En handelsalgoritme til Kalshi kræver en informationspåstand, der kan være forkert. Den bør identificere en gentagelig observation, forklare, hvorfor denne observation kan forbedre en prognose, og angive, hvordan senere dokumentation vil teste påstanden. Uden disse elementer kan en formel producere præcise ordrer og samtidig være umulig at evaluere retvisende.
Denne vejledning udvikler en fiktiv algoritme til en snæver familie af daglige temperaturbaserede kontrakter. Dens hypotese er, at en dokumenteret justering for nylige prognosefejl forbedrer en bestemt prognose ved en fast horisont. Dette er et forskningsspørgsmål, ikke en fastslået fordel. Eksemplet viser, hvordan det omsættes til en målbar proces.
Alle steder, prognoser, mængder, priser og gebyrer nedenfor er opdigtede. Eksemplet antager en enkel binær kontrakt, der betaler 1 dollar for Ja og ellers 0 dollar. Faktiske vejrkontrakter, datakilder, observationsdefinitioner og aktuelle begrænsninger på handelsstedet skal læses direkte, før en lignende forskningsmetode anvendes.
Definer målet for handelsalgoritmen til Kalshi
Det hypotetiske mål er, om maksimumtemperaturen på Sted V i et specificeret observationsdøgn er mindst 80 grader ifølge den kilde, kontrakten navngiver. Stedet, perioden, enhederne og tærsklen inklusive lighed er en del af instrumentet, ikke valgfrie researchmetadata.
En prognose for et nærliggende bygennemsnit eller et andet kalendervindue ville besvare et andet spørgsmål. En prognose for det daglige minimum ville være irrelevant, selv hvis dens tal stod i samme rapport. Sammenkobling med kontrakten skal derfor komme før modellering og analyse af handelsomkostninger.
Kalshis forklaring af markedsudfald identificerer kontraktvilkår og den udpegede kilde som grundlag for afgørelsen. Algoritmen bør bevare denne regelregistrering med hver prognose. Hvis reglen ændres, skal researchprocessen afgøre, om den gamle model stadig gælder, frem for lydløst at behandle den nye kontrakt som endnu en identisk observation.
Skriv hypotesen for Kalshi-algoritmen
Hypotesen for Kalshi-algoritmen er, at nylige, korrekt målte prognosefejl indeholder information om den næste prognoses systematiske skævhed for dette sted og denne horisont. Den foreslåede justering bør forbedre sandsynlighedsprognoser i forhold til den ujusterede basisprognose på senere begivenheder. Den kan svigte, hvis nylige fejl hovedsageligt er støj eller ikke fortsætter.
Dette er snævrere end at påstå, at vejrudsigter generelt er forkerte. Det specificerer et sted, en horisont, en fejldefinition og en sammenligning. Det skaber også en grund til at bevare basisprognosen, fordi justeringen ikke kan demonstrere værdi uden en retvisende reference.
Den ældre vejledning om en handelsstrategi til Kalshi forklarer, hvordan et synspunkt bliver til en test. Anvend denne standard på hypotesesætningen. En person, der gennemgår den, bør kunne identificere, hvilken dokumentation der ville understøtte den, hvilken der ville svække den, og hvilke begivenheder der ligger uden for dens angivne omfang.
Fastlæg prognosehorisonten før evaluering
Vælg, hvornår prognosen registreres i forhold til observationsperioden. Antag for dette opdigtede eksperiment, at én prognose gemmes på et konsekvent tidspunkt, før måldøgnet begynder. Den præcise tidsplan er et designvalg, der skal forblive fast i evalueringsperioden.
En prognose, der opdateres i løbet af observationsdøgnet, har flere oplysninger og løser et andet problem. Den bør ikke erstatte den tidligere prognose i en test af evner før døgnet. Tilsvarende bør en forsinket indsamling bevare sit faktiske modtagelsestidspunkt frem for at blive tilbagedateret til den tilsigtede tidsplan.
Kalenderen bør registrere manglende prognoser ærligt. En senere hentet fil kan understøtte visse retrospektive analyser, men er ikke bevis for, at driftsprocessen havde filen på det oprindelige beslutningstidspunkt. Algoritmens praktiske evaluering omfatter, om den kan få sine input, når dens regel kræver dem.
