Ein Kalshi-Handelsalgorithmus braucht eine Informationsbehauptung, die falsch sein kann. Er sollte eine wiederholbare Beobachtung identifizieren, erklären, warum sie eine Prognose verbessern könnte, und angeben, wie spätere Belege die Behauptung testen. Ohne diese Elemente kann eine Formel präzise Orders erzeugen und dennoch unmöglich fair zu bewerten bleiben.
Dieser Leitfaden entwickelt einen fiktiven Algorithmus für eine enge Familie täglicher temperaturbezogener Kontrakte. Seine Hypothese lautet, dass eine dokumentierte Anpassung anhand jüngster Prognosefehler eine bestimmte Prognose zu einem festen Horizont verbessert. Das ist eine Forschungsfrage und kein nachgewiesener Vorteil. Das Beispiel zeigt, wie daraus ein messbarer Prozess wird.
Alle folgenden Orte, Prognosen, Mengen, Preise und Gebühren sind erfunden. Das Beispiel setzt einen einfachen binären Kontrakt voraus, der für Ja 1 $ und sonst 0 $ auszahlt. Tatsächliche Wetterkontrakte, Datenquellen, Beobachtungsdefinitionen und aktuelle Handelsplatzbeschränkungen müssen direkt gelesen werden, bevor eine ähnliche Forschungsmethode angewendet wird.
Das Ziel des Kalshi-Handelsalgorithmus definieren
Das hypothetische Ziel ist, ob die Höchsttemperatur am Ort V während eines angegebenen Beobachtungstages nach der im Kontrakt benannten Quelle mindestens 80 Grad beträgt. Ort, Zeitraum, Einheiten und einschließender Schwellenwert sind Teil des Instruments und keine optionalen Recherchemetadaten.
Eine Prognose für den Durchschnitt einer nahen Stadt oder ein anderes Kalenderfenster würde eine andere Frage beantworten. Eine Prognose der Tagestiefsttemperatur wäre irrelevant, selbst wenn ihre Zahl im selben Bericht erschiene. Die Kontraktzuordnung muss daher Modellierung und Handelskostenanalyse vorausgehen.
Kalshis Erklärung zu Marktergebnissen benennt Kontraktbedingungen und bestimmte Quelle als Grundlage der Feststellung. Der Algorithmus sollte diese Regelaufzeichnung mit jeder Prognose bewahren. Ändert sich die Regel, muss der Rechercheprozess entscheiden, ob das alte Modell noch gilt, statt den neuen Kontrakt stillschweigend als weitere identische Beobachtung zu behandeln.
Die Hypothese des Kalshi-Algorithmus formulieren
Die Hypothese des Kalshi-Algorithmus lautet, dass jüngste, richtig gemessene Prognosefehler Informationen über die Verzerrung der nächsten Prognose für diesen Ort und Horizont enthalten. Die vorgeschlagene Anpassung sollte Wahrscheinlichkeitsprognosen bei späteren Ereignissen gegenüber dem unangepassten Maßstab verbessern. Sie kann scheitern, wenn jüngste Fehler überwiegend Rauschen sind oder nicht fortbestehen.
Das ist enger als die Behauptung, Wetterprognosen seien allgemein falsch. Es legt Ort, Horizont, Fehlerdefinition und Vergleich fest. Es schafft auch einen Grund, die Ausgangsprognose zu bewahren, weil die Anpassung ohne faire Referenz keinen Nutzen zeigen kann.
Der ältere Leitfaden zur Kalshi-Handelsstrategie erklärt, wie eine Einschätzung zu einem Test wird. Wenden Sie diesen Maßstab auf den Hypothesensatz an. Eine prüfende Person sollte erkennen können, welche Belege ihn stützen, welche ihn schwächen und welche Ereignisse außerhalb seines angegebenen Umfangs liegen.
Den Prognosehorizont vor der Bewertung festlegen
Wählen Sie, wann die Prognose relativ zum Beobachtungszeitraum aufgezeichnet wird. Nehmen Sie für dieses erfundene Experiment an, dass eine Prognose zu einem einheitlichen Zeitpunkt vor Beginn des Zieltages gespeichert wird. Der genaue Zeitplan ist eine Gestaltungsentscheidung, die während des Bewertungszeitraums fest bleiben muss.
