[논문 리뷰] Complexity of Combinatorial Market Makers

Yiling Chen, Lance Fortnow외 3명|ArXiv.org|2008. 02. 11.

Sports Analytics and Performance참고 문헌 23인용 수 12

한 줄 요약

이 논문은 하이먼의 로그 시장 스코링 규칙(LMSR)을 사용하여 조합적 예측 시장에서 가격과 지불액을 계산하는 것이, 조합적 결과 공간이 지수적으로 큰 경우, 심지어 매우 제한된 베팅 언어—예를 들어 순열 시장에서의 부분집합 또는 쌍 베팅, 이진 사건에서의 부울 조합—하에 있어서도 #P-난이도임을 보여준다. 이에 비해, 저자들은 온라인 학습과 전문가 조언 기반의 근사 알고리즘을 설계하여, 한계에서 시장 제작자의 최악의 손실이 $ b \ln(n!) $로 유한하게 유지됨을 증명하였으며, 이는 전체 시장 LMSR의 이론적 경계와 일치한다. 이와 동시에 가격 일관성도 보장한다.

ABSTRACT

We analyze the computational complexity of market maker pricing algorithms for combinatorial prediction markets. We focus on Hanson's popular logarithmic market scoring rule market maker (LMSR). Our goal is to implicitly maintain correct LMSR prices across an exponentially large outcome space. We examine both permutation combinatorics, where outcomes are permutations of objects, and Boolean combinatorics, where outcomes are combinations of binary events. We look at three restrictive languages that limit what traders can bet on. Even with severely limited languages, we find that LMSR pricing is $\SP$-hard, even when the same language admits polynomial-time matching without the market maker. We then propose an approximation technique for pricing permutation markets based on a recent algorithm for online permutation learning. The connections we draw between LMSR pricing and the vast literature on online learning with expert advice may be of independent interest.

연구 동기 및 목표

• 지수적으로 큰 결과 공간을 가진 조합적 예측 시장에서 LMSR 가격 설정의 계산 복잡도를 분석하는 것.
• 제한된 베팅 언어(예: 순열에서의 부분집합 또는 쌍 베팅, 이진 사건에서의 부울 조합)가 LMSR 가격 설정의 계산 가능성을 높일 수 있는지 조사하는 것.
• 최악의 손실이 유한하게 유지되는 근사 알고리즘을 개발하여 순열 시장에서의 LMSR 가격 설정을 수행하는 것.
• LMSR 가격 설정과 온라인 학습에서 전문가 조언을 통한 학습 간의 공식적 연결 고리를 설정하는 것.

제안 방법

• 저자들은 제한된 베팅 언어 하에서 순열 및 부울 조합적 시장에서 LMSR 가격 설정 및 지불액 계산의 #P-난이도를 증명한다.
• 큰 거래를 작은 단위 $ \epsilon $로 나누어 처리하는 부분집합 베팅 근사 알고리즘을 제안하며, 각 단위에서 가격 행렬을 순열 기반의 지수 가중치를 통해 업데이트한다.
• 이 방법은 온라인 학습에서 전문가 조언 기반의 기법을 활용하며, 각 순열을 전문가로 모델링하고 거래 결과에 따라 가중치를 업데이트한다.
• 핵심 요소로는 학습 속도와 가격 정확도 사이의 균형을 조절하는 정규화 파라미터 $ \eta = 2\epsilon / b $ 를 사용한다.
• 알고리즘은 $ \epsilon \to 0 $ 일 때 총 손실이 $ b \ln(n!) $ 이하로 유한하게 유지됨을 보장하며, 이는 전체 LMSR의 이론적 최악의 손실과 일치한다.
• 이론적 경계는 유계 손실 최소화 및 볼록 분석을 통해 유도되며, 최종 손실 경계는 $ \frac{\eta}{1 - e^{-\eta}} b n \ln n + \left( \frac{\eta}{1 - e^{-\eta}} - 1 \right) 2\epsilon n T $ 로 표현된다.

실험 결과

연구 질문

• RQ1 거래자가 '후보 i가 위치 j에 도착한다'와 같은 간단한 베팅에 국한될 경우, LMSR 가격 설정은 계산적으로 가능할 수 있는가?
• RQ2 순열 시장에서 LMSR에 대한 근사 알고리즘이 최악의 손실을 유한하게 유지하면서도 가격 일관성을 유지할 수 있는가?
• RQ3 LMSR 가격 설정과 온라인 학습에서 전문가 조언 간의 연결 고리는 무엇인가?
• RQ4 동일한 베팅에 대해 매칭 문제가 다항식 시간 내에 해결 가능한 경우에도 LMSR 가격 설정의 계산 난이도는 여전히 지속되는가?

주요 결과

• LMSR 가격 설정 및 지불액 계산은 부분집합 및 쌍 베팅과 같은 매우 제한된 베팅 언어 하에서도 순열 및 부울 조합적 시장에서 모두 #P-난이도임이 입증된다.
• 순열 시장에서 부분집합 베팅에 대한 근사 알고리즘은 $ \epsilon \to 0 $ 일 때 최악의 손실이 $ b \ln(n!) $ 이하로 유한하게 유지됨을 보장하며, 이는 전체 시장 LMSR의 손실과 일치한다.
• 이 알고리즘은 각 순열 간의 가격 일관성을 유지함으로써, 각 위치에 대해 별도의 시장을 운영하는 것과 달리 가격 불일치의 위험을 피한다.
• 손실 경계는 각 위치에 대해 $ n $ 개의 별도의 LMSR을 운영하는 것과 유사하지만, 근사 알고리즘은 전역적인 가격 일관성을 보장한다.
• 이론적 분석에 따르면, 근사 알고리즘의 유계 손실은 $ O(\epsilon n T) $ 의 비율로 증가하며, $ \epsilon \to 0 $ 일 때 손실 격차는 점차 줄어든다.
• 논문은 LMSR 가격 설정과 온라인 학습에서 전문가 조언 간의 공식적이고 유용한 연결 고리를 확립하였으며, 이는 전문가 학습 기법이 자동 시장 제작자에 광범위하게 적용될 수 있음을 시사한다.