Prakata
Saat mengembangkan @insidersdotbot, saya berdiskusi intensif dengan berbagai tim market-making frekuensi tinggi dan arbitrase. Pertanyaan utama yang kerap muncul adalah bagaimana merancang strategi arbitrase yang efektif.
Pengguna, kolega, dan mitra kami tengah menjelajahi jalur arbitrase yang kompleks dan multidimensi di @Polymarket. Jika Anda aktif di Twitter, Anda pasti sering melihat unggahan seperti, “Saya mendapat X dari prediction market menggunakan strategi arbitrase Y.”
Namun, kebanyakan artikel terlalu menyederhanakan logika arbitrase, mereduksinya menjadi “siapa pun bisa melakukannya” atau “cukup pakai Clawdbot,” tanpa memberikan penjelasan sistematis untuk membangun sistem arbitrase sendiri.
Jika Anda ingin memahami bagaimana alat arbitrase Polymarket benar-benar menghasilkan profit, saya merekomendasikan artikel dari @RohOnChain—analisis paling mendalam yang pernah saya temui.
Seperti pada artikel sebelumnya, karena teks asli berbahasa Inggris memuat bagian-bagian teknis yang sangat kompleks dan membutuhkan kajian lanjutan, saya telah merestrukturisasi dan melengkapi konten agar Anda dapat memahami seluruh poin penting tanpa harus mencari referensi tambahan.
Arbitrase di Polymarket: Bukan Sekadar Masalah Matematika
Bayangkan Anda menemukan pasar di Polymarket:
Harga YES $0,62, harga NO $0,33.
Anda berpikir: 0,62 + 0,33 = 0,95, kurang dari 1—ada peluang arbitrase! Beli YES dan NO seharga $0,95, dan apa pun hasilnya, Anda akan menerima $1,00, sehingga memperoleh $0,05.
Itu benar.
Namun, masalahnya—ketika Anda menghitung secara manual, sistem kuantitatif melakukan proses yang sepenuhnya berbeda.
Sistem tersebut secara bersamaan memindai 17.218 kondisi di seluruh 2^63 kombinasi hasil, mengidentifikasi seluruh ketidaksesuaian harga dalam milidetik. Saat Anda memasukkan pesanan, spread sudah hilang. Sistem telah menemukan inefisiensi serupa di puluhan pasar terkait, menghitung ukuran posisi optimal dengan mempertimbangkan kedalaman order book dan biaya, mengeksekusi seluruh perdagangan secara paralel, dan memindahkan modal ke peluang berikutnya [1].
Kesenjangan bukan hanya soal kecepatan, melainkan infrastruktur matematika.
Bab 1: Mengapa “Penjumlahan” Tidak Cukup—Masalah Marginal Polytope
Kekeliruan Pasar Tunggal
Pertimbangkan contoh sederhana.
Pasar A: “Apakah Trump akan menang di Pennsylvania?”
Harga YES $0,48, harga NO $0,52. Total tepat $1,00.
Terlihat sempurna—tidak ada arbitrase, bukan?
Salah.
Tambahkan satu pasar lagi, dan situasinya berubah.
Sekarang, Pasar B: “Apakah Partai Republik akan menang di Pennsylvania dengan selisih lebih dari 5 poin persentase?”
Harga YES $0,32, harga NO $0,68. Total kembali $1,00.
Masing-masing pasar tampak “normal.” Namun, ada ketergantungan logis:
Pemilu presiden AS diputuskan berdasarkan negara bagian. Setiap negara bagian adalah “medan pertempuran” terpisah, dan siapa pun yang memperoleh suara terbanyak memenangkan seluruh electoral votes (winner-takes-all). Trump adalah kandidat Partai Republik. Jadi “Republik menang Pennsylvania” dan “Trump menang Pennsylvania” adalah peristiwa yang sama. Jika Republik menang dengan selisih lebih dari 5 poin, Trump tidak hanya menang Pennsylvania, tetapi juga dengan selisih besar.
Dengan kata lain, YES di Pasar B (Republik menang telak) adalah subset dari YES di Pasar A (Trump menang)—kemenangan telak selalu berarti menang, tetapi menