Thị trường phái sinh dự đoán chống thao túng với mô hình ngôn ngữ

Cảm ơn Diego vì những cuộc thảo luận sâu sắc dẫn đến tác phẩm này.
Xin cảm ơn Sam Hart , David Crapis , Swapnil và Jorik đã phản hồi và đánh giá.

TL;DR: Các đạo hàm dự đoán dựa trên LLM cung cấp một giải pháp mới cho rủi ro thao túng của các đạo hàm thị trường dự đoán truyền thống, cũng như một nguyên thủy mới để hỗ trợ các bối cảnh sự kiện có khả năng phong phú hơn trong các thị trường dự đoán. Bằng cách sử dụng các mô hình ngôn ngữ để tạo ra giá chỉ số, cách tiếp cận này tách các đạo hàm khỏi các thị trường giao ngay có thể thao túng. Các bằng chứng toán học hỗ trợ tính mạnh mẽ của giải pháp, trong khi các chiến lược bổ sung củng cố độ tin cậy của hệ thống được đề xuất.

siêu_dự_cáo 1024×1024 332 KB

Thị trường dự đoán tổng hợp thông tin và dự báo sự kiện một cách hiệu quả. Tuy nhiên, thị trường dự đoán phái sinh lại đưa ra một rủi ro mới: thao túng thị trường “giao ngay” cơ bản quyết định giá chỉ số của phái sinh.

Một cuộc tấn công không thành công gần đây vào Polymarket là một ví dụ điển hình cho vectơ này. Vào ngày 6 tháng 9 năm 2024, một kẻ tấn công đã nhắm mục tiêu vào thị trường phái sinh bầu cử Tổng thống Hoa Kỳ năm 2024 bằng cách:

1. Đạt được vị thế lớn trên thị trường phái sinh;
2. Cố gắng đẩy giá xuống trên thị trường “giao ngay” bằng cách chi khoảng 7 triệu đô la;
3. Nhận được khoản thanh toán 1,5 triệu đô la nếu thành công.

Mặc dù nỗ lực này đã thất bại, nhưng những lỗ hổng tương tự đã được khai thác thành công trên các thị trường cho vay có cấu trúc thị trường tương tự, như với Mango Markets . Những sự kiện này làm nổi bật một rủi ro hệ thống quan trọng vốn có trong các thị trường dự đoán phái sinh.

Các dẫn xuất dựa trên LLM

Xin nhắc lại các thành phần chính của hợp đồng vĩnh viễn là:

• giá đánh dấu, tức là giá mà tội phạm được giao dịch
• giá chỉ số, tức là giá của tài sản cơ bản được theo dõi bởi perp
• tỷ lệ tài trợ, được trao đổi giữa người mua và người bán khi giá đánh dấu di chuyển ra khỏi giá chỉ số
• tài sản thế chấp cần thiết để mở một vị thế

Ví dụ, hợp đồng tương lai có thể theo dõi giá trung bình của mã thông báo 'YES' được giao dịch trên thị trường dự đoán, do đó trở thành một sản phẩm phái sinh của thị trường dự đoán.

Thay vì sử dụng thông tin nội sinh với thị trường dự đoán để tạo ra giá chỉ số, chúng tôi đề xuất sử dụng các mô hình ngôn ngữ lớn (LLM). Bằng cách tách rời phái sinh khỏi thị trường giao ngay và tận dụng các nguồn đa dạng, đáng tin cậy, cách tiếp cận này có khả năng chống lại sự thao túng tốt hơn so với thị trường dự đoán truyền thống, nơi bất kỳ người tham gia nào cũng có thể tác động đến giá.

LLM có thể được hiểu là một cơ chế để biến thông tin công khai định tính đang thay đổi thành hàng hóa. Bằng cách tổng hợp bối cảnh thông tin hiện tại thành một xác suất, nó có thể đặt ra một mức giá mà người ta có thể xây dựng một công cụ có thể giao dịch được. Sau đây là mô tả chính xác hơn về cấu trúc của một perp như vậy:

• giá chỉ số là giá trung bình động của xác suất được tính toán bởi LLM.
• những người cược dài hạn sẽ đặt cược vào khả năng xảy ra sự kiện ngày càng tăng.
• Những người bán khống cược vào khả năng xảy ra sự kiện sẽ giảm dần.
• tỷ lệ tài trợ được trả tùy thuộc vào cách thị trường phái sinh định giá tỷ lệ cược so với LLM (lượng thông tin được ẩn khỏi LLM).

Nghiên cứu gần đây hỗ trợ khả năng dự báo của LLM. Nghiên cứu “Approaching Human-Level Forecasting with Language Models” của Halawi và cộng sự phát hiện ra rằng một LLM được tinh chỉnh gần như khớp và vượt trội hơn trong một số tình huống mà các nhà dự báo của con người về các sự kiện Polymarket, có tiềm năng trở thành “siêu dự báo”. Điều này cho thấy LLM có thể đóng vai trò như nhà tiên tri cho giá chỉ số, cho phép tạo ra các công cụ phái sinh từ các sự kiện có thị trường giao ngay mỏng hoặc không tồn tại.

Tổng hợp thông tin

LLM hoạt động như một tác nhân tính toán, tổng hợp và tự động kết hợp thông tin công khai. Ngược lại, các nhà giao dịch đóng góp thông tin riêng tư thông qua hoạt động giao dịch của họ.

Khả năng chống thao túng của hệ thống được tăng cường bởi cơ chế trọng số nguồn của LLM. Điều này giới hạn tác động của việc thao túng bất kỳ nguồn thông tin đơn lẻ nào theo trọng số mà LLM gán cho nó. Do đó, trọng số của một nguồn riêng lẻ càng thấp so với các nguồn khác, thì hệ thống càng trở nên chống lại các nỗ lực thao túng nhắm vào nguồn đó.

Cho S S là tập hợp tất cả các nguồn được LLM sử dụng. Chúng ta xem xét một mô hình đơn giản trong đó LLM tạo ra xác suất P P của nó như là một giá trị trung bình có trọng số của các xác suất từ tất cả các nguồn và trong đó tất cả các nguồn đều độc lập: P=\sum_{j \in S}(w_j*p_j) P = ∑ j ∈ S ( w j ∗ p j ) . Điều này tương ứng hiệu quả với xác suất tổng hợp từ nhiều suy luận LLM trên dữ liệu độc lập. Tuy nhiên, LLM có thể tạo ra P P theo cách khác nhau và các nguồn có thể có sự phụ thuộc.

Định lý 1 ( Khả năng chống thao túng của các nguồn được điều chỉnh theo trọng số ) : Theo mô hình trên, hãy để P P là xác suất do LLM tạo ra cho một sự kiện và P_i P i là xác suất sẽ được tạo ra nếu nguồn i i bị thao túng. Khi đó:

trong đó w_i w i là trọng số được LLM gán cho nguồn i i , với \sum w_i=1 ∑ w i = 1 .

• Bằng chứng
  Giả sử S_{-i} S − i là tập hợp tất cả các nguồn ngoại trừ i i .
  Nếu nguồn i i bị thao túng, xác suất mới P_i P i sẽ là:

  P_i=w_i*p_i'+\sum_{j \trong S_{-i}}(w_j*p_j)
  Pi = w i ∗ p ′ i + ∑ j ∈ S − i ( w j ∗ p j )​

  trong đó p_i' p ′ i là xác suất được điều chỉnh từ nguồn i i .

