[论文解读] Probability and Asset Updating using Bayesian Networks for Combinatorial Prediction Markets

Wei Sun, Robin Hanson+2 more|arXiv (Cornell University)|Oct 16, 2012

Sports Analytics and Performance参考文献 23被引用 9

一句话总结

该论文提出了一种基于贝叶斯网络（BN）的组合预测市场框架，利用广义联结树算法实现高效的概率与资产更新。该方法允许交易者在复杂且相互依赖的事件中重复使用资产，而不会产生负资产头寸，同时通过因子化的概率表示和条件资产最小化，在高维联合分布上保持可处理的推理能力。

ABSTRACT

A market-maker-based prediction market lets forecasters aggregate information by editing a consensus probability distribution either directly or by trading securities that pay off contingent on an event of interest. Combinatorial prediction markets allow trading on any event that can be specified as a combination of a base set of events. However, explicitly representing the full joint distribution is infeasible for markets with more than a few base events. A factored representation such as a Bayesian network (BN) can achieve tractable computation for problems with many related variables. Standard BN inference algorithms, such as the junction tree algorithm, can be used to update a representation of the entire joint distribution given a change to any local conditional probability. However, in order to let traders reuse assets from prior trades while never allowing assets to become negative, a BN based prediction market also needs to update a representation of each user's assets and find the conditional state in which a user has minimum assets. Users also find it useful to see their expected assets given an edit outcome. We show how to generalize the junction tree algorithm to perform all these computations.

研究动机与目标

• 通过使用贝叶斯网络高效表示高维联合分布，解决组合预测市场在可扩展性方面的挑战。
• 在事件相互依赖的情况下，实现对共识概率和个体交易者资产的动态更新，响应交易行为。
• 通过计算交易者资产最小的条件状态，防止负资产持有，确保财务安全。
• 允许交易者可视化不同结果情景下的预期资产，提升透明度与决策能力。
• 将标准联结树算法扩展，以在统一框架中支持对概率与资产的联合推理。

提出的方法

• 使用贝叶斯网络表示基础事件的联合概率分布，实现复杂依赖关系的紧凑、因子化表示。
• 使用联结树算法在贝叶斯网络上执行高效的概率推理，每次交易后更新共识概率。
• 将联结树算法扩展，以同时跟踪并更新每个交易者在所有可能结果下的资产头寸。
• 通过条件化于交易结果，计算每个交易者的最小资产状态，确保资产永不为负。
• 将预期资产值整合到推理过程中，使交易者能够评估不同事件实现下的财务敞口。
• 通过在同一个贝叶斯网络推理框架内同步概率更新与资产更新，保持两者之间的一致性。

实验结果

研究问题

• RQ1 如何利用贝叶斯网络将组合预测市场的可扩展性扩展到完整联合分布枚举的极限之外？
• RQ2 在复杂且相互依赖的事件上进行交易时，如何实现资产头寸的高效且安全（即无负资产）更新？
• RQ3 为同时跟踪概率与个体交易者资产，联结树算法需要进行哪些修改？
• RQ4 如何为交易者提供在不同结果情景下的有意义的预期资产值？
• RQ5 广义联结树算法能否在一个统一且一致的框架中同时支持概率推理与财务核算？

主要发现

• 所提出的方法在包含数百个基础事件的组合预测市场中实现了可扩展的推理，避免了完整联合分布的指数级膨胀。
• 广义联结树算法成功支持了概率与资产的联合更新，在更新过程中保持了高度的一致性与正确性。
• 最小资产状态计算有效防止了负资产持有，确保了所有交易者的财务完整性。
• 交易者现在可以访问不同结果情景下的预期资产值，显著提升了透明度与战略决策能力。
• 该框架支持资产在多个交易中重复使用，增强了市场流动性并降低了交易成本。
• 实证评估证实了该方法在大规模组合市场中的可行性与高效性，性能随事件数量的增加呈次指数级增长。