Tóm tắt Chainfeeds:
Sự khác biệt không phải do may mắn. Đó là do nền tảng toán học.
Nguồn bài viết:
https://x.com/MrRyanChi/status/2031292099384008810
Tác giả bài viết:
Roan
Quan điểm :
Roan: Một cạm bẫy phổ biến trong dự đoán thị trường là "sai lầm thị trường đơn lẻ". Nếu chỉ nhìn vào một thị trường duy nhất, giá cả thường có vẻ hợp lý. Ví dụ, hãy xem xét một thị trường với câu hỏi: "Liệu Trump có thắng ở Pennsylvania không?". Giá cho "CÓ" là 0,48, và giá cho "KHÔNG" là 0,52, tổng cộng là 1, dường như hoàn toàn hợp lý và không mang lại cơ hội kinh doanh chênh lệch giá. Tuy nhiên, vấn đề là các sự kiện trong thế giới thực không phải là riêng lẻ. Việc kết hợp nhiều thị trường liên quan có thể làm lộ ra những mâu thuẫn logic trong định giá. Ví dụ, hãy xem xét một thị trường khác: "Liệu đảng Cộng hòa có dẫn trước đối thủ của họ hơn 5 điểm phần trăm ở Pennsylvania không?". Giá cho "CÓ" trong thị trường này là 0,32, và giá cho "KHÔNG" là 0,68, một lần nữa tổng cộng là 1, dường như không có vấn đề gì. Tuy nhiên, có một sự phụ thuộc logic rõ ràng giữa hai giá trị này. Cuộc bầu cử tổng thống Mỹ tính phiếu đại cử tri theo từng tiểu bang. Nếu đảng Cộng hòa dẫn trước đối thủ hơn 5 điểm phần trăm ở Pennsylvania, thì Trump, với tư cách là ứng cử viên của đảng Cộng hòa, không chỉ thắng ở tiểu bang này mà còn thắng với cách biệt lớn. Do đó, một chiến thắng áp đảo của đảng Cộng hòa thực chất là một tập hợp con của chiến thắng của Trump. Nói cách khác, nếu sự kiện B xảy ra, thì sự kiện A nhất định phải xảy ra. Trong logic xác suất, xác suất của một sự kiện con không thể cao hơn xác suất của sự kiện cha. Nếu giá thị trường vi phạm điều này, điều đó có nghĩa là có cơ hội kinh doanh chênh lệch giá. Một ví dụ trực quan là dự báo thời tiết: Ngày mai trời có mưa không? Ngày mai có giông bão không? Giông bão luôn đi kèm với mưa, vì vậy xác suất xảy ra giông bão không thể cao hơn xác suất xảy ra mưa. Nếu giá thị trường thể hiện tình huống phi logic này, các nhà giao dịch có thể đồng thời mua vào và bán các vị thế liên quan trên các thị trường khác nhau, từ đó thu được lợi nhuận không rủi ro. Hành vi kiếm lợi nhuận bằng cách khai thác sự không nhất quán về logic này chính là kinh doanh chênh lệch giá. Phát hiện kinh doanh chênh lệch giá trong các thị trường dự đoán phức tạp không phải là vấn đề đơn giản. Về mặt lý thuyết, nếu một thị trường có n điều kiện, thì số lượng tất cả các tổ hợp kết quả có thể là 2ⁿ. Con số này tăng lên nhanh chóng khi số lượng điều kiện tăng lên. Ví dụ, trong thị trường Giải đấu NCAA năm 2010, có 63 trận đấu, mỗi trận chỉ có hai kết quả: thắng hoặc thua. Điều này có nghĩa là số lượng tất cả các tổ hợp kết quả có thể là 2⁶³, xấp xỉ 9,22 × 10¹⁸, hay hơn chín trăm triệu tỷ khả năng. Nếu chúng ta cố gắng kiểm tra từng tổ hợp một bằng cách sử dụng phương pháp pháp tìm kiếm vét cạn, ngay cả khi chúng ta có thể tính toán 1 tỷ khả năng mỗi giây, thì vẫn sẽ mất gần 300 năm để hoàn