Prediction Market Math
APPLIED PROBABILITY INSTITUTE // GLOSARIO CUANTITATIVO

Glosario de Mercados de Predicción

Definiciones matemáticas rigurosas, formulaciones analíticas y casos prácticos de 35 conceptos fundamentales en derivados de eventos y microestructura.

Precios de Contratos y Mecánica de AMM

(10)

Probabilidad Implícita

#
P_{implied} = P_m / \sum_{j=1}^n P_j

La probabilidad de ocurrencia de un suceso deducida del precio de cotización de un contrato que liquida en $1.00 ante resolución favorable.

Caso Práctico: Una participación de Sí a $0.63 refleja una probabilidad de consenso de mercado del 63.0%.

Activo de Arrow-Debreu

#
\Phi(S_i) = \mathbf{1}_{\{S = S_i\}} \cdot \$1.00

Un derivado contingente al estado que abona exactamente una unidad monetaria si acontece un estado específico y cero en caso contrario.

Caso Práctico: Los contratos de eventos son activos puros de Arrow-Debreu que liquidan en $1.00 en acierto y $0.00 en fallo.

Medida Neutral al Riesgo (Medida Q)

#
P_t = e^{-r(T-t)} \mathbb{E}^{\mathbb{Q}}[\Phi(S) \mid \mathcal{F}_t]

Medida probabilística bajo la cual el precio descontado del activo sigue un proceso de martingala, igualando el precio al valor esperado.

Caso Práctico: En plazos muy cortos, el precio coincide con la esperanza matemática bajo la medida neutral: P_t = Q(Evento).

Creador de Mercado de Producto Constante (CPMM)

#
x \cdot y = k, \quad p_{Yes} = \frac{y}{x+y}

Algoritmo creador de mercado que mantiene constante el producto de colaterales x e y, calculando el precio marginal mediante la razón de reservas.

Caso Práctico: Los pools de Polymarket usan CPMM para asegurar que las cotizaciones marginales de Sí y No sumen siempre 1.00.

Regla de Puntuación de Mercado Logarítmica (LMSR)

#
C(\mathbf{q}) = b \ln\left(\sum_{i=1}^n e^{q_i / b}\right), \quad p_i = \frac{e^{q_i / b}}{\sum e^{q_j / b}}

Mecanismo propuesto por Robin Hanson con pérdida acotada donde el precio marginal es la función softmax de los contratos emitidos divididos por b.

Caso Práctico: LMSR garantiza liquidez infinita en mercados combinatorios acotando la pérdida máxima del organizador a b * ln(n).

Overround (Margen del Operador / Vig)

#
\text{Overround} = \sum_{i=1}^n \frac{1}{d_i} - 1.000

El porcentaje en el que la suma de probabilidades implícitas de una casa supera el 100%, representando su margen comercial.

Caso Práctico: Cuotas de 1.85 a ambos lados arrojan una suma del 108.10%, extrayendo un 8.10% de margen comercial.

Modelo de Información de Shin

#
\pi_i = \frac{\sqrt{z^2 + 4(1-z) \frac{P_i^2}{\sum P_k}} - z}{2(1-z)}

Marco cuantitativo que demuestra que los intermediarios penalizan a los no favoritos para cubrirse de operadores con información privilegiada.

Caso Práctico: El modelo de Shin calcula probabilidades justas despejando la fracción de operadores informados z.

Curva de Vinculación (Bonding Curve)

#
P(x) = f(x), \quad \text{Cost} = \int_0^{\Delta x} f(x) \, dx

Curva matemática que estipula la relación funcional entre el suministro de contratos en circulación y su precio marginal.

Caso Práctico: Las bonding curves aseguran liquidez algorítmica continua sin servidores centrales de casación.

Valor Esperado Discreto (EV)

#
\text{EV} = S \cdot \left[ \frac{p_{true} - P_m}{P_m} \right]

La ganancia media ponderada por probabilidades reales menos el capital inicial arriesgado, cuantificando la ventaja analítica.