  Sự khác biệt giữa P P và P_i P i là:

  |P-P_i|=|w_i*(p_i-p_i')|
  | P − P i | = | w i ∗ ( p i − p ′ i ) |

  Sự khác biệt lớn nhất có thể có giữa p_i p i và p_i' p ′ i là 1 1 . Do đó,

  |P-P_i| \leq w_i
  | P − P i | ≤ w i

  \hình vuông đen ■

Định lý này cung cấp một phép đo định lượng về khả năng chống thao túng, liên kết trực tiếp với trọng số nguồn được LLM sử dụng. Giả sử sự độc lập giữa các nguồn thông tin, nó chứng minh rằng các đạo hàm dự đoán dựa trên LLM ngày càng chống lại thao túng khi trọng số được gán cho bất kỳ nguồn riêng lẻ nào tiến tới 0.

Hệ quả 1 ( Khả năng chống thao túng của các nguồn có trọng số bằng nhau ) : Nếu LLM sử dụng ít nhất n n nguồn độc lập có trọng số bằng nhau, thì:

trong đó P P là xác suất do LLM tạo ra cho một sự kiện và P_i P i là xác suất sẽ được tạo ra nếu nguồn i i bị thao túng.

• Bằng chứng

  Nếu các nguồn có trọng số bằng nhau, thì w_i=\frac{1}{n} w i = 1 n cho tất cả tôi tôi .

  Do đó, từ Định lý 1:

  |P-P_i|\leq w_i=\frac{1}{n}
  | P − P i | ≤ w i = 1 n

  \hình vuông đen ■

Hệ quả này cho thấy việc tăng số lượng các nguồn có trọng số bằng nhau sẽ làm giảm tác động của việc thao túng bất kỳ nguồn đơn lẻ nào. Theo trực giác, số lượng các nguồn thông tin khả dụng có xu hướng tăng lên khi một sự kiện gần đến độ phân giải, qua đó tăng cường hơn nữa khả năng chống lại sự thao túng của hệ thống.

Dự đoán vĩnh viễn dựa trên LLM

Chúng tôi chính thức giới thiệu hợp đồng tương lai liên tục về xác suất sự kiện trong đó LLM tạo ra giá chỉ số thay vì thị trường truyền thống.

Cho P P là xác suất do LLM tạo ra. Do đó, hằng số được điều chỉnh bởi:

Chúng ta nhân mẫu số với 1 vì P P là một xác suất, đảm bảo tính nhất quán của đơn vị với tử số.

Cơ chế tỷ lệ tài trợ sẽ căn chỉnh giá giao dịch (điểm) với xác suất do LLM tạo ra (chỉ số), trong đó khoảng cách trực quan tỷ lệ thuận với lượng thông tin ẩn khỏi LLM.

Tổng hợp thông tin: thông tin thay thế

Một mô hình khác của cơ chế tổng hợp LLM bao gồm LLM thực hiện cập nhật Bayesian trên một giá trị trước chung trên các tín hiệu riêng lẻ đã nhận được. Khi được trình bày với tất cả các tín hiệu cùng một lúc, nó có thể tổng hợp chúng thành một ước tính xác suất duy nhất. Xác suất P_t P t sau đó trở thành kết quả của bản cập nhật Bayesian gần đây nhất trên tập hợp các tín hiệu cuối cùng.

Về mặt hình thức, LLM ước tính một P_{LLM} P L L M trước chung. Chúng tôi biểu thị biến tương ứng với kết quả nhị phân hỗ trợ thị trường là Y. Y. Khi LLM nhận được n n tín hiệu khác nhau \{x_1, \dots, x_n\} { x 1 , … , x n }, nó đưa ra giá P = P_{LLM}(Y=1|x_1, \dots, x_n) P = P L L M ( Y = 1 | x 1 , … , x n ) .

Hai tín hiệu được coi là thay thế thông tin nếu chúng độc lập có điều kiện với sự thật cơ bản. Đây là một điều kiện quan trọng trong tài liệu thị trường dự đoán đảm bảo tính tương thích với động cơ .

Một mô hình như vậy cho phép nghiên cứu trường hợp suy luận LLM đơn lẻ tổng hợp nhiều tín hiệu có thể thay thế hoặc suy luận LLM liên tiếp trên các tín hiệu có thể thay thế. Một tín hiệu có thể tương ứng với một tập hợp các nguồn thông tin.