Eine während des Beobachtungstages aktualisierte Prognose hat mehr Informationen und löst ein anderes Problem. Sie sollte die frühere Prognose in einem Test der Fähigkeit vor Tagesbeginn nicht ersetzen. Ebenso sollte eine verzögerte Erfassung ihren tatsächlichen Empfangszeitpunkt behalten, statt auf den beabsichtigten Zeitplan zurückdatiert zu werden.
Der Kalender sollte fehlende Prognosen ehrlich aufzeichnen. Eine später abgerufene Datei kann manche rückblickende Analyse stützen, ist aber kein Beweis, dass der Betriebsprozess sie am ursprünglichen Entscheidungszeitpunkt besaß. Die praktische Bewertung des Algorithmus umfasst, ob er seine Eingaben zu dem Zeitpunkt beschaffen kann, zu dem seine Regel sie verlangt.
Prognosefehler anhand verfügbarer Ergebnisse definieren
Das Anpassungsexperiment braucht ein klares Fehlermaß. Ein Punktprognosefehler könnte das prognostizierte Maximum mit dem beobachteten Maximum vergleichen, während Wahrscheinlichkeitskalibrierung geschätzte Schwellenwahrscheinlichkeiten mit Ergebnissen vergleicht. Diese Maße beantworten unterschiedliche Fragen und sollten nicht ohne Erklärung vermischt werden.
Nur vor der aktuellen Entscheidung bekannte Ergebnisse dürfen in eine aktuelle Anpassung eingehen. Ist die offizielle Beobachtung des Vortages noch nicht verfügbar, kann das Modell keinen später endgültig festgestellten Wert verwenden, als wäre er bereits bekannt. Die Eingabeaufzeichnung sollte Ergebnisstand und Verfügbarkeitszeitpunkt benennen.
Bewahren Sie Ausnahmefälle getrennt auf. Eine fehlende Beobachtung, geänderte Ortsdefinition oder veränderte Berichtsweise können einen Fehler mit der historischen Reihe unvergleichbar machen. Ein solcher Ausschluss verlangt einen dokumentierten, konsequent angewendeten Grund und keine Entscheidung deshalb, weil der Fehler die Anpassung weniger erfolgreich aussehen ließe.
Die Anpassung anhand von Entwicklungsdaten aufbauen
Wählen Sie Anpassungsmethode und Parameter anhand eines Entwicklungszeitraums und halten Sie sie dann für einen späteren Bewertungszeitraum fest. Die Methode könnte einen jüngsten durchschnittlichen Fehler in Richtung null abschwächen oder einen anderen dokumentierten Ansatz verwenden. Entscheidend ist, das Verfahren anzugeben, bevor seine späteren Ergebnisse beurteilt werden.
Wählen Sie die Fensterlänge nicht durch wiederholtes Durchsuchen der endgültigen Teststichprobe nach dem günstigsten Ergebnis. Dadurch würden künftige Ergebnisse die bewertete Regel beeinflussen. Ändert sich der Entwurf, erstellen Sie eine neue Version und bewerten Sie sie anhand späterer oder anderweitig korrekt getrennter Daten.
Der ältere Leitfaden zum algorithmischen Handel auf Prognosemärkten betont Reproduzierbarkeit. Ein Experiment zur Prognoseanpassung sollte Trainingsstichtag, Parameter, Eingabedefinitionen und Ausgabeversion bewahren. Ein anderer Forscher sollte die angepasste Prognose reproduzieren können, ohne zu raten, welche früheren Fehler einbezogen wurden.
Die Prognose in die Kontraktwahrscheinlichkeit übersetzen
Eine Punktschätzung allein liefert keine kontraktgerechte Wahrscheinlichkeit. Der Algorithmus benötigt eine Verteilung für die vom Kontrakt gemessene Größe und bewertet dann den Anteil dieser Verteilung, der den genauen Schwellenwert erfüllt. Eine einschließende Grenze muss in der Rechnung einschließend bleiben.
Angenommen, eine erfundene Menge von zwanzig gleich gewichteten Szenarien enthält vor der Anpassung vierzehn Ergebnisse bei oder über 80 Grad. Dieser Szenarioanteil beträgt 70 %. Nach der dokumentierten Anpassung erfüllen zwölf Szenarien die Bedingung und ergeben 60 %. Diese Szenariozahlen veranschaulichen die Rechnung; sie sind keine zwanzig unabhängigen realen Ergebnisse, die Kalibrierung beweisen.