Caso Práctico: Comprar contratos a $0.40 con probabilidad real del 50% produce una ventaja matemática neta de +25.0% EV.

Impacto de Precio y Deslizamiento (Slippage)

#
P_{avg} = P_{spot} \cdot \left[ 1 + \frac{\Delta c}{2L} + \mathcal{O}\left(\frac{\Delta c^2}{L^2}\right) \right]

Deterioro en el precio medio ponderado provocado al consumir la profundidad de liquidez disponible en el libro de órdenes o AMM.

Caso Práctico: Ejecutar $50,000 en un pool de $200,000 eleva el precio medio de 50¢ a 56¢, erosionando el margen de beneficio.

Arbitraje Entre Sedes y Spreads

(7)

Arbitraje Sintético Entre Mercados

#
P_A(Yes) + P_B(No) < 1.000 - \gamma_{total}

Estrategia delta-neutral que ejecuta compras simultáneas de opciones opuestas en sedes distintas cuando el coste agregado es inferior a $1.00.

Caso Práctico: Comprar Sí a $0.46 en la Sede A y No a $0.48 en la Sede B asegura una rentabilidad sin riesgo de +7.53%.

Ponderación de Capital en Dos Ramas

#
S_A = C \cdot \frac{P_A}{P_A + P_B}, \quad S_B = C \cdot \frac{P_B}{P_A + P_B}

Ecuaciones analíticas que distribuyen el capital entre ambas posiciones para garantizar una liquidación idéntica en cualquier resultado.

Caso Práctico: Para $10,000 con Sí a $0.40 y No a $0.55, asigne $4,210.53 a la Rama A y $5,789.47 a la Rama B.

Spread Sintético Negativo

#
\text{Spread} = 1.000 - [ P_A(Yes) + P_B(No) ] > 0

Dislocación temporal de mercado donde comprar el conjunto de resultados cuesta menos que la liquidación garantizada de $1.00.

Caso Práctico: Un spread de +3.5% permite cobrar $1.035 asegurados por cada $1.000 invertido en las dos plataformas.

Riesgo de Ejecución Parcial (Legging-In)

#
\Delta P_{\text{leg}} = P_B(t + \Delta t) - P_B(t)

Desfase operativo en el que las variaciones de cotización entre la apertura de la primera rama y la confirmación de la segunda rama generan pérdidas.

Caso Práctico: Un retraso en la inclusión del bloque en la Rama A puede encarecer la Rama B de 48¢ a 56¢, anulando la cobertura.

Umbral Mínimo de Comisiones (Hurdle Rate)

#
\gamma_{total} = \phi_{taker, A} + \phi_{taker, B} + \frac{\text{Gas}}{C} + \phi_{cashout}

El diferencial bruto mínimo exigido para amortizar la totalidad de comisiones de plataforma, costes de gas y transferencias.

Caso Práctico: Si las tarifas suman 2.0% y el gas insume 0.8%, el diferencial debe rebasar 2.8% para generar rentabilidad neta.

Orden Todo o Nada (Fill-or-Kill - FOK)

#
\text{Order Condition} = \{ \text{Fill} \text{ if } V_{available} \ge V_{order} \text{ else } \text{Cancel} \}

Parámetro que exige la ejecución completa e instantánea de la orden, cancelándola por entero si no hay liquidez suficiente.

Caso Práctico: Los algoritmos imponen FOK para evitar ejecuciones parciales que rompan la neutralidad delta de la posición.

Ley del Precio Único

#
P_A(E) = P_B(E) \quad \forall E \in \Omega

Axioma económico que establece que activos con idénticos pagos futuros deben cotizar exactamente al mismo precio de equilibrio.

Caso Práctico: Las discrepancias respecto a la Ley del Precio Único originan retornos de arbitraje sistemáticos.

Dimensionamiento de Kelly y Preservación de Capital

(7)

Criterio de Kelly Binario

#
f^* = \frac{p - P_m}{1 - P_m}

Fórmula estocástica que determina la fracción óptima del capital a invertir en contratos binarios para maximizar la tasa geométrica de acumulación.

