Obchodní algoritmus Kalshi potřebuje informační tvrzení, které může být chybné. Měl by určit opakovatelné pozorování, vysvětlit, proč by mohlo zlepšit předpověď, a uvést, jak pozdější podklady tvrzení otestují. Bez těchto prvků může vzorec vytvářet přesné objednávky a přesto jej nelze férově vyhodnotit.
Tento průvodce rozvíjí fiktivní algoritmus pro úzkou rodinu kontraktů denní teploty. Jeho hypotézou je, že zdokumentovaná úprava podle nedávných chyb předpovědi zlepšuje konkrétní předpověď v pevném horizontu. Jde o výzkumnou otázku, nikoli prokázanou výhodu. Příklad ukazuje její převod na měřitelný proces.
Všechna níže uvedená místa, předpovědi, množství, ceny a poplatky jsou vymyšlené. Příklad předpokládá jednoduchý binární kontrakt vyplácející 1 $ za Ano a jinak 0 $. Skutečné kontrakty počasí, zdroje údajů, definice pozorování a současná omezení obchodního místa musejí být přímo přečteny před použitím podobné výzkumné metody.
Definujte cíl obchodního algoritmu Kalshi
Hypotetickým cílem je, zda bude maximální teplota na místě V během určeného dne pozorování alespoň 80 stupňů podle zdroje jmenovaného v kontraktu. Místo, období, jednotky a zahrnující práh jsou součástmi instrumentu, nikoli volitelnými výzkumnými metadaty.
Předpověď průměru blízkého města nebo jiného kalendářního okna by odpovídala na jinou otázku. Předpověď denního minima by byla nerelevantní, i kdyby se její číslo objevilo ve stejné zprávě. Přiřazení kontraktu proto musí předcházet modelování a analýze obchodních nákladů.
Vysvětlení výsledků trhů Kalshi označuje podmínky kontraktu a určený zdroj za základ určení výsledku. Algoritmus by měl tento záznam pravidel uchovávat s každou předpovědí. Pokud se pravidlo změní, výzkumný proces musí rozhodnout, zda starý model stále platí, místo tichého považování nového kontraktu za další totožné pozorování.
Napište hypotézu algoritmu Kalshi
Hypotéza algoritmu Kalshi tvrdí, že nedávné řádně měřené chyby předpovědí obsahují informace o zkreslení další předpovědi pro toto místo a horizont. Navržená úprava by měla zlepšovat pravděpodobnostní předpovědi nad neupravený srovnávací základ na pozdějších událostech. Může selhat, pokud jsou nedávné chyby převážně šumem nebo nepřetrvávají.
To je užší než tvrzení, že předpovědi počasí jsou obecně chybné. Určuje místo, horizont, definici chyby a srovnání. Vytváří také důvod uchovat základní předpověď, protože úprava nemůže prokázat hodnotu bez férové reference.
Starší průvodce obchodní strategií Kalshi vysvětluje převod pohledu na test. Použijte tento standard na větu hypotézy. Posuzovatel by měl dokázat určit, které podklady by ji podporovaly, které by ji oslabovaly a které události leží mimo uvedený rozsah.
Stanovte horizont předpovědi před hodnocením
Zvolte, kdy se předpověď zaznamenává vzhledem k období pozorování. Pro tento vymyšlený experiment předpokládejte uložení jedné předpovědi v konzistentním okamžiku před začátkem cílového dne. Přesný harmonogram je návrhovou volbou, která musí zůstat pevná během hodnoticího období.
Předpověď aktualizovaná během dne pozorování má více informací a řeší jiný problém. Neměla by nahradit dřívější předpověď v testu dovednosti před začátkem dne. Stejně tak by opožděný sběr měl zachovat skutečný čas přijetí místo zpětného datování na zamýšlený harmonogram.
Kalendář by měl poctivě zaznamenávat chybějící předpovědi. Později načtený soubor může podporovat některé retrospektivní analýzy, ale není důkazem, že provozní proces měl tento soubor při původním rozhodnutí. Praktické hodnocení algoritmu zahrnuje schopnost získávat vstupy tehdy, kdy je jeho pravidlo vyžaduje.