Definer prognosefejl ved hjælp af tilgængelige udfald
Justeringseksperimentet kræver et klart fejlmål. En punktprognosefejl kan sammenligne det forudsagte maksimum med det observerede maksimum, mens sandsynlighedskalibrering sammenligner estimerede tærskelsandsynligheder med udfald. Disse mål besvarer forskellige spørgsmål og bør ikke blandes uden forklaring.
Kun udfald kendt før den aktuelle beslutning må indgå i en justering under drift. Hvis den foregående dags officielle observation stadig er utilgængelig, kan modellen ikke bruge en senere endeligt fastlagt værdi, som om den allerede var kendt. Inputregistreringen bør identificere udfaldsversionen og tilgængelighedstidspunktet.
Bevar ekstraordinære tilfælde særskilt. En manglende observation, ændret stedsdefinition eller ændret rapporteringsprocedure kan gøre en fejl usammenlignelig med den historiske serie. Udelukkelse af et sådant tilfælde kræver en dokumenteret begrundelse, der anvendes konsekvent, ikke en beslutning truffet, fordi fejlen ville få justeringen til at se mindre vellykket ud.
Byg justeringen på udviklingsdata
Vælg justeringsmetoden og dens parametre ved hjælp af en udviklingsperiode, og hold dem derefter faste i en senere evalueringsperiode. Metoden kan trække en nylig gennemsnitsfejl mod nul eller bruge en anden dokumenteret tilgang. Det vigtige krav er at angive proceduren, før dens senere resultater bedømmes.
Vælg ikke vindueslængden ved gentagne gange at søge den endelige teststikprøve efter det gunstigste resultat. Det ville lade fremtidige udfald påvirke den regel, der evalueres. Hvis designet ændres, skal en ny version oprettes og vurderes på senere eller på anden måde korrekt adskilte data.
Den ældre vejledning om algoritmisk handel på prognosemarkeder fremhæver reproducerbarhed. Et prognosejusteringseksperiment bør bevare sin skæringsdato for træning, parametre, inputdefinitioner og outputversion. En anden forsker bør kunne reproducere den justerede prognose uden at gætte, hvilke tidligere fejl der indgik.
Omsæt prognosen til kontraktsandsynligheden
Et punktestimat alene giver ikke en sandsynlighed, der er tilpasset kontrakten. Algoritmen kræver en fordeling for den størrelse, kontrakten måler, og evaluerer derefter den del af fordelingen, der opfylder den præcise tærskel. En grænse inklusive lighed skal forblive inklusive lighed i beregningen.
Antag, at et opdigtet sæt på tyve lige vægtede scenarier indeholder fjorten udfald på mindst 80 grader før justering. Denne scenarieandel er 70 %. Efter den dokumenterede justering opfylder tolv scenarier betingelsen, hvilket giver 60 %. Disse scenarietællinger illustrerer beregningen; de er ikke tyve uafhængige virkelige udfald, der beviser kalibrering.
Det resulterende estimat på 60 % kræver stadig evaluering i forhold til senere observationer. En model kan skabe en fordeling med internt konsistent regning og samtidig gengive usikkerheden forkert. Bevar scenariemetoden og dens begrænsninger frem for at præsentere den endelige procent som en objektiv egenskab ved begivenheden.
Registrer et følsomhedsscenarie ærligt
Antag for handelseksemplet, at det centrale estimat er 0,60, og et særskilt stressscenarie er 0,56. Stressværdien repræsenterer en valgt følsomhedskontrol, ikke en valideret konfidensgrænse. Dens rolle er at vise, hvordan en lidt mindre gunstig prognose påvirker beslutningen.
Angiv, hvorfor denne følsomhed er relevant for eksperimentet. Den kan repræsentere usikkerhed om justeringen eller et alternativt plausibelt modelvalg. Vælg den ikke efter at have observeret markedsprisen blot for at få en kandidat til at opfylde reglen for åbning af en position.
Vejledningen om en Polymarket-strategi fremhæver registrering af regler for åbning og ugyldiggørelse før udfaldet. Samme disciplin hjælper her. Prognoseusikkerhed bør forblive synlig i researchregistreringen, og en prisuenighed bør ikke få modellens usikkerhedsbeskrivelse til bekvemt at blive snævrere.