Caso Práctico: Ante un contrato de $0.40 con probabilidad real del 55%, la asignación óptima es (0.55 - 0.40) / 0.60 = 25.0% de la banca.

Kelly Fraccionario (Medio / Cuarto de Kelly)

#
f_{\text{frac}} = c \cdot f^*, \quad c \in [0.25, 0.50]

Metodología que pondera la asignación de Kelly por un coeficiente c para amortiguar errores en la estimación de probabilidades.

Caso Práctico: El Medio Kelly (c = 0.50) conserva el 75% del rendimiento teórico reduciendo la varianza a la mitad.

Utilidad Logarítmica

#
U(W) = \ln(W), \quad \mathbb{E}[U(W_T)] = \max_f \sum p_i \ln(1 + f \cdot R_i)

Función de utilidad cóncava que modela aversión relativa al riesgo constante (CRRA = 1), asignando un coste infinito a la bancarrota.

Caso Práctico: Dado que ln(0) = -inf, la utilidad logarítmica descarta cualquier estrategia que conlleve riesgo de ruina estocástica.

Arrastre de Volatilidad (Volatility Drag)

#
R_{\text{geom}} \approx R_{\text{arith}} - \frac{\sigma^2}{2}

La merma en la rentabilidad geométrica acumulada provocada por la dispersión y varianza temporal de los retornos.

Caso Práctico: Ganar un +50% y perder seguidamente un -50% da media aritmética 0%, pero erosiona un 25% del capital total.

Trampa de Venta de Opciones Remotas (Fade Trap)

#
\text{Lock} = \$0.95, \quad \text{Yield} = +5.26\%, \quad \text{Tail Loss} = -100\%

La ineficiencia de comprar participaciones de No a 3¢–5¢, inmovilizando capital relevante por retornos marginales ante riesgo letal de cola.

Caso Práctico: Comprar No a $0.95 arriesga $10,000 para ganar $526; un solo cisne negro destruye las ganancias de 19 aciertos continuos.

Probabilidad de Drawdown

#
P(\text{Drawdown} \ge D) = (1 - D)^{2c - 1}

La probabilidad de que la cuenta sufra un retroceso patrimonial de al menos D antes de duplicar capital bajo la fracción de Kelly c.

Caso Práctico: En Kelly Completo (c = 1.0), la probabilidad de una caída del 50% es del 50.0%, mientras que en Medio Kelly queda drásticamente atenuada.

Ponderación por Matriz de Covarianza

#
\max_{\mathbf{f}} \left[ \mathbf{f}^T \boldsymbol{\mu} - \frac{1}{2} \mathbf{f}^T \boldsymbol{\Sigma} \mathbf{f} \right] \quad \text{s.t.} \quad \sum f_i \le 1.0

Optimización multivariable de cartera que incorpora la matriz de covarianza Sigma para evitar drawdowns simultáneos en eventos correlacionados.

Caso Práctico: Los comicios en estados interdependientes presentan correlación elevada (rho > 0.70), exigiendo moderar el tamaño de las posiciones.

Puntuación de Brier y Calibración Empírica

(8)

Brier Score (Puntuación de Brier)

#
\text{BS} = \frac{1}{N} \sum_{t=1}^N (f_t - o_t)^2

Regra matemática estrictamente propia que computa el error cuadrático medio entre pronósticos probabilísticos f_t y resultados reales o_t.

Caso Práctico: Un modelo perfecto alcanza 0.000, mientras que un pronóstico desinformado del 50% arroja 0.250.

Descomposición de Murphy

#
\text{BS} = \text{Reliability} - \text{Resolution} + \text{Uncertainty}

Identidad analítica que fragmenta el Brier Score en tres términos ortogonales: Fiabilidad (descalibración), Resolución e Incertidumbre.

Caso Práctico: Permite distinguir si los desvíos son atribuibles a sesgos del mercado o a la entropía natural del fenómeno.

