ИИ против рынков предсказаний: Kalshi, Winion и Polymarket

Суть эксперимента достаточно простая.

Взять топовые ИИ-модели и заставить их торговать на рынке предсказаний.

Мне, как человеку, плотно связанному с prediction markets, давно было интересно проверить одну вещь: насколько современные ИИ вообще способны конкурировать с рынком, если дать им не просто вопрос и попросить назвать ответ, а полноценный торговый терминал?

Потому что одно дело — спросить у модели:

«Кто победит на выборах?»

И совсем другое — дать ей реальный рынок, текущую цену контракта, историю движения, поток новостей, посты пользователей, данные из социальных сетей и возможность самостоятельно принимать торговые решения.

Именно второй вариант мы и решили проверить.

В эксперименте участвуют несколько наиболее сильных современных ИИ-моделей.

Каждая модель получает одинаковый набор инструментов и работает по одним и тем же базовым правилам.

У нас есть:

То есть мы сознательно не создавали каждой модели отдельный набор преимуществ.

Одинаковый рынок. Одинаковые данные. Одинаковые инструменты. Разные мозги.

Дальше каждая модель самостоятельно формирует собственную торговую стратегию.

Она решает:

Последний пункт особенно важен.

Потому что хороший трейдер отличается от человека, который просто любит нажимать кнопки, не количеством сделок.

Иногда лучшая сделка — не совершать сделку вообще.

На prediction markets уже существуют люди, которые демонстрируют очень высокий Win Rate.

На Winion, например, есть пользователи с историческим Win Rate выше 90%.

Поэтому нам было интересно проверить не только:

«Какая модель лучше угадывает будущее?»

Но и более неприятный для ИИ вопрос:

«Сможет ли модель заработать больше, чем коллективное мнение рынка?»

Потому что предсказать исход недостаточно.

Можно правильно определить событие и всё равно потерять деньги, если открыть позицию по неправильной цене.

Это принципиальная разница между обычным прогнозированием и торговлей.

ИИ должен определить не только:

«Что произойдёт?»

но и:

«Насколько рынок сейчас ошибается в оценке вероятности этого события?»

Именно здесь эксперимент становится интересным.

Чтобы результаты можно было сравнивать, для всех моделей создаются одинаковые стартовые условия.

Каждой модели выделяется одинаковый виртуальный капитал.

Дальше модели самостоятельно управляют своим портфелем.

Мы не вмешиваемся в их решения.

Не подсказываем направление сделки.

Не корректируем позиции после открытия.

Не говорим модели, что она ошиблась.

Если модель решила купить контракт, потому что считает вероятность события 70%, а рынок оценивает его всего в 45% — это её решение.

Если через несколько часов она понимает, что ошиблась, — она сама должна решить, закрывать позицию или держать её дальше.

Таким образом, в эксперименте фактически сталкиваются несколько разных подходов к принятию решений.

ИИ против ИИ.ИИ против толпы.ИИ против рынка.

Финальный баланс — далеко не единственный показатель.

Мы будем смотреть как минимум на:

1. Итоговый P&L

Сколько денег осталось у каждой модели после одинакового периода торговли.

2. Win Rate

Какой процент закрытых позиций оказался прибыльным.

3. ROI

Сколько модель заработала относительно стартового капитала.

4. Средний результат сделки

Потому что 90% выигрышных сделок сами по себе ничего не гарантируют.

Можно выиграть девять раз по $1 и проиграть один раз $100.

5. Максимальную просадку

Насколько глубоко модель уходила в минус относительно своего предыдущего максимума.

6. Количество сделок

Чтобы понимать, кто действительно анализирует рынок, а кто просто постоянно что-то покупает и продаёт.

7. Среднюю длительность позиции

Интересно посмотреть, какие модели предпочитают скальпинг, а какие готовы ждать развития события.

8. Alpha относительно рынка

Самый интересный показатель.

Если рынок оценивает вероятность события в 55%, а модель стабильно находит ситуации, где реальная вероятность существенно выше или ниже 55%, значит она действительно извлекает информацию, которой рынок ещё не учёл.

Именно это нас интересует больше всего.

И вот здесь начинается самое интересное.

После первой недели мы получили первые результаты.

На первый взгляд уже видно, что модели ведут себя совершенно по-разному.

Одни активно торгуют и открывают большое количество позиций.

Другие предпочитают ждать редких ситуаций.

Одни пытаются постоянно искать расхождения между новостным фоном и ценой рынка.

Другие практически полностью доверяют текущей вероятности, которую уже сформировал рынок.

И есть особенно интересный класс моделей:

они выглядят очень умными ровно до того момента, пока не начинают торговать.

Потому что способность красиво рассуждать о событии и способность заработать на неправильно оценённой вероятности — это две совершенно разные компетенции.

К концу эксперимента мы хотим получить ответ сразу на несколько вопросов.

Может ли ИИ стабильно обыгрывать prediction market?

Если да — насколько сильно?

Может ли одна модель находить систематические ошибки рынка, которые не замечают другие модели?

Нужен ли ИИ огромный объём внешнего контекста, если большая часть этой информации уже отражается в цене?

И самое интересное:

может ли ИИ быть лучше человека не в прогнозировании, а именно в торговле вероятностями?

Потому что рынок уже представляет собой коллективный интеллект.

Цена контракта — это не мнение одного человека.

Это результат действий множества участников, каждый из которых обладает собственной информацией, убеждениями, моделью мира и аппетитом к риску.

Поэтому победить prediction market — значительно сложнее, чем просто правильно ответить на вопрос.

Если одна из моделей сможет на длинной дистанции стабильно извлекать прибыль из этих рынков, это будет означать не просто то, что «ИИ хорошо угадывает события».

Это будет означать, что модель способна находить ошибки в коллективной оценке вероятностей и превращать их в деньги.

А вот это уже действительно интересно.

Эксперимент продолжается.

Следующий отчёт — после второй недели.