Definujte chybu předpovědi pomocí dostupných výsledků
Experiment úpravy potřebuje jasné měřítko chyby. Chyba bodové předpovědi může porovnávat předpovězené maximum s pozorovaným maximem, zatímco kalibrace pravděpodobnosti porovnává odhadované pravděpodobnosti prahu s výsledky. Tato měřítka odpovídají na různé otázky a neměla by se míchat bez vysvětlení.
Do živé úpravy mohou vstoupit pouze výsledky známé před současným rozhodnutím. Pokud oficiální pozorování předchozího dne stále není dostupné, model nemůže používat pozdější dokončenou hodnotu, jako by již byla známá. Záznam vstupu by měl určovat dobovou verzi výsledku a čas dostupnosti.
Uchovávejte výjimečné případy samostatně. Chybějící pozorování, změněná definice místa nebo upravený postup vykazování mohou činit chybu nesrovnatelnou s historickou řadou. Vyloučení takového případu vyžaduje zdokumentovaný konzistentně použitý důvod, nikoli rozhodnutí kvůli tomu, že by chyba zhoršila zdání úspěšnosti úpravy.
Sestavte úpravu na vývojových datech
Zvolte metodu úpravy a její parametry pomocí vývojového období a potom je držte pevné pro pozdější hodnoticí období. Metoda může stahovat nedávnou průměrnou chybu směrem k nule nebo používat jiný zdokumentovaný přístup. Důležitým požadavkem je uvést postup před posuzováním pozdějších výsledků.
Nevybírejte délku okna opakovaným hledáním nejpříznivějšího výsledku v konečném testovacím vzorku. Tím byste umožnili budoucím výsledkům ovlivnit hodnocené pravidlo. Pokud se návrh změní, vytvořte novou verzi a posuďte ji na pozdějších nebo jinak řádně oddělených datech.
Starší průvodce algoritmickým obchodováním predikčních trhů zdůrazňuje reprodukovatelnost. Experiment úpravy předpovědi by měl zachovávat časovou hranici tréninku, parametry, definice vstupů a verzi výstupu. Jiný výzkumník by měl dokázat reprodukovat upravenou předpověď bez hádání, které minulé chyby byly zahrnuty.
Převeďte předpověď na pravděpodobnost kontraktu
Samotný bodový odhad nedává pravděpodobnost sladěnou s kontraktem. Algoritmus potřebuje rozdělení veličiny měřené kontraktem a potom vyhodnocuje část tohoto rozdělení splňující přesný práh. Zahrnující hranice musí zůstat zahrnující ve výpočtu.
Předpokládejte, že vymyšlená sada dvaceti stejně vážených scénářů obsahuje před úpravou čtrnáct výsledků na 80 stupních nebo výše. Tento podíl scénářů je 70 %. Po zdokumentované úpravě splňuje podmínku dvanáct scénářů a vytváří 60 %. Tyto počty scénářů ilustrují výpočet; nejde o dvacet nezávislých skutečných výsledků dokazujících kalibraci.
Výsledný odhad 60 % stále vyžaduje hodnocení proti pozdějším pozorováním. Model může vytvářet rozdělení s vnitřně konzistentní aritmetikou a přitom nesprávně reprezentovat nejistotu. Zachovávejte scénářovou metodu a její omezení místo předkládání konečného procenta jako objektivní vlastnosti události.
Poctivě zaznamenejte scénář citlivosti
Pro obchodní testovací data předpokládejte centrální odhad 0,60 a samostatný zátěžový scénář 0,56. Zátěžová hodnota představuje zvolenou kontrolu citlivosti, nikoli ověřenou mez spolehlivosti. Její rolí je odhalit, jak mírně méně příznivá předpověď ovlivňuje rozhodnutí.
Uveďte, proč je tato citlivost relevantní pro experiment. Může představovat nejistotu úpravy nebo alternativní věrohodnou modelovací volbu. Nevybírejte ji po pozorování tržní ceny jen proto, aby kandidát prošel vstupním pravidlem.
Průvodce strategií Polymarket zdůrazňuje zaznamenávání pravidel vstupu a zneplatnění před výsledkem. Stejná disciplína pomáhá zde. Nejistota předpovědi by měla zůstat viditelná ve výzkumném záznamu a nesoulad ceny by neměl způsobit pohodlné zúžení popisu nejistoty modelu.