Định lý 2 ( Khả năng chống thao túng của LLM trong Điều kiện thay thế thông tin ): Theo các giả định hợp lý về cấu trúc thông tin, nếu LLM có quyền truy cập vào một số lượng đủ các tín hiệu là thông tin thay thế, thì một tác nhân độc hại cố gắng thao túng tín hiệu chỉ có thể mong đợi làm sai lệch giá cuối cùng tối đa là \epsilon ϵ .

• Bằng chứng

  Kết quả này bắt nguồn từ việc diễn giải lại Định lý 1 và Định lý 1 từ “ Thị trường dự đoán tự giải quyết cho kết quả không thể xác minh ” của Srinivasan và cộng sự.

  Chúng tôi xem xét một tín hiệu cụ thể t t mà một tác nhân độc hại can thiệp, dẫn đến một tín hiệu đã sửa đổi \tilde{x_t} ~ x t . LLM cũng có quyền truy cập vào một tập hợp các nguồn thông tin khác x_{-t} x − t , được biểu thị đơn giản là x_r x r , trong đó \Omega_r Ω r tương ứng với cấu trúc không gian tín hiệu cơ bản. LLM sẽ tạo ra giá P_{LLM}(Y=1 | x_t) P L L M ( Y = 1 | x t ) khi nhận được tín hiệu thực x_t x t .

  Chúng tôi giả định một cách quan trọng rằng tác nhân không thể truy cập vào tập thông tin này trong quá trình thao tác. Giả định này đúng nếu LLM cập nhật ngay lập tức từ nhiều nguồn (khiến tác nhân không có thời gian để truy cập chúng) hoặc, nếu chúng ta coi mỗi tín hiệu được liên kết với một thời điểm cụ thể t t . Sau đó, LLM đầu tiên nhận tín hiệu đã thao tác cùng với tín hiệu từ các nguồn công khai khác được đóng gói trong \tilde{x_t} ~ x t , và sau đó một thời gian, nó nhận được các bản cập nhật từ các nguồn không bị thao tác dưới dạng x_r x r . Giả định sau có lẽ đặc biệt thú vị nếu các nguồn cập nhật nhanh chóng theo thời gian.

  Theo bổ đề đã nói ở trên, ta có:

  E [P_{LLM}(Y=1 | x_r, \tilde{x_t}) | x_t] = P_{LLM}(Y=1 | x_t) + \Delta(\Omega_r, \tilde{x_t}, x_t)
  E [ PL L M ( Y = 1 | x r , ~ x t ) | x t ] = P L L M ( Y = 1 | x t ) + Δ ( Ω r , ~ x t , x t )​

  Phương trình này chỉ ra rằng kỳ vọng của tác nhân độc hại về giá LLM sau khi tổng hợp các nguồn thông tin khác theo x_r x r bị ảnh hưởng bởi một thuật ngữ lỗi phụ thuộc vào báo cáo sai \tilde{x_t} ~ x t . Thuật ngữ lỗi lớn hơn ngụ ý tiềm năng thao túng giá lớn hơn.

  Định lý 1 chứng minh rằng nếu \Omega_r Ω r bao gồm các tín hiệu là thông tin thay thế, thì số hạng lỗi có thể được giảm thiểu khi số k k thông tin thay thế tăng lên.

  \hình vuông đen ■

Định lý này chứng minh rằng khi LLM có quyền truy cập vào các nguồn thông tin là thông tin thay thế, khả năng thao túng giá cuối cùng của tác nhân độc hại bị hạn chế đáng kể. Định lý 1 1 có thể có giá trị bổ sung vì người ta có thể tập hợp một số suy luận về các tín hiệu có thể thay thế.

Hiệu quả thị trường

Sản phẩm phái sinh này có thể đạt được hiệu quả mới lạ, với LLM kết hợp nhanh chóng thông tin công khai và hoạt động giao dịch tích hợp thông tin riêng tư.