Die entstehende Schätzung von 60 % benötigt weiterhin Bewertung anhand späterer Beobachtungen. Ein Modell kann eine Verteilung mit intern konsistenter Rechnung erzeugen und dabei Unsicherheit falsch darstellen. Bewahren Sie Szenariomethode und Grenzen, statt den endgültigen Prozentsatz als objektive Ereigniseigenschaft zu präsentieren.
Ein Sensitivitätsszenario ehrlich aufzeichnen
Nehmen Sie für den Handelstestfall eine zentrale Schätzung von 0,60 und ein getrenntes Stressszenario von 0,56 an. Der Stresswert stellt eine gewählte Sensitivitätsprüfung und keine validierte Konfidenzgrenze dar. Seine Rolle ist zu zeigen, wie eine mäßig ungünstigere Prognose die Entscheidung beeinflusst.
Legen Sie fest, warum diese Sensitivität für das Experiment relevant ist. Sie könnte Unsicherheit über die Anpassung oder eine alternative plausible Modellierungswahl darstellen. Wählen Sie sie nicht erst nach Beobachtung des Marktpreises, nur damit ein Kandidat die Einstiegsregel besteht.
Der Leitfaden zu einer Polymarket-Strategie betont, Einstiegs- und Ungültigkeitsregeln vor dem Ergebnis aufzuzeichnen. Dieselbe Disziplin hilft hier. Prognoseunsicherheit sollte in der Rechercheaufzeichnung sichtbar bleiben, und eine Preisabweichung sollte nicht bewirken, dass die Unsicherheitsbeschreibung des Modells bequem enger wird.
Modellverbesserung von wirtschaftlichem Nutzen trennen
Eine Anpassung kann Wahrscheinlichkeitsprognosen verbessern, ohne eine handelbare Marge zu erzeugen. Marktpreise können ähnliche Informationen bereits enthalten, und Transaktionskosten können eine kleine Prognoseverbesserung übersteigen. Der Algorithmus benötigt getrennte Tests für Prognosequalität und ausführbare Entscheidungen.
Bewahren Sie jede geeignete angepasste und ursprüngliche Prognose auf, einschließlich derjenigen, bei denen die Preisprüfung keine Order erzeugt. Das erlaubt einen fairen Vergleich der Informationsbehauptung. Die Handelsbewertung kann dann die Teilmenge untersuchen, die aktuelle Preis- und Kontobedingungen erfüllte.
Ein günstiges Ergebnis allein bei ausgewählten Geschäften kann keine breite Prognosekalibrierung belegen. Auswahl hängt von Preisen und anderen Filtern ab. Umgekehrt belegt ein leicht verbesserter Prognosewert keine Profitabilität der zugehörigen Handelsregel. Das sind verwandte Behauptungen, die unterschiedliche Aufzeichnungen und passend zugeordnete Bewertungsgrundgesamtheiten erfordern.
Die Einstiegsmarge festlegen
Die hypothetische Einstiegsregel verlangt, dass die im Stressszenario angenommene Ereigniswahrscheinlichkeit die maximal angenommenen Gesamtanschaffungskosten um mindestens 0,02 $ je Kontrakt übersteigt. Das ist eine gewählte experimentelle Schwelle für die einfache Dollarauszahlung und keine allgemeingültige Entschädigung für Risiko.
Nehmen Sie ein genehmigtes Preislimit von 0,53 $ und einen Gebührenpuffer von 0,01 $ je Kontrakt an. Die maximal angenommenen Kosten betragen 0,54 $. Bei einer Stressschätzung von 0,56 beträgt die modellierte Marge 0,02 $ und erfüllt die erfundene Regel genau. Jede Änderung dieser Eingaben verlangt eine erneute Prüfung der Rechnung.
Dokumentieren Sie, wie die Schwelle gewählt wurde, und bewerten Sie Sensitivität außerhalb der endgültigen Bewertungsstichprobe. Eine Regel, die nur mit einer einzigen fein abgestimmten Marge funktioniert, kann fragil sein. Der Algorithmus sollte diese Fragilität beobachtbar machen, statt sie hinter einem einzelnen ausgewählten Leistungsergebnis zu verbergen.
Weiterempfehlen und USDC verdienen
Weiterempfehlen und USDC verdienenUnser Partnerprogramm zahlt in Echtzeit.
