу), початкове ε = 0,1 (10% стиснення), поріг збіжності = 1e-6, ліміт часу = 30 хвилин. Типова кількість ітерацій: 50–150. Час розв’язання на ітерацію: 1–30 секунд [2].
Шар 3: Перевірка виконання. Перед надсиланням ордерів імітує виконання на поточній книзі ордерів. Перевірки: чи достатньо ліквідності? Яке очікуване прослизання? Який гарантований прибуток після прослизання? Чи перевищує прибуток мінімальний поріг ($0,05)? Виконується лише якщо всі критерії виконано.
Управління позицією: модифікована формула Келлі
Стандартна формула Келлі [11] визначає, яку частку капіталу виділити на угоду. Для арбітражу треба коригувати на ризик виконання:
f = (b×p - q) / b × √p
Де b — відсоток арбітражного прибутку, p — ймовірність повного виконання (оцінюється за глибиною книги ордерів), q = 1 - p.
Ліміт: 50% глибини книги ордерів. Понад це ваш ордер суттєво рухає ринок.
Підсумкові результати
З квітня 2024 по квітень 2025 року загальний вилучений прибуток [2]:
Арбітраж однієї умови: купити обидві сторони дешево $5 899 287 + продати обидві сторони дорого $4 682 075 = $10 581 362
Ребалансування ринку: купити всі YES дешево $11 092 286 + продати всі YES дорого $612 189 + купити всі NO $17 307 114 = $29 011 589
Крос-маркет комбінований арбітраж: $95 634
Разом: $39 688 585
Топ-10 арбітражерів отримали $8 127 849 (20,5% від загальної суми). Топ-арбітражер: $2 009 632 із 4 049 угод, у середньому $496 за угоду [2].
Це не лотерея. Не удача. Це системна, математично точна реалізація.
Остання реальність
Поки трейдери читають «10 порад для prediction markets», кількісні системи:
Використовують цілочислове програмування для оцінки залежностей серед 17 218 умов. Використовують проєкцію Брегмана для розрахунку оптимальних арбітражних угод. Запускають алгоритм Франка-Вульфа для обробки вибуху градієнтів. Використовують VWAP для оцінки прослизання й виконують ордери паралельно. Системно вилучають $40 мільйонів гарантованого прибутку.
Різниця — не у вдачі. Це — математична інфраструктура.
Стаття відкрита [1]. Алгоритми відомі. Прибутки реальні.
Головне питання: чи встигнете ви це побудувати до того, як наступні $40 мільйонів буде вилучено?
Швидка довідка
• Маргінальний політоп → множина всіх валідних цін. Ціни мають бути в цій області, щоб не було арбітражу.
• Цілочислове програмування → описує валідні результати лінійними обмеженнями, без перебору. Стискає 2^63 перевірок у кілька обмежень [3].
• Відстань Брегмана / KL-відстань → вимірює «відстань» між двома розподілами ймовірностей, більш доречна за евклідову для цін/ймовірностей. Надає більшу вагу змінам біля крайніх значень [5][6].
• LMSR (Logarithmic Market Scoring Rule) → механізм ціноутворення маркетмейкера Polymarket; ціни відображають імпліцитні ймовірності [4].
• Алгоритм Франка-Вульфа → ітераційний алгоритм оптимізації, що додає одну нову вершину на ітерацію, уникає перебору експоненційно багатьох валідних результатів [7].
• Gurobi → провідний розв’язувач задач цілочислового програмування, «провідник» для кожної ітерації Франка-Вульфа [8].
• CLOB (Central Limit Order Book) → механізм торгівлі Polymarket; ордери виконуються послідовно, без атомарності [9].
• VWAP (Volume Weighted Average Price) → середня ціна, яку реально сплачуєте, з урахуванням глибини книги ордерів. Більш реалістична, ніж «краще котирування» [10].
• Формула Келлі → визначає, яку частку капіталу виділити на угоду, балансуючи прибуток і ризик [11].
• Неатомарне виконання → проблема, коли не можна гарантувати виконання кількох ордерів одночасно. Одна частина виконується, інша — ні, ризик експозиції.
• DeepSeek → велика мовна модель для скринінгу ринкових залежностей, точність 81,45%.
Джерела
[1] Оригінальний пост: https://x.com/RohOnChain/status/2017314080395296995
[2] Наукова стаття “Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets”: https://arxiv.org/abs/2508.03474
[3] Теорія “Arbitrage-Free Combinatorial Market Making via Integer Programming”: https://arxiv.org/abs/1606.02825
[4] LMSR пояснення: https://www.cultivatelabs.com/crowdsourced-forecasting-guide/how-does-logarithmic-market-scoring-rule-lmsr-work
[5] Вступ до відстаней Брегмана: https://mark.reid.name/blog/meet-the-bregman-divergences.html
[6] KL-відстань — Вікіпедія: https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
[7] Алгоритм Франка-Вульфа — Вікіпедія: https://en.wikipedia.org/wiki/Frank%E2%80%93Wolfe_algorithm
[8] Gurobi Optimizer: https://www.gurobi.com/
[9] Документація Polymarket CLOB API: https://docs.polymarket.com/
[10] Пояснення VWAP — Investopedia: https://www.investopedia.com/terms/v/vwap.asp
[11] Формула Келлі — Investopedia: https://www.investopedia.com/articles/trading/04/091504.asp
[12] Стаття Decrypt “The $40 Million Free Money Glitch”: https://decrypt.co/339958/40-million-free-money-glitch-crypto-prediction-markets
Відмова від відповідальності
- Ця стаття відтворена з [mrryanchi], авторське право належить оригінальному автору [@RohOnChain]. Якщо у hazard будь-які заперечення щодо regards, зверніться до команди Gate Learn, і ми оперативно розглянемо питання згідно з відповідними процедурами.
- Відмова від відповідальності: думки й погляди, висловлені у цій статті, є виключно думкою автора і не є інвестиційною порадою.
- Інші мовні версії цієї статті перекладені командою Gate Learn. Без прямої згадки Gate відтворення, розповсюдження чи плагіат перекладених статей заборонено.