Định lý 3 ( Hiệu quả của Dự đoán vĩnh viễn dựa trên LLM ) : Giả sử P_t P t là xác suất do LLM tạo ra tại thời điểm t t , M_t M t là giá tham chiếu của vĩnh viễn tại thời điểm t t và I_t I t là tập thông tin công khai có tại thời điểm t t . Ký hiệu \delta_t δ t là hàm delta-Dirac tương ứng với mức tăng giá trong giá tham chiếu liên quan đến sự xuất hiện của thông tin riêng tư. Khi đó:

1. |E[P_t|I_t]-P_t|\leq \epsilon_{\text{LLM}} | E [ P t | I t ] − P t | ≤ ϵ LLM ( Hiệu suất LLM )
2. Ngoài sự xuất hiện của thông tin riêng tư, P_t \approx M_t P t ≈ M t ( đảo ngược trung bình )
3. Khi \delta_t δ t trở thành dương và giá đánh dấu tăng, sau thời gian giãn P_t P t cũng tăng ( vòng phản hồi giữa LLM và thị trường )

• Bằng chứng

  1. Hiệu quả LLM: Theo thiết kế, LLM xử lý tất cả thông tin công khai có sẵn I_t I t để tạo ra P_t P t . Giới hạn \epsilon_{\text{LLM}} ϵ LLM biểu thị lỗi tối đa trong quá trình này.

  2. Cho f(t)=k(M_t-P_t) f ( t ) = k ( M t − P t ) là tỷ lệ tài trợ tại thời điểm t t , trong đó 1>k>0 1 > k > 0 là hằng số. Nếu M_t>P_t M t > P t , thì f(t)>0 f ( t ) > 0 , khuyến khích các nhà giao dịch bán và đẩy M_t M t xuống. Nếu M_t<P_t M t < P t , thì f(t)<0 f ( t ) < 0 , khuyến khích các nhà giao dịch mua và đẩy M_t M t lên. Điều này tạo ra một quá trình Ornstein-Uhlenbeck tổng quát:

     dM_t=\alpha(P_t-M_t)dt+\sigma d W_t
     d M t = α ( P t − M t ) d t + σ d W t

     trong đó \alpha>0 α > 0 là tốc độ điều chỉnh, \sigma σ là độ biến động và W_t W t là quá trình Wiener.
     Chúng tôi giả định P_t P t là một biến ngẫu nhiên thay đổi chậm. Đây là một giả định thực tế vì bối cảnh tin tức không thay đổi đột ngột. Sau đó, trong khoảng thời gian [t_0,t_1] [ t 0 , t 1 ], chúng ta có P_t(\omega) \approx P(\omega) P t ( ω ) ≈ P ( ω ) . SDE ở trên sau đó đưa ra

     |E[M_t]-P(\omega)|=|P(\omega)-M_{t_0}|e^{-k(t-t_0)}
     | E [ M t ] − P ( ω ) | = | P ( ω ) − M t 0 | e − k ( t − t 0 )

     Do đó, chúng ta thấy sự đảo ngược trung bình theo hàm mũ và P_t \approx M_t P t ≈ M t trong điều kiện thị trường bình thường. Người ta cũng có thể nhận thấy rằng giới hạn lỗi khi tổng hợp thông tin công khai hoàn toàn phụ thuộc vào LLM.
     Bây giờ chúng tôi giới thiệu \delta_t δ t trong SDE ở trên để tính đến thông tin riêng tư:

     dM_t=\alpha(P_t-M_t)dt+ \eta\delta_tdt + \sigma d W_t
     d M t = α ( P t − M t ) d t + η δ t d t + σ d W t