Oddělujte zlepšení modelu od ekonomické užitečnosti
Úprava může zlepšovat pravděpodobnostní předpovědi bez vytváření obchodovatelné marže. Tržní ceny už mohou zahrnovat podobné informace a transakční náklady mohou převýšit malé zlepšení předpovědi. Algoritmus potřebuje samostatné testy kvality předpovědí a proveditelných rozhodnutí.
Uchovávejte každou způsobilou upravenou i základní předpověď včetně těch, u kterých kontrola ceny nevytváří objednávku. To umožňuje férové porovnání informačního tvrzení. Hodnocení obchodování pak může zkoumat podmnožinu splňující současné cenové podmínky a podmínky účtu.
Samotný příznivý výsledek vybraných obchodů nedokáže prokázat širokou kalibraci předpovědí. Výběr závisí na cenách a dalších filtrech. Naopak mírné zlepšení předpovědního skóre neprokazuje ziskovost souvisejícího obchodního pravidla. Jde o příbuzná tvrzení vyžadující různé záznamy a vhodně přiřazené hodnoticí soubory.
Specifikujte vstupní marži
Hypotetické vstupní pravidlo vyžaduje, aby zátěžová pravděpodobnost převyšovala maximální předpokládané nákupní náklady včetně všeho alespoň o 0,02 $ na kontrakt. Jde o zvolený experimentální práh pro jednoduchou dolarovou výplatu, nikoli univerzální kompenzaci rizika.
Předpokládejte schválený cenový limit 0,53 $ a rezervu na poplatek 0,01 $ na kontrakt. Maximální předpokládané náklady jsou 0,54 $. Při zátěžovém odhadu 0,56 je modelovaná marže 0,02 $ a přesně splňuje vymyšlené pravidlo. Každá změna těchto vstupů vyžaduje opětovnou kontrolu výpočtu.
Dokumentujte výběr prahu a posuzujte citlivost mimo konečný hodnoticí vzorek. Pravidlo fungující pouze při jediné jemně vyladěné marži může být křehké. Algoritmus by měl tuto křehkost zpřístupňovat pozorování místo skrývání za jediným vybraným výsledkem výkonnosti.
Doporučujte a vydělávejte USDC
Doporučujte a vydělávejte USDCNáš partnerský program vyplácí v reálném čase.
Uplatňujte současná pravidla cen a množství
Návrh objednávky musí odpovídat současným povoleným cenám a množstvím trhu. Dokumentace pevné řádové čárky Kalshi popisuje desetinné reprezentace a cenové mřížky konkrétních trhů. Implementace by měla zachovávat přesné jednotky a ověřovat skutečná omezení místo předpokladu celých centů všude.
Hypotetický limit 0,53 $ se používá pouze jako aritmetické testovací údaje. Skutečná implementace by ověřila platnost limitu a množství pro vybraný trh a současný koncový bod. Zaokrouhlování by nemělo překračovat autorizované maximální náklady nebo potichu měnit zamýšlenou expozici.
Průvodce tržními daty Polymarket poskytuje užitečné srovnání otázek časových značek a kvality knihy. Napříč obchodními místy potřebuje nákladové rozhodnutí současné správně vyložené pozorování. Skutečná schémata a cenové konvence zůstávají specifické pro obchodní místo a neměly by se normalizovat pomocí nepodložených předpokladů.
Určujte velikost návrhu podle sdílených limitů
Předpokládejte, že vymyšlený účet má limit třiceti kontraktů na událost, z nichž deset již drží a pět je možných z aktivní objednávky. Zbývající množstevní kapacita je patnáct kontraktů. Dostupný nákladový rozpočet je 10,80 $, který by při maximálních předpokládaných nákladech 0,54 $ podporoval dvacet kontraktů.
Rozhoduje menší limit, takže návrh je nejvýše patnáct kontraktů před zohledněním dostupné hloubky a dalších omezení. Algoritmus by neměl utratit větší nákladový rozpočet jen proto, že existuje. Množstevní a hotovostní omezení odpovídají na různé otázky rizika a obě musejí být splněna.
Zaznamenávejte momentku účtu a rezervaci použité ke schválení. Pokud jiná strategie nebo ruční činnost spotřebuje kapacitu před odesláním, proveďte nové ověření. Algoritmus úpravy předpovědi nezískává samostatný ekonomický účet jen proto, že jeho výzkumný proces běží nezávisle na jiných metodách.