Fiabilidad (Error de Calibración)

#
\text{Reliability} = \frac{1}{N} \sum_{k=1}^K n_k (f_k - o_k)^2

Componente que evalúa la concordancia entre las probabilidades pronosticadas y las frecuencias observadas en tramos discretos.

Caso Práctico: En un exchange bien calibrado, los sucesos valorados al 70% se cumplen el 70% de las veces, anulando el error de fiabilidad.

Resolución (Poder Discriminatorio)

#
\text{Resolution} = \frac{1}{N} \sum_{k=1}^K n_k (o_k - \bar{o})^2

Magnitud que evalúa la aptitud del pronosticador para separar grupos con frecuencias marcadamente distintas a la media histórica.

Caso Práctico: Una mayor Resolución disminuye el Brier Score, acreditando que el mercado emite valoraciones informativas y decisivas.

Incertidumbre (Entropía Base)

#
\text{Uncertainty} = \bar{o}(1 - \bar{o})

La varianza estocástica irreductible del entorno del evento, con un techo de 0.250 cuando la tasa base observada es del 50%.

Caso Práctico: La incertidumbre depende de la propia naturaleza del evento y es ajena a la destreza del analista.

Sesgo Favorito-Longshot (Favorite-Longshot Bias)

#
P_m(E_{\text{rare}}) > p_{\text{true}}(E_{\text{rare}}), \quad P_m(E_{\text{fav}}) < p_{\text{true}}(E_{\text{fav}})

Anomalía empírica por la cual las opciones remotas cotizan con sobreprecio mientras los favoritos sólidos sufren infravaloración.

Caso Práctico: Contratos a 3¢ vencen solo el 1.2% de las ocasiones, mientras que cotizaciones a 92¢ aciertan en el 95.8%.

Log-Loss (Entropía Cruzada)

#
\text{LogLoss} = -\frac{1}{N} \sum_{t=1}^N [ o_t \ln(f_t) + (1 - o_t) \ln(1 - f_t) ]

Regla matemática de evaluación que penaliza con severidad asintótica los errores cometidos con excesiva confianza.

Caso Práctico: Asignar un 99.9% a un evento que no sucede acarrea una penalización de -ln(0.001) = 6.908.

Divergencia de Kullback-Leibler (KL)

#
D_{KL}(P \parallel Q) = \sum_{x} P(x) \ln\left( \frac{P(x)}{Q(x)} \right)

Medida de la información relativa perdida al aproximar la distribución objetiva P mediante las cotizaciones del mercado Q.

Caso Práctico: Minimizar la divergencia de KL frente al mercado equivale analíticamente a optimizar el crecimiento de Kelly.

Oráculos, Liquidación y Riesgos Operativos

(3)

Oráculo Optimista

#
\text{State} = \{ \text{Proposed} \to \text{Dispute Window } \Delta t \to \text{Finalized} \}

Mecanismo criptoeconómico donde la resolución planteada se presume válida salvo impugnación avalada con colateral durante un plazo límite.

Caso Práctico: El oráculo de UMA da por buena una resolución propuesta si no recibe disputas en una ventana de 2 horas.

Resolución de Disputas en Protocolo UMA

#
\text{Voting Result} = \text{Mode}\left( \{ v_i \cdot w_i \} \right), \quad w_i = \text{Token Weight}

Mecanismo de consenso de Punto de Schelling donde los poseedores de tokens votan sobre resoluciones conflictivas, premiando la convergencia mayoritaria.

Caso Práctico: Ante litigios en Polymarket, los tenedores de tokens UMA determinan la resolución definitiva mediante votaciones selladas.

Ambigüedad Semántica de Liquidación

#
\mathcal{S}(E) = \{ s \in \Omega \mid \text{Text}(E) \text{ is ungrounded} \}

Riesgo operativo que surge cuando la redacción de las condiciones del mercado resulta indeterminada ante casos imprevistos de frontera.

Caso Práctico: Una pregunta sobre dimisión suscita controversia si el anuncio es inmediato pero la desvinculación oficial se difiere.