Tillbaka

Analytiker visar 6 formler som kvantfonder använder i prediktionsmarknader

Välj oss på Google
author avatar

Skriven av
Kamina Bashir

editor avatar

Redigerad av
Harsh Notariya

18 mars 2026 16:39 UTC
  • Enligt en analytiker har marknader som Polymarket blivit ett "quant-slagsfält."
  • Månatlig volym på prediktionsmarknaden översteg 13 7 miljarder USD i mars, en ökning med 599 % på ett år.
  • Sex formler, från LMSR-prissättning till Bayesiansk uppdatering, ger systematiska fördelar.

Intresset för prediktionsmarknader växer snabbt när handlare, institutioner och till och med Wall Street vill dra nytta av den ökande trenden.

Den månatliga volymen översteg redan 13,7 miljarder USD i mars, vilket är en ökning med 599 % från 1,96 miljarder USD förra året. Stora aktörer som Polymarket och Kalshi leder utvecklingen.

6 formler som styr Quant Polymarket Playbook

I ett nytt inlägg skrev en analytiker att Polymarket har utvecklats till mycket mer än en plats för ”degen gamblers”.

”Det har tyst blivit ett område för kvantitativa handlare där professionella fonder hittar fördelar likt de gör på options- och terminer-marknader,” står det i inlägget.

Följ oss på X för att få de senaste nyheterna när de händer

Inlägget visade också sex viktiga formler som hedgefonder använder för att regelbundet tjäna på prediktionsmarknader. Privathandlare kan fortfarande kopiera delar av dessa metoder för att förbättra sina fördelar.

Logaritmisk marknadspoängregel (LMSR) är grunden där kvantitativa handlare modellerar prissättningen för att förutse hur mycket en affär påverkar marknaden innan långsammare deltagare reagerar.

Kelly-kriteriet ersätter godtycklig insatsstorlek med en matematiskt beräknad andel av kapitalet per handel.

EV-gap scanning bygger egna sannolikhetsmodeller för att hitta kontrakt där sannolikheten enligt marknaden skiljer sig så mycket från handlarens uppskattning att det täcker avgifterna.

KL-divergens hittar statistikavvikelser mellan relaterade marknader, till exempel politiska kandidater, och gör det möjligt att ta skyddade positioner mellan de.

Bregman-projektion utvecklar detta genom att undersöka komplexa händelser med många utfall för att hitta felprissättningar som manuella handlare inte kan upptäcka i stor skala.

Bayesiansk uppdatering justerar sannolikhetsbedömningar hela tiden när ny information kommer. Istället för att använda fasta synsätt håller man positionerna uppdaterade i realtid.

Prenumerera på vår YouTube-kanal för att se ledare och journalister ge expertanalyser

Analytikern delade även en enkel plan för att ”kopiera systemet”.

  • Data: Skaffa API-tillgång från Polygon för att samla in Polymarket odds och volymdata i realtid.
  • Miljö: Installera Python med nyckelbiblioteken numpy, scipy och cvxpy. Dessa sköter matematiken bakom de sex formlerna.
  • Backtesting: Innan du använder riktiga pengar, testa systemet på historisk data för 2025 med walk-forward-teknik. Du testar då i följd, som om tiden gick framåt, inte mot kända data. Det minskar risken för överanpassning.
  • Implementering: Kör automatiserade script på Railway eller GitHub med schemalagda jobb och skicka handelslarm till Telegram. Då får du info i realtid.
  • Riskhantering: Använd en lägre Kelly-andel och inte full Kelly för att minska insatsstorleken. Sätt en strikt 20 % maximal nedgång.

Handboken visar strukturerade kvantitativa strategier för prediktionsmarknader, men resultatet beror på hur de genomförs. Korrekt sannolikhetsuppskattning, tillräcklig likviditet och låga avgifter är avgörande.

Det finns praktiska utmaningar som marknadshastighet, datakvalitet och möjlig överanpassning. Därför kan resultaten variera beroende på genomförande och marknadens villkor.

Viktig information: Denna text är endast för information och är inte investeringsråd.

Ansvarsfriskrivning

All information på vår webbplats publiceras i god tro och endast för allmän information. Varje åtgärd som läsaren vidtar baserat på informationen på vår webbplats sker strikt på egen risk.