Aktuelle Preis- und Mengenregeln anwenden
Der Ordervorschlag muss zu den aktuell erlaubten Preisen und Mengen des Marktes passen. Kalshis Festkommadokumentation beschreibt Dezimaldarstellungen und marktspezifische Preisraster. Die Umsetzung sollte exakte Einheiten bewahren und die tatsächlichen Beschränkungen validieren, statt überall ganzzahlige Centbeträge anzunehmen.
Das hypothetische Limit von 0,53 $ dient nur als Rechentestfall. Eine echte Umsetzung würde prüfen, dass Limit und Menge für den gewählten Markt und aktuellen Endpunkt gültig sind. Rundung sollte weder die autorisierten Höchstkosten überschreiten noch die beabsichtigte Exposition stillschweigend verändern.
Der Leitfaden zu Polymarket-Marktdaten bietet einen nützlichen Vergleich von Zeitstempel- und Orderbuchqualitätsfragen. Handelsplatzübergreifend benötigt die Kostenentscheidung eine aktuelle, korrekt interpretierte Beobachtung. Tatsächliche Schemata und Preiskonventionen bleiben handelsplatzspezifisch und sollten nicht durch unbelegte Annahmen normalisiert werden.
Die Vorschlagsgröße unter gemeinsamen Grenzen festlegen
Nehmen Sie an, das erfundene Konto hat eine Ereignisgrenze von dreißig Kontrakten, wobei zehn bereits gehalten werden und fünf aus einer aktiven Order möglich sind. Die verbleibende Mengenkapazität beträgt fünfzehn Kontrakte. Das verfügbare Kostenbudget beträgt 10,80 $ und würde zwanzig Kontrakte zu maximal angenommenen Kosten von 0,54 $ tragen.
Die kleinere Grenze bestimmt das Ergebnis. Der Vorschlag beträgt daher höchstens fünfzehn Kontrakte, bevor verfügbare Markttiefe und andere Beschränkungen berücksichtigt werden. Der Algorithmus sollte das größere Kostenbudget nicht allein deshalb ausgeben, weil es existiert. Mengen- und Geldbeschränkungen beantworten unterschiedliche Risikofragen und müssen beide erfüllt sein.
Zeichnen Sie die zur Genehmigung verwendete Kontoaufnahme und Reservierung auf. Verbraucht eine andere Strategie oder manuelle Aktion vor der Übermittlung Kapazität, validieren Sie erneut. Ein Algorithmus zur Prognoseanpassung erhält kein getrenntes wirtschaftliches Konto, nur weil sein Rechercheprozess unabhängig von anderen Methoden läuft.
Die hypothetischen Ausführungskosten berechnen
Angenommen, zehn Kontrakte werden zu 0,50 $ und weitere zehn zu 0,52 $ angeboten. Der Vorschlag über fünfzehn Kontrakte würde zehn auf der ersten und fünf auf der zweiten Stufe verwenden und vor Gebühren 5 $ plus 2,60 $, also 7,60 $, kosten, sofern die Preisangebote verfügbar bleiben.
Mit der angenommenen Gebühr von einem Cent je Kontrakt beträgt die Gesamtschätzung 7,75 $. Bei der zentralen Wahrscheinlichkeit von 0,60 beträgt die modellierte erwartete Auszahlung 9 $, sodass eine modellierte Differenz von 1,25 $ bleibt. Bei der im Stressszenario angenommenen Ereigniswahrscheinlichkeit von 0,56 beträgt die erwartete Auszahlung 8,40 $, sodass 0,65 $ bleiben.
Die maximal angenommene Verpflichtung bleibt fünfzehn mal 0,54 $, also 8,10 $. Die beobachtete Schätzung und das autorisierte Maximum sind unterschiedliche Aufzeichnungen. Diese Trennung erlaubt dem Konto konservative Reservierung, während der Recherchebericht das konkrete Orderbuch bewahrt, das die Gelegenheit attraktiv erscheinen ließ.
Ausführungs- und Restverhalten definieren
Die Spezifikation sollte angeben, ob die Order ruhen darf, vollständige sofortige Ausführung verlangt oder teilweise sofortige Ausführung nach den aktuell dokumentierten Handelsplatzoptionen erlaubt. Diese Wahl beeinflusst, wie lange das Konto nach der Prognose zusätzliche Exposition erwerben kann.