Vypočítejte hypotetické náklady provedení
Předpokládejte deset kontraktů nabízených za 0,50 $ a dalších deset za 0,52 $. Návrh patnácti kontraktů by použil deset na první úrovni a pět na druhé, s náklady 5 $ plus 2,60 $, tedy 7,60 $ před poplatky, pokud kotace zůstanou dostupné.
S předpokládaným poplatkem jednoho centu na kontrakt je odhad včetně všeho 7,75 $. Při centrální pravděpodobnosti 0,60 je modelovaná očekávaná výplata 9 $, takže modelovaný rozdíl je 1,25 $. Při zátěžové pravděpodobnosti 0,56 je očekávaná výplata 8,40 $, takže zbývá 0,65 $.
Maximální předpokládaný závazek zůstává patnáctkrát 0,54 $, tedy 8,10 $. Pozorovaný odhad a autorizované maximum jsou různé záznamy. Toto oddělení umožňuje účtu konzervativně rezervovat, zatímco výzkumný výkaz uchovává konkrétní knihu, kvůli které příležitost působila přitažlivě.
Definujte chování provedení a zbytku
Specifikace by měla uvádět, zda objednávka smí čekat v knize, vyžaduje úplné okamžité plnění nebo povoluje částečné okamžité provedení podle zdokumentovaných možností současného obchodního místa. Tato volba ovlivňuje, jak dlouho může účet získávat dodatečnou expozici po vytvoření předpovědi.
Čekající varianta potřebuje pravidla vypršení nebo prověření sladěná s horizontem předpovědi. Okamžitá varianta potřebuje pravidlo přijímání menší pozice. Ani jedna by neměla automaticky opakovat chybějící množství jako novou objednávku po změně původních informačních nebo cenových podmínek.
Uchovávejte typ požadavku, skutečná plnění a konečný stav zbytku. Částečné provedení může podle pokynu ponechat aktivní závazek nebo zrušený zbytek. Algoritmus by neměl bez čtení příslušného výsledku vyvozovat, že všechny nevyplněné kontrakty jsou buď stále dostupné k získání, nebo určitě chybějí.
Vztahujte zneplatnění ke konkrétní hypotéze
Hypotéza úpravy může přestat platit při změně definice zdroje, změně předpovědního produktu nebo když nedávné chyby už nepodporují předpokládaný vztah. Jde o výzkumné podmínky odlišné od dočasného přerušení tržních dat nebo limitu kapacity účtu.
Algoritmus by měl určit, která podmínka zastavila návrh. Chybějící zdroj může vést k čekání nebo neúčasti. Změněná metodika předpovědi může vyžadovat pozastavení verze modelu. Vyčerpaný rozpočet účtu může odmítnout obchod a přesto zachovat předpověď pro hodnocení.
Starší průvodce automatizovaným botem pro predikční trhy Kalshi popisuje jasné vstupní brány. Používejte tuto strukturu k zabránění modelu vytvářet objednávky jen proto, že plánovaný proces doběhl. Úspěšný výpočet není důkazem, že vstupy stále patří do definované oblasti experimentu.
Vyhodnocujte jednu předpověď na definovanou událost
Jednotka hodnocení by měla odpovídat hypotéze. V tomto experimentu poskytuje jasnou jednotku jedna datovaná předpověď pro místo a den pozorování ve zvoleném horizontu. Více prahů nebo opakované aktualizace ze stejného dne by se neměly považovat za plně nezávislé projevy dovednosti.
Vykazujte počet předpovědí i počet podkladových událostí. Pokud několik kontraktů sdílí jedno denní maximum, jejich výsledky jsou propojené. Seskupujte je vhodně při oddělování vývoje od hodnocení a při popisování nejistoty výsledků.
Používejte pozdější události k posouzení zlepšení úpravy oproti základu. Chronologický návrh také odhaluje změny zdrojů a režimů, které může náhodné promíchání skrýt. Cílem je testovat proces tak, jak by fungoval v čase, pouze s informacemi dostupnými před každým rozhodnutím.