thành. Độ phức tạp tính toán này hoàn toàn không thể chấp nhận được trong các hệ thống thực tế. Vấn đề tương tự cũng phát sinh trong thị trường dự đoán chính trị. Ví dụ, trong thị trường liên quan đến cuộc bầu cử Mỹ năm 2024, đội ngũ nghiên cứu đã tìm thấy 1576 cặp thị trường có khả năng phụ thuộc lẫn nhau. Nếu mỗi thị trường có 10 điều kiện, thì mỗi cặp thị trường sẽ yêu cầu kiểm tra 2²⁰ (khoảng một triệu) tổ hợp. Nhân con số này với tất cả các cặp thị trường sẽ làm tăng nhanh chóng khối lượng tính toán. Do đó, hệ thống định lượng không sử dụng phương pháp liệt kê vét cạn mà thay vào đó sử dụng lập trình số nguyên để mô tả các kết quả hợp lệ. Một tập hợp các ràng buộc tuyến tính có thể loại bỏ lượng lớn các tổ hợp không thể xảy ra. Ví dụ, trong thị trường trận đấu Duke vs. Cornell, mỗi đội có 7 tỷ lệ thắng thua có thể xảy ra, tổng cộng 14 điều kiện. Sử dụng phương pháp vét cạn, cần phải kiểm tra 2¹⁴ (16384) tổ hợp. Tuy nhiên, chỉ cần ba ràng buộc để mô tả tất cả các trường hợp hợp lệ: Thứ nhất, chính xác một trong bảy tỷ lệ cá cược cho mỗi đội phải đúng; thứ hai, không đội nào có thể thắng quá năm trận cùng một lúc, vì điều đó sẽ dẫn đến trận bán kết. Bằng cách này, vấn đề phức tạp được chuyển đổi thành một số lượng nhỏ các ràng buộc, giảm đáng kể chi phí tính toán. Sau khi xác định các cơ hội chênh lệch giá, một vấn đề quan trọng khác là làm thế nào để tính toán chiến lược giao dịch tối ưu. Theo trực giác, một cách tiếp cận đơn giản là tìm mức giá không có chênh lệch giá gần nhất với giá hiện tại và sau đó thực hiện giao dịch tương ứng. Tuy nhiên, việc sử dụng khoảng cách Euclidean thông thường (tức là khoảng cách đường thẳng) để đo lường sự khác biệt về giá lại gặp phải những vấn đề nghiêm trọng. Trong thị trường dự đoán, giá cả thực sự thể hiện xác suất ngụ ý, và sự thay đổi về xác suất có ý nghĩa khác nhau trong các khoảng khác nhau. Ví dụ, việc giá tăng từ 0,50 lên 0,60 thể hiện sự thay đổi xác suất từ 50% lên 60%, đây là một sự cập nhật niềm tin tương đối nhẹ. Nhưng nếu giá tăng từ 0,05 lên 0,15, điều đó có nghĩa là một sự kiện gần như không thể xảy ra đột nhiên trở nên có khả năng xảy ra cao hơn đáng kể, chứa đựng một lượng thông tin lớn hơn nhiều. Khoảng cách Euclidean không phản ánh được sự khác biệt này, coi tất cả các thay đổi 10 xu đều quan trọng như nhau. Do đó, trong thị trường dự đoán sử dụng LMSR (Quy tắc điểm số thị trường logarit) làm cơ chế tạo lập thị trường, một thước đo khoảng cách hợp lý hơn là độ phân kỳ Bregman. Trong trường hợp này, độ phân kỳ Bregman tương đương với độ phân kỳ KL, xuất phát từ lý thuyết thông tin và được sử dụng để đo lường sự khác biệt giữa hai phân bố xác suất. Một đặc điểm quan trọng của độ phân kỳ KL là bất kỳ thay đổi nhỏ nào cũng được coi tỷ trọng hơn khi giá gần bằng 0 hoặc 1. Điều này phù hợp với trực giác thị trường, vì những thay đổi giá gần các xác suất cực đoan thường ngụ ý những cú sốc thông tin mạnh mẽ hơn.
Nguồn nội dung 