Eine ruhende Variante benötigt eine an den Prognosehorizont angepasste Ablauf- oder Prüfregel. Eine sofortige Variante benötigt eine Regel zur Annahme einer kleineren Position. Keine sollte die fehlende Menge automatisch als neue Order erneut anfragen, nachdem sich ursprüngliche Informations- oder Preisbedingungen verändert haben.
Bewahren Sie Anfrageart, tatsächliche Ausführungen und endgültigen Restzustand auf. Eine Teilausführung kann je nach Anweisung eine aktive Verpflichtung oder einen stornierten Rest hinterlassen. Der Algorithmus sollte ohne Lesen des relevanten Ergebnisses weder ableiten, dass alle unausgeführten Kontrakte weiterhin erworben werden können, noch, dass sie definitiv nicht vorhanden sind.
Ungültigkeit auf die Hypothese beziehen
Die Anpassungshypothese kann ungültig werden, wenn sich Quellendefinition oder Prognoseprodukt ändern oder jüngste Fehler die angenommene Beziehung nicht mehr stützen. Das sind Recherchebedingungen, die von einer vorübergehenden Marktdatenunterbrechung oder einer Kontokapazitätsgrenze zu unterscheiden sind.
Der Algorithmus sollte erkennen lassen, welche Bedingung einen Vorschlag stoppte. Eine fehlende Quelle kann zu Warten oder Enthaltung führen. Eine veränderte Prognosemethodik kann die Aussetzung der Modellversion erfordern. Ein ausgeschöpftes Kontobudget kann einen Handel ablehnen und die Prognose weiterhin zur Bewertung bewahren.
Der ältere Leitfaden zum automatisierten Kalshi-Bot für Prognosemärkte beschreibt klare Zulassungsprüfungen. Verwenden Sie diese Struktur, um das Modell davon abzuhalten, Orders nur deshalb zu erzeugen, weil ein geplanter Prozess abgeschlossen wurde. Erfolgreiche Berechnung ist kein Beleg dafür, dass die Eingaben weiterhin zum definierten Experimentbereich gehören.
Eine Prognose je definiertem Ereignis bewerten
Die Bewertungseinheit sollte zur Hypothese passen. Für dieses Experiment liefert eine datierte Prognose je Ort und Beobachtungstag zum gewählten Horizont eine klare Einheit. Mehrere Schwellenwerte oder wiederholte Aktualisierungen desselben Tages sollten nicht als vollständig unabhängige Fähigkeitsnachweise behandelt werden.
Berichten Sie sowohl Prognosezahl als auch Zahl zugrunde liegender Ereignisse. Teilen mehrere Kontrakte ein Tagesmaximum, hängen ihre Ergebnisse zusammen. Gruppieren Sie sie angemessen bei der Trennung von Entwicklung und Bewertung und bei der Beschreibung der Ergebnisunsicherheit.
Verwenden Sie spätere Ereignisse, um zu bewerten, ob die Anpassung den Ausgangsmaßstab verbessert. Ein chronologischer Entwurf legt außerdem Quellen- und Regimeänderungen offen, die zufälliges Mischen verbergen kann. Ziel ist, den Prozess so zu testen, wie er zeitlich arbeiten würde, mit ausschließlich vor jeder Entscheidung verfügbaren Informationen.
Geeignete Bewertungsmaße und Entscheidungsergebnisse vergleichen
Bewertungsmaße für Wahrscheinlichkeitsprognosen können die Prognosequalität über die gesamte geeignete Stichprobe hinweg bewerten. Kalibrierungsprüfungen können untersuchen, ob vergleichbare Wahrscheinlichkeitsgruppen beobachteten Häufigkeiten entsprechen. Ein Entscheidungsbericht kann dann Kosten, Ausführungen und Kontoergebnisse für die Teilmenge bewerten, die die Handelsregel bestand.
Halten Sie diese Berichte verbunden, aber getrennt. Eine gute Prognose kann ein einzelnes binäres Ergebnis verlieren, und eine schwache Prognose kann zufällig gewinnen. Ein Ausführungsproblem kann wirtschaftliche Ergebnisse reduzieren, selbst wenn sich Wahrscheinlichkeitsschätzungen verbessern. Die Aufzeichnungen sollten diese Erklärungen trennbar machen.
