[논문 리뷰] Price Updating in Combinatorial Prediction Markets with Bayesian Networks

David M. Pennock, Lirong Xia|arXiv (Cornell University)|2012. 02. 14.

Sports Analytics and Performance참고 문헌 19인용 수 5

한 줄 요약

이 논문은 로그 시장 스코링 규칙(LMSR)을 기반으로 한 조합적 예측 시장에서 효율적으로 가격을 갱신하기 위해 베이지안 네트워크 기반 프레임워크를 제안한다. LMSR와 확률적 신념 집약 간의 공식적 연결을 수립함으로써, 분해 가능한 베이지안 네트워크에 대해 구조를 유지하는 모든 증권을 특성화하고, 이러한 증권이 분해 가능한 그래프 구조를 필요로 함을 증명한다. 이 방법은 확장 가능한 가격 계산을 가능하게 하며, 토너먼트 마켓에 관한 이전 연구를 일반화한다.

ABSTRACT

To overcome the #P-hardness of computing/updating prices in logarithm market scoring rule-based (LMSR-based) combinatorial prediction markets, Chen et al. [5] recently used a simple Bayesian network to represent the prices of securities in combinatorial predictionmarkets for tournaments, and showed that two types of popular securities are structure preserving. In this paper, we significantly extend this idea by employing Bayesian networks in general combinatorial prediction markets. We reveal a very natural connection between LMSR-based combinatorial prediction markets and probabilistic belief aggregation,which leads to a complete characterization of all structure preserving securities for decomposable network structures. Notably, the main results by Chen et al. [5] are corollaries of our characterization. We then prove that in order for a very basic set of securities to be structure preserving, the graph of the Bayesian network must be decomposable. We also discuss some approximation techniques for securities that are not structure preserving.

연구 동기 및 목표

• LMSR 기반 조합적 예측 시장에서의 가격 갱신에 대한 #P-어려움 계산 복잡도 문제를 해결하기 위해.
• 베이지안 네트워크를 사용하여 LMSR 기반 예측 시장과 확률적 신념 집약 간의 공식적 연결을 수립하기 위해.
• 베이지안 네트워크 표현에서 시장 가격의 네트워크 구조를 유지하는 모든 증권을 특성화하기 위해.
• 특히 분해 가능한 그래프 구조의 필요성을 포함한, 구조 유지에 필요한 조건을 규명하기 위해.
• 정확한 갱신이 불가능한 경우 비구조 유지 증권을 위한 근사 기법을 개발하기 위해.

제안 방법

• 시장 가격을 시장 결과의 연합 확률 분포를 나타내는 베이지안 네트워크로 모델링하기 위해.
• 지역 조건부 확률 갱신을 통한 효율적 가격 갱신을 위해 확률적 신념 집약을 적용하기 위해.
• LMSR과 베이지안 네트워크 추론 간의 관계를 정식화하여 확장 가능한 계산을 가능하게 하기 위해.
• 증권의 가격 갱신이 네트워크 구조를 유지하는 조건을 유도하고, 이러한 증권을 특성화하기 위해.
• 기본 증권이 구조를 유지하기 위해선 베이지안 네트워크가 분해 가능해야 한다는 것을 증명하기 위해.
• 정확한 갱신이 불가능한 비구조 유지 증권에 대해 근사 방법을 도입하기 위해.

실험 결과

연구 질문

• RQ1 조합적 예측 시장에서 가격 갱신 시 베이지안 네트워크의 구조를 유지하는 증권은 무엇인가?
• RQ2 LMSR 기반 예측 시장과 베이지안 네트워크의 확률적 신념 집약 간의 공식적 관계는 무엇인가?
• RQ3 베이지안 네트워크 그래프에 어떤 조건이 성립할 경우 증권의 구조 유지가 보장되는가?
• RQ4 베이지안 네트워크 추론을 활용하여 조합적 예측 시장에서 가격 갱신을 어떻게 효율적으로 계산할 수 있는가?
• RQ5 네트워크 구조를 유지하지 않는 증권에 대해 효과적인 근사 전략은 무엇인가?

주요 결과

• 분해 가능한 베이지안 네트워크에서 LMSR 기반 예측 시장의 모든 구조 유지 증권에 대한 완전한 특성화가 제공된다.
• Chen 등 [5]의 토너먼트 마켓에 대한 주요 결과들이 제안된 일반적 특성화의 따름정리로 나타나나며.
• 기본 증권 집합이 구조를 유지하기 위해서는 기초 베이지안 네트워크가 분해 가능해야 한다는 것이 증명된다.
• 프레임워크는 전체 연합 분포 계산을 피하기 위해 베이지안 네트워크 내 지역 조건부 확률 갱신을 활용하여 효율적 가격 갱신을 가능하게 한다.
• 구조를 유지하지 않는 증권에 대해 근사 기법이 개발되어 이상적인 경우를 초월한 적용 가능성을 넓힌다.
• 이 작업은 LMSR과 확률적 그래픽 모델 간의 기초적 연결을 수립하여 조합적 예측 시장에서의 확장 가능한 추론을 가능하게 한다.