     Chúng ta giả sử rằng \delta=0 δ = 0 nằm ngoài ]t(\omega), t(\omega) + \epsilon(\omega)[ ] t ( ω ) , t ( ω ) + ϵ ( ω ) [ trong đó t t và \epsilon ϵ là các biến ngẫu nhiên, \delta_t>0 δ t > 0 nằm trong khoảng và \int_{\mathbb{R}} \delta_t =1 ∫ R δ t = 1 . Thuật ngữ \eta(\omega) η ( ω ) là một biến ngẫu nhiên lượng hóa độ lớn của bước nhảy, nó có thể bằng \pm \eta ± η . Vì trước t^*=t(\omega) t ∗ = t ( ω ) ta có M_t\approx P_t M t ≈ P t nên có lý khi cho rằng trong thời gian \epsilon(\omega) ϵ ( ω ) ta có:

     dM_t = \eta\delta_tdt + \sigma d W_t
     d M t = η δ t d t + σ d W t

     Do đó, mức tăng giá trung bình là \eta η . Do đó, chúng ta có thể có giả định đơn giản hóa rằng M_t= M_{t_0} M t = M t 0 đối với t<t^* t < t ∗ và M_t = M_{t_0} + \eta M t = M t 0 + η đối với t > t^* + \epsilon(\omega) t > t ∗ + ϵ ( ω ) trong đó t_0 < t^* t 0 < t ∗ . Chúng ta bỏ qua phần còn lại của bằng chứng vì lý do ngắn gọn nhưng bằng cách giải SDE thứ hai ở trên và bằng phân tích tiệm cận đối với t>>t^* t > > t ∗, ta thấy rằng:

     M_{t_0} + \eta \approx P(\omega)[1-e^{-k(tt^*)}]
     M t 0 + η ≈ P ( ω ) [ 1 − e − k ( t − t ∗ ) ]

     Do đó, đối với t t lớn, chúng ta phải có P_t \approx M_{t_0} + \eta P t ≈ M t 0 + η , và LLM buộc phải tuân theo bước nhảy ban đầu.
     \hình vuông đen ■

Định lý này chính thức hóa dạng mới về hiệu quả bán mạnh của các đạo hàm dự đoán dựa trên LLM (tất cả thông tin công khai đều được định giá), kết hợp xử lý thông tin LLM với việc khám phá giá thị trường.

Đảm bảo sự mạnh mẽ hơn nữa

Thiết kế của LLM phải có khả năng chống lại các lỗi như thiếu sót hoặc không nhất quán. Nó phải dựa trên các nguồn thông tin đáng tin cậy, chống lại sự thao túng và phấn đấu để có khả năng quan sát tối đa.

Để tăng cường độ tin cậy của hệ thống và chống lại sự thao túng, có nhiều chiến lược hơn:

• Xác minh thông tin thu thập: Chứng nhận việc thu thập dữ liệu của LLM từ các trang web cụ thể (ví dụ: sử dụng TLSNotary) để đảm bảo tính toàn vẹn của đường truyền thông tin, rất quan trọng đối với hoạt động LLM phi tập trung.
• Danh sách trắng: Hạn chế các nguồn của LLM để đảm bảo thẩm quyền và tính liên quan.
• Truy xuất được điều chỉnh: Tùy chỉnh mức độ ưu tiên, mô-đun API và danh sách trắng dựa trên loại sự kiện (ví dụ: thể thao so với chuyến bay vũ trụ).
• Theo dõi giá hợp đồng: Triển khai vòng phản hồi LLM để thúc đẩy sự hội tụ giữa giá chỉ số và giá tham chiếu, bổ sung tỷ lệ tài trợ và sự hội tụ giá thành 0 0 hoặc 1 1 .
• Tổng hợp dự đoán LLM: Giảm sự khác biệt và không nhất quán bằng cách kết hợp nhiều dự đoán.
• Cơ chế danh sách bao gồm: Yêu cầu LLM xem xét dữ liệu cụ thể bất kể quyết định truy xuất nội bộ của nó.
• Nhận dạng mô hình dựa trên dữ liệu: Triển khai một thuật ngữ phức tạp để đánh giá chuẩn dự báo LLM, như được mô tả trong bài báo này .
• Tính trung bình nhiều LLM: Giảm thiểu các sai lệch cụ thể của LLM (ví dụ: hiệu chuẩn kém, quá tự tin) thông qua phương pháp “trí tuệ của đám đông silicon” với khả năng có nhiều LLM cạnh tranh.
• Cơ chế không cần cấp phép với TEE: trọng số LLM có thể được cam kết trước và bất kỳ ai cũng có thể chạy lại LLM để xác minh đầu ra. Hơn nữa, lời nhắc cuối cùng có thể đến từ nhiều người tham gia khác nhau (xem bài báo này để biết thảo luận chung về các cơ chế như vậy).