Vermeiden Sie breite Schlussfolgerungen aus einer kurzen Stichprobe. Eine Handvoll Tagesergebnisse zeigt möglicherweise keine stabile Beziehung, insbesondere bei ähnlichen Bedingungen an aufeinanderfolgenden Tagen. Die Bewertung sollte ihren Umfang und ihre Unsicherheit beschreiben, statt einen frühen günstigen Lauf in eine dauerhafte Algorithmusbehauptung zu verwandeln.
Betriebliche Schwierigkeiten als Teil der Regel testen
Das praktische Experiment umfasst fehlende Prognosen, verspäteten Empfang, unzureichende Markttiefe und nicht verfügbare Kontoinformationen. Bewahren Sie diese Fälle auf, statt anzunehmen, der Algorithmus beschaffe stets seine Eingaben und handle zum gewünschten Preis. Sie beeinflussen die tatsächlich nutzbaren Gelegenheiten des Prozesses.
Eine simulierte Verzögerung kann prüfen, ob der Vorschlag korrekt abläuft. Eine Teilausführung kann prüfen, ob das Konto um die ausgeführte Menge aktualisiert wird. Eine verlorene Antwort kann prüfen, ob der Prozess die ursprüngliche Absicht untersucht, ohne doppelte Exposition zu erzeugen. Das sind betriebliche Tests, getrennt von der Informationshypothese.
Der Leitfaden zu Kalshi-Handelsalgorithmen untersucht das Verhalten mehrerer Methoden unter wechselnden Bedingungen. Bevor dieser einzelne Algorithmus einem solchen Portfolio beitritt, sollte er eigene Fehler und Enthaltungen klar genug erklären, damit das gemeinsame Konto sie mit anderen Strategien koordinieren kann.
Entscheiden, was das Experiment beenden würde
Legen Sie Prüfbedingungen vor der Sichtung endgültiger Ergebnisse fest. Das Experiment könnte eingestellt werden, wenn die Anpassung den Ausgangsmaßstab bei späteren Ereignissen nicht verbessert, der scheinbare Gewinn unter realistischem Timing verschwindet oder die Pflege der benötigten Daten unzuverlässig wird.
Ein einzelner Verlust widerlegt nicht unbedingt eine probabilistische Hypothese. Die Regel nach jedem Verlust wiederholt zu ändern kann Bewertung unmöglich machen. Verwenden Sie einen geplanten Prüfzeitplan und bewahren Sie jede Version auf, damit ein späterer Leser das ursprüngliche Experiment von nachfolgenden Revisionen unterscheiden kann.
Das Ergebnis kann sein, dass die Anpassung für Recherche nützlich, aber nach Kosten zu klein zur Unterstützung von Geschäften ist. Das ist eine aussagekräftige Schlussfolgerung. Ein gut gestaltetes Experiment kann seine Behauptung eingrenzen oder vollständig ablehnen und ein klareres Verständnis der Daten und des Entscheidungsprozesses hinterlassen, als eine unprüfbare Algorithmusbezeichnung liefert.
Den Kalshi-Handelsalgorithmus zu einem reproduzierbaren Experiment machen
Die vollständige Regel verbindet ein genaues Kontraktziel mit festem Prognosehorizont, dokumentierter Anpassung, Ausgangsvergleich, Einstiegsmarge und gemeinsamen Kontogrenzen. Sie bewahrt den Unterschied zwischen beobachteten Kosten, autorisierter Verpflichtung und tatsächlicher Ausführung. Sie legt außerdem fest, welche Belege den Prozess stoppen können.
Beginnen Sie mit Rechen- und Aufzeichnungstestfällen und testen Sie dann die Informationsbehauptung anhand korrekt getrennter Beobachtungen. Halten Sie Quellenversionen, abgelehnte Kandidaten und betriebliche Unterbrechungen sichtbar. Lassen Sie ein günstiges Kontoergebnis nicht umschreiben, was das Modell wusste oder die Regel zum Entscheidungszeitpunkt erlaubte.
Ein nützlicher Algorithmus ist einer, dessen Behauptung sowohl untersucht und widerlegt als auch gestützt werden kann. Das ermöglicht Forschungsfortschritt, selbst wenn die endgültige Entscheidung gegen Handel fällt. Das dauerhafte Ergebnis ist eine klare Beziehung zwischen Belegen, Wahrscheinlichkeit, Kosten und Aktion mit genügend Aufzeichnungen, um zu bewerten, ob der vorgeschlagene Informationsvorteil tatsächlich existiert.