基于在线学习的预测市场自适应流动性
计算机科学与博弈论
2026-05-12 v1
摘要
预测市场依赖流动性将交易转化为信息性价格，然而现有机制在事前固定了流动性。尽管交易条件本质上是非平稳的，这一限制却强制了价格响应性与最坏情况损失之间的静态权衡。我们提出了一种根本不同的方法，将流动性选择本身视为一个在线学习问题。我们的机制通过可学习的权重混合了一族成本函数市场，产生了一个单一的自适应市场，该市场保持了无套利、有界最坏情况损失、表达能力和正向上收益。我们引入了一种混合结构风险信号，这是一个量化价格影响与库存风险之间权衡的每轮目标，并证明了标准的在线学习算法相对于事后最优的流动性机制序列实现了切换遗憾保证。仿真表明，该机制能够响应订单流和库存动态，在不同机制间自适应地调整流动性。我们的结果为自适应流动性建立了一个原则性框架，将预测市场设计与在线学习联系起来。
引用
@article{arxiv.2605.09599,
title = {Adaptive Liquidity in Prediction Markets via Online Learning},
author = {Enrique Nueve and Bao Nguyen and Rafael Frongillo and Bo Waggoner},
journal= {arXiv preprint arXiv:2605.09599},
year = {2026}
}