Skeln mellem modelforbedring og økonomisk nytte
En justering kan forbedre sandsynlighedsprognoser uden at skabe en margin, der kan handles på. Markedspriser kan allerede indarbejde lignende oplysninger, og transaktionsomkostninger kan overstige en lille prognoseforbedring. Algoritmen kræver særskilte test af prognosekvalitet og eksekverbare beslutninger.
Bevar hver justeret prognose og basisprognose, der opfylder adgangskravene, herunder dem, hvor priskontrollen ikke giver nogen ordre. Dette tillader en retvisende sammenligning af informationspåstanden. Handelsevalueringen kan derefter undersøge den delmængde, der opfyldte aktuelle pris- og kontobetingelser.
Et gunstigt resultat alene på udvalgte handler kan ikke fastslå bred prognosekalibrering. Udvælgelse afhænger af priser og andre filtre. Omvendt fastslår en lidt forbedret prognosescore ikke, at den tilknyttede handelsregel er rentabel. Disse er relaterede påstande, der kræver forskellige registreringer og korrekt matchede evalueringspopulationer.
Specificer marginen for åbning
Den hypotetiske regel for åbning kræver, at stresssandsynligheden overstiger den maksimalt antagne samlede købsomkostning med mindst 0,02 dollar pr. kontrakt. Dette er en valgt eksperimentel tærskel for den enkle dollarudbetaling, ikke en universel kompensation for risiko.
Antag, at den godkendte prisgrænse er 0,53 dollar, og gebyrreserven er 0,01 dollar pr. kontrakt. Den maksimalt antagne omkostning er 0,54 dollar. Med et stressestimat på 0,56 er den modellerede margin 0,02 dollar, hvilket netop opfylder den opdigtede regel. Enhver ændring af disse input kræver, at beregningen kontrolleres igen.
Dokumenter, hvordan tærsklen blev valgt, og vurder følsomhed uden for den endelige evalueringsstikprøve. En regel, der kun virker med én fintunet margin, kan være skrøbelig. Algoritmen bør gøre denne skrøbelighed observerbar frem for at skjule den bag ét udvalgt præstationsresultat.
Henvis og tjen USDC
Henvis og tjen USDCVores affiliateprogram udbetaler i realtid.
Anvend aktuelle pris- og mængderegler
Ordreforslaget skal passe til markedets aktuelt tilladte priser og mængder. Kalshis dokumentation om tal med fast decimalpræcision beskriver decimalrepræsentationer og markedsspecifikke pristrin. Implementeringen bør bevare præcise enheder og validere de faktiske begrænsninger frem for at antage heltalscent overalt.
Den hypotetiske grænse på 0,53 dollar bruges kun som regneeksempel. En reel implementering ville verificere, at grænsen og mængden er gyldige for det valgte marked og aktuelle endepunkt. Afrunding bør ikke overskride den autoriserede maksimale omkostning eller lydløst ændre den tilsigtede eksponering.
Vejledningen om markedsdata fra Polymarket giver en nyttig sammenligning af hensyn til tidsstempler og ordrebogskvalitet. På tværs af handelssteder kræver omkostningsbeslutningen en aktuel, korrekt fortolket observation. De faktiske skemaer og priskonventioner forbliver specifikke for handelsstedet og bør ikke normaliseres gennem udokumenterede antagelser.
Bestem forslagets størrelse under fælles grænser
Antag, at den opdigtede konto har en begivenhedsgrænse på tredive kontrakter, hvor ti allerede ejes, og fem er mulige fra en aktiv ordre. Den resterende mængdekapacitet er femten kontrakter. Det tilgængelige omkostningsbudget er 10,80 dollar, hvilket ville understøtte tyve kontrakter til den maksimalt antagne omkostning på 0,54 dollar.
Den mindste grænse er afgørende, så forslaget er højst femten kontrakter, før tilgængelig dybde og andre begrænsninger overvejes. Algoritmen bør ikke bruge det større omkostningsbudget, blot fordi det findes. Mængde- og kontantbegrænsninger besvarer forskellige risikospørgsmål, og begge skal opfyldes.
Registrer det kontoøjebliksbillede og den reservation, som blev brugt til godkendelse. Hvis en anden strategi eller manuel handling bruger kapacitet før indsendelse, skal der valideres igen. En algoritme til prognosejustering får ikke en særskilt økonomisk konto, blot fordi dens researchproces kører uafhængigt af andre metoder.
