Voor Kalshi werkte ik bij een bekend mainstream nieuwsbedrijf. Mijn rol was gericht op datagestuurde storytelling (het vertalen van data van bron naar scherm). Ik voel me gekwalificeerd om mijn mening te geven over hoe voorspellingsmarkten de dataverzameling democratiseren door het probleem van datavertraging op te lossen. Inleiding In mijn laatste rol realiseerde ik me hoe traditionele dataverzameling een fatale fout heeft: vertraging. Datasets reageren traag op snelle veranderingen. Data wordt verzameld in willekeurig lange periodes van weken en jaren. 1. Het duurt een maand voordat een banen- of inflatierapport tot een cijfer is opgelost. 2. Het duurt een seizoen of een jaar om cumulatieve weerspatronen te meten. 3. Het duurt een dag om te beoordelen hoe de markt een nieuwsbericht verwerkt. Voorbeelden van vertraging creëren zakken van inefficiëntie, wat uiteindelijk leidt tot verlies voor downstream-actoren: 1. Een schokkend inflatierapport vernietigt je 401K. 2. Een boekhouder in een Midwest-staat verhoogt je woonverzekeringspremies omdat je nu in een overstromingsgebied zit. 3. Asymmetrische informatie over een medicijnproef laat een aandeel kelderen. (Ik kan er nog 50 meer opsommen, maar je snapt het idee) Hoe Voorspellingsmarkten Vertraging Aanpakken Voorspellingsmarkten transformeren schokkerige, langzaam binnenkomende datasets in een levende waarschijnlijkheidsstroom. In plaats van te wachten op de volgende stap op een hobbelige trap, krijg je een vloeiende curve die in real-time wordt bijgewerkt. Zo'n bron van waarheid maakt actuarieel, financieel en sociaal modellen beter door de verliesfunctie van een gefragmenteerd datamedium dat een willekeurige tijd nodig heeft om uit te komen, te comprimeren. Maar, Heb Je Niet Data Nodig Voor PM's Om Efficiënt Te Werken? Ja! Natuurlijk. Zonder ondersteunende data zijn voorspellingsmarkten gewoon Magic Eight Balls. Dataverzameling zal altijd bestaan – maar voorspellingsmarkten absorberen die data impliciet op een dollar-ondersteunde manier. 1. Voorspellingsmarkten zijn data-aggregators en zullen de standpunten van nauwkeurige, onbevooroordeelde en actuele bronnen bevorderen. 2. Ze houden rekening met harde data en zachte signalen in real-time. 3. De efficiënte markt beloont deelnemers voor het corrigeren van onjuiste kansen. Creëert het deelnemersprofiel vooringenomenheid? Enigszins, maar niet volledig. Het profiel van wie deelneemt doet er toe, maar het ontwerp van voorspellingsmarkten heeft de neiging om vooringenomenheid zelf te corrigeren op manieren die ze ongewoon robuust maken in vergelijking met de meeste dataverzamelingssystemen. 1. Uitkomstverbinding vermindert drift. Alle markten lossen uiteindelijk op, en deelnemers worden beloond voor het opgeven van vooringenomenheden. In de loop van de tijd proberen deelnemers hun vooringenomenheid te normaliseren om hun persoonlijke uitkomst te maximaliseren. 2. Vooringenomenheid wordt gearbied. Als een bevooroordeeld cohort van deelnemers ervoor zorgt dat geprijsde kansen afdrijven, zal een ander cohort worden gestimuleerd om de markt gedwongen opnieuw te prijzen. 3. Een efficiënte markt bestaat uit veel transacties van heterogene deelnemers. Zoals een aandelenmarkt, bieden detailhandel, experts, hedgefondsen, enz. allemaal hun eigen voordeel dat wordt samengevoegd in de juiste prijsstelling van een markt. Netto-effect: Vooringenomenheid bestaat op individueel niveau, maar wordt voortdurend op systeemniveau geprijsd. Voorspellingsmarkten transformeren het lawaai van individuele overtuiging in een soepelere, nauwkeurigere waarschijnlijkheidscurve die beter presteert dan achterblijvende, eendimensionale datasets. Wie geeft erom? Er is een huwelijk tussen data en voorspellingsmarkten. De een kan niet bestaan zonder de ander. Via verschillende mechanismen voor juiste prijsstelling, stellen voorspellingsmarkten een continue curve van waarschijnlijkheden vast die ruis vermindert, verlies van trage data comprimeert en een beter "eindcijfer" oplevert voor modellering. Uitkomsten in de continue echte wereld kunnen nu worden geworteld in effectievere metrics. In een scenario uit de echte wereld betekent dit dat je voorspellingsmarktuitslagen rechtstreeks in modellen, nieuwsartikelen, analyses en meer kunt verwijzen. En dit begint pas met adoptie van marktmakers, nieuwsbedrijven en dataplatforms. TLDR Data komt meestal in willekeurige intervallen. Voorspellingsmarkten hebben verschillende manieren om verlies tussen deze intervallen te comprimeren. Je kunt dit prijsmechanisme gebruiken voor nuttige toepassingen in de echte wereld. Je bent nog steeds vroeg.