What Prediction-Market Contracts Reveal at Launch: Trading Volume and Dispute Risk
Pubblicata su AIChronos il · fonte del · Ahmed Mahrous, Roberto Di Pietro
Lo studio analizza un campione quasi censuario di oltre 802.000 mercati risolti su Polymarket per prevedere il volume commerciale e il rischio di contestazione basandosi esclusivamente sui dati disponibili al lancio (titolo, descrizione, regole). I risultati mostrano che le caratteristiche contrattuali spiegano efficacemente il volume scambiato ($R^2 = 0.747$), con l'argomento del mercato come fattore dominante, mentre i modelli neurali testuali aggiungono un valore marginale rispetto alle feature interpretabili. Tuttavia, la capacità predittiva crolla drasticamente durante periodi di cambiamento della piattaforma o variazione dei formati di listing, indicando che le relazioni tra caratteristiche e domanda sono più fragili delle mappature testo-feature.
- Le informazioni testuali al lancio (topic, wording) spiegano la maggior parte del segnale sul volume commerciale ($R^2$ incrementale +0.289).
- La stabilità predittiva decade significativamente quando il modello viene addestrato su periodi passati e testato su formati di listing nuovi o assenti.
- I predittori per le dispute sono stabili ma poco precisi a livello individuale (precisione media 0.012), rendendoli utili solo per ranking aggregati.
- La perdita di accuratezza è attribuita principalmente al cambiamento della relazione tra caratteristiche contrattuali e domanda, non all'obsolescenza delle mappature testuali.
- Neural text models offrono un miglioramento limitato rispetto alle feature interpretabili tradizionali in questo contesto specifico.
Perché conta. Per gli sviluppatori di agenti AI o sistemi locali che operano su piattaforme dinamiche, il paper evidenzia i rischi legati al 'concept drift' indotto da cambiamenti strutturali della piattaforma e la necessità di validare continuamente le feature ingegnerizzate oltre l'uso esclusivo di embedding neurali statici.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.