Beregn den hypotetiske udførelsesomkostning
Antag, at ti kontrakter tilbydes til 0,50 dollar og yderligere ti til 0,52 dollar. Forslaget på femten kontrakter ville bruge ti ved det første niveau og fem ved det andet, hvilket koster 5 dollar plus 2,60 dollar, altså 7,60 dollar før gebyrer, hvis pristilbuddene forbliver tilgængelige.
Med det antagne gebyr på én cent pr. kontrakt er det samlede estimat 7,75 dollar. Ved den centrale sandsynlighed på 0,60 er den modellerede forventede udbetaling 9 dollar, hvilket efterlader en modelleret forskel på 1,25 dollar. Ved stresssandsynligheden på 0,56 er den forventede udbetaling 8,40 dollar, hvilket efterlader 0,65 dollar.
Den maksimalt antagne forpligtelse forbliver femten gange 0,54 dollar, altså 8,10 dollar. Det observerede estimat og det autoriserede maksimum er forskellige registreringer. Denne adskillelse lader kontoen reservere konservativt, mens researchrapporten bevarer den bestemte ordrebog, der fik muligheden til at se attraktiv ud.
Definer udførelses- og restadfærd
Specifikationen bør angive, om ordren må hvile, kræver en fuld øjeblikkelig udførelse eller tillader delvis øjeblikkelig udførelse under det aktuelle handelssteds dokumenterede muligheder. Dette valg påvirker, hvor længe kontoen kan erhverve yderligere eksponering, efter at prognosen blev lavet.
En hvilende variant kræver en udløbs- eller gennemgangspolitik tilpasset prognosehorisonten. En øjeblikkelig variant kræver en regel for accept af en mindre position. Ingen af dem bør automatisk forsøge den manglende mængde igen som en ny ordre, efter at de oprindelige informations- eller prisbetingelser er ændret.
Bevar anmodningstypen, faktiske udførelser og den endelige resttilstand. En delvis udførelse kan efterlade en aktiv forpligtelse eller en annulleret rest afhængigt af instruktionen. Algoritmen bør ikke udlede, at alle ikkeudførte kontrakter enten stadig er tilgængelige at erhverve eller definitivt er fraværende, uden at læse det relevante resultat.
Gør ugyldiggørelse specifik for hypotesen
Justeringshypotesen kan blive ugyldig, hvis kildedefinitionen ændres, prognoseproduktet ændres, eller nylige fejl ikke længere understøtter det antagne forhold. Dette er researchbetingelser, der adskiller sig fra en midlertidig markedsdataafbrydelse eller en grænse for kontokapacitet.
Algoritmen bør identificere, hvilken betingelse der stoppede et forslag. En manglende kilde kan føre til venten eller fravalg af handling. En ændret prognosemetodik kan kræve, at modelversionen suspenderes. Et opbrugt kontobudget kan afvise en handel og samtidig bevare prognosen til evaluering.
Den ældre vejledning om en automatiseret bot til Kalshi-prognosemarkeder beskriver tydelige adgangskontroller. Brug denne struktur til at forhindre modellen i at producere ordrer, blot fordi en planlagt proces blev fuldført. Vellykket beregning er ikke dokumentation for, at inputtene stadig hører til eksperimentets definerede område.
Evaluer én prognose pr. defineret begivenhed
Evalueringsenheden bør passe til hypotesen. For dette eksperiment giver én dateret prognose pr. sted og observationsdøgn ved den valgte horisont en tydelig enhed. Flere tærskler eller gentagne opdateringer fra samme døgn bør ikke behandles som fuldt uafhængige demonstrationer af evner.
Rapporter både antallet af prognoser og antallet af underliggende begivenheder. Hvis flere kontrakter deler ét dagligt maksimum, er deres udfald relaterede. Grupper dem passende ved adskillelse af udvikling fra evaluering og ved beskrivelse af usikkerhed i resultaterne.
Brug senere begivenheder til at vurdere, om justeringen forbedrer basisprognosen. Et kronologisk design afslører også kilde- og regimeskift, som en tilfældig blanding kan skjule. Målet er at teste processen, som den ville fungere over tid, med kun de oplysninger, der er tilgængelige før hver beslutning.