Mở rộng bối cảnh sự kiện

Thị trường dự đoán vẫn hỗ trợ một nhóm thị trường rất hạn chế. Một phạm vi rộng lớn như "khoa học" chỉ chứa khoảng 30 thị trường trên Polymarket. Bằng cách tạo ra một mức giá năng động được cập nhật khi có thông tin mới mà không cần vốn ban đầu, LLM có thể hỗ trợ hầu như bất kỳ thị trường nào miễn là có quyền truy cập vào các nguồn thông tin đáng tin cậy.

Việc khám phá hiệu quả không gian của các sự kiện có thể xảy ra thông qua những 'người siêu đặt câu hỏi' (vai trò đối xứng với 'người siêu dự báo') có thể đóng vai trò quan trọng trong việc hiểu các câu hỏi 'hiện sinh' quan trọng nhất, như báo cáo nghiên cứu này gợi ý.

Suy nghĩ kết thúc

Chúng tôi cho rằng LLM có thể có một số hiệu quả vốn có trong việc tổng hợp thông tin công khai thành một xác suất. Chúng tôi cũng cho rằng các LLM dự báo như vậy có thể thực sự nằm trong phạm vi thao tác mà chúng tôi đã nêu ở trên. Chúng tôi mong đợi điều đó sẽ xảy ra nếu cấu trúc thông tin được trình bày cho LLM đủ phong phú.

Theo những giả định này, tuyên bố chính rằng việc xây dựng một đạo hàm thị trường dự đoán bằng cách sử dụng LLM làm giá chỉ số là khả thi và hiệu quả dựa trên kết quả cuối cùng được trình bày ở trên, đảm bảo rằng tỷ lệ tài trợ có thể thúc đẩy sự trở lại giá trị trung bình theo hướng giải quyết trung thực. Các kết quả đầu tiên hỗ trợ tuyên bố rằng \epsilon_{LLM} ϵ L L M có thể được chọn đủ nhỏ.

Trực giác chung cho thấy P_t P t là đại diện cho việc tổng hợp các tín hiệu công khai và M_t M t là đại diện cho việc tổng hợp các tín hiệu công khai và riêng tư, trong khi tỷ lệ tài trợ thúc đẩy giá phái sinh theo đúng hướng theo thời gian.

Các công cụ phái sinh dự đoán dựa trên LLM cung cấp một giải pháp mới cho rủi ro thao túng chính trong thị trường dự đoán phái sinh. Bằng cách tách khỏi các thị trường giao ngay có khả năng bị thao túng, cách tiếp cận này nhằm mục đích loại bỏ một trở ngại lớn trong việc phát triển các thị trường phái sinh cho xác suất sự kiện. Chúng tôi hy vọng giải pháp này sẽ khuyến khích thử nghiệm với các công cụ phái sinh thị trường dự đoán, đặc biệt là trong các tình huống mà các thị trường dự đoán giao ngay tương ứng không thanh khoản hoặc không tồn tại.

Hơn nữa, một nguyên lý như vậy có thể đảm bảo hiệu quả trong một tập hợp thị trường lớn hơn nhiều so với những gì chúng ta hiện thấy trên Polymarket, cho phép chúng ta tiếp cận các hình thức tổng hợp thông tin mới lạ.