Porovnávejte řádná pravděpodobnostní skóre a výsledky rozhodnutí
Pravděpodobnostní skóre mohou posuzovat kvalitu předpovědí napříč úplným způsobilým vzorkem. Kalibrační kontroly mohou zkoumat, zda srovnatelné skupiny pravděpodobností odpovídají pozorovaným četnostem. Výkaz rozhodnutí pak může hodnotit náklady, plnění a výsledky účtu podmnožiny, která prošla obchodním pravidlem.
Udržujte tyto výkazy propojené, ale odlišné. Dobrá předpověď může prohrát jednotlivý binární výsledek a slabá předpověď může vyhrát náhodou. Problém provedení může snížit ekonomické výsledky i při zlepšení odhadů pravděpodobnosti. Záznamy by měly tato vysvětlení umožňovat oddělit.
Nevyvozujte široké závěry z krátkého vzorku. Několik denních výsledků nemusí odhalit stabilní vztah, zvlášť pokud jsou podmínky v po sobě jdoucích dnech podobné. Hodnocení by mělo popisovat rozsah a nejistotu místo převádění časného příznivého běhu na trvalé tvrzení o algoritmu.
Testujte provozní obtíže jako součást pravidla
Praktický experiment zahrnuje chybějící předpovědi, opožděné přijetí, nedostatečnou hloubku a nedostupné informace účtu. Uchovávejte tyto případy místo předpokladu, že algoritmus vždy získá vstupy a obchoduje za požadovanou cenu. Ovlivňují příležitosti, které proces skutečně může využít.
Simulovaná prodleva může testovat správné vypršení návrhu. Částečné plnění může testovat aktualizaci účtu o provedené množství. Ztracená odpověď může testovat prošetření původního záměru procesem bez vytvoření duplicitní expozice. Jde o provozní testy oddělené od informační hypotézy.
Průvodce obchodními algoritmy Kalshi zkoumá chování více metod při měnících se podmínkách. Před připojením k takovému portfoliu by tento jediný algoritmus měl vysvětlovat vlastní selhání a neúčast dostatečně jasně, aby je sdílený účet mohl koordinovat s jinými strategiemi.
Rozhodněte, co by experiment ukončilo
Stanovte podmínky prověření před zkoumáním konečných výsledků. Experiment může být ukončen, pokud úprava nezlepší základ na pozdějších událostech, pokud zdánlivý přínos zmizí při realistickém načasování nebo pokud se údržba potřebných údajů stane nespolehlivou.
Jediná ztráta sama o sobě nemusí vyvracet pravděpodobnostní hypotézu. Opakované měnění pravidla po každé ztrátě může znemožnit hodnocení. Používejte plánovaný harmonogram prověřování a zachovávejte každou verzi, aby pozdější čtenář mohl rozlišit původní experiment od následujících revizí.
Výsledkem může být, že úprava je užitečná pro výzkum, ale příliš malá pro podporu obchodů po nákladech. To je smysluplný závěr. Dobře navržený experiment může zúžit tvrzení nebo je zcela odmítnout a zanechat jasnější porozumění údajům a rozhodovacímu procesu než netestovatelné označení algoritmu.
Udělejte z obchodního algoritmu Kalshi reprodukovatelný experiment
Úplné pravidlo propojuje přesný cíl kontraktu s pevným horizontem předpovědi, zdokumentovanou úpravou, srovnáním se základem, vstupní marží a sdílenými limity účtu. Zachovává rozdíl mezi pozorovanými náklady, autorizovaným závazkem a skutečným provedením. Určuje také podklady schopné zastavit proces.
Začněte aritmetickými testovacími případy a případy na úrovni záznamů a potom testujte informační tvrzení na řádně oddělených pozorováních. Zachovávejte viditelné verze zdrojů, odmítnuté kandidáty a provozní přerušení. Nedovolte příznivému výsledku účtu přepsat znalosti modelu nebo to, co pravidlo povolovalo v okamžiku rozhodnutí.
Užitečný algoritmus má tvrzení, které lze zkoumat a vyvrátit i podpořit. To umožňuje výzkumný pokrok i tehdy, když je konečným rozhodnutím neobchodovat. Trvalým výsledkem je jasný vztah mezi podklady, pravděpodobností, náklady a činností s dostatkem záznamů k posouzení, zda navrhovaná informační výhoda skutečně existuje.