Sammenlign sandsynlighedsscorer og beslutningsresultater
Sandsynlighedsscorer kan vurdere prognosekvalitet på tværs af hele stikprøven, der opfylder adgangskravene. Kalibreringskontroller kan undersøge, om sammenlignelige sandsynlighedsgrupper svarer til observerede hyppigheder. En beslutningsrapport kan derefter evaluere omkostninger, udførelser og kontoresultater for den delmængde, der opfyldte handelsreglen.
Hold disse rapporter forbundne, men adskilte. En god prognose kan tabe et enkelt binært udfald, og en svag prognose kan vinde ved tilfældighed. Et udførelsesproblem kan reducere økonomiske resultater, selv når sandsynlighedsestimaterne forbedres. Registreringerne bør gøre disse forklaringer mulige at skelne fra hinanden.
Undgå brede konklusioner fra en kort stikprøve. En håndfuld daglige udfald afslører måske ikke et stabilt forhold, især når betingelserne er lignende på tværs af på hinanden følgende dage. Evalueringen bør beskrive sit omfang og sin usikkerhed frem for at gøre en tidlig gunstig periode til en permanent påstand om algoritmen.
Test driftsmæssig friktion som en del af reglen
Det praktiske eksperiment omfatter manglende prognoser, forsinket modtagelse, utilstrækkelig dybde og utilgængelige kontooplysninger. Bevar disse tilfælde frem for at antage, at algoritmen altid får sine input og handler til den ønskede pris. De påvirker de muligheder, processen faktisk kan bruge.
En simuleret forsinkelse kan teste, om forslaget udløber korrekt. En delvis udførelse kan teste, om kontoen opdateres efter den udførte mængde. Et mistet svar kan teste, om processen undersøger den oprindelige hensigt uden at skabe gentagen eksponering. Dette er driftstest, der er særskilte fra informationshypotesen.
Vejledningen om handelsalgoritmer til Kalshi undersøger, hvordan flere metoder opfører sig under skiftende forhold. Før denne enkelte algoritme slutter sig til en sådan portefølje, bør den forklare sine egne fejl og fravalg af handling tydeligt nok til, at den fælles konto kan koordinere dem med andre strategier.
Beslut, hvad der ville afslutte eksperimentet
Fastlæg gennemgangsbetingelser, før de endelige resultater undersøges. Eksperimentet kan afsluttes, hvis justeringen ikke forbedrer basisprognosen på senere begivenheder, hvis den tilsyneladende gevinst forsvinder under realistisk timing, eller hvis vedligeholdelse af de nødvendige data bliver upålidelig.
Et enkelt tab afkræfter ikke nødvendigvis en sandsynlighedshypotese. Gentagne ændringer af reglen efter hvert tab kan gøre evaluering umulig. Brug en planlagt gennemgangsplan, og bevar hver version, så en senere læser kan skelne det oprindelige eksperiment fra efterfølgende revisioner.
Udfaldet kan være, at justeringen er nyttig til research, men for lille til at understøtte handler efter omkostninger. Dette er en meningsfuld konklusion. Et veldesignet eksperiment kan indsnævre sin påstand eller afvise den helt og efterlade en klarere forståelse af dataene og beslutningsprocessen, end en ikke-testbar algoritmebetegnelse giver.
Gør handelsalgoritmen til Kalshi til et reproducerbart eksperiment
Den fuldstændige regel forbinder et præcist kontraktmål med en fast prognosehorisont, en dokumenteret justering, en sammenligning med basisprognosen, en margin for åbning og fælles kontogrænser. Den bevarer forskellen mellem observeret omkostning, autoriseret forpligtelse og faktisk udførelse. Den specificerer også, hvilken dokumentation der kan stoppe processen.
Begynd med regneeksempler og testeksempler på registreringsniveau, og test derefter informationspåstanden på korrekt adskilte observationer. Hold kildeversioner, afviste kandidater og driftsafbrydelser synlige. Lad ikke et gunstigt kontoudfald omskrive, hvad modellen vidste, eller hvad reglen tillod på beslutningstidspunktet.
En nyttig algoritme er en, hvis påstand kan undersøges og modbevises såvel som understøttes. Dette muliggør researchfremskridt, selv når den endelige beslutning er ikke at handle. Det varige resultat er et klart forhold mellem dokumentation, sandsynlighed, omkostning og handling med tilstrækkelige registreringer til at vurdere, om den foreslåede informationsfordel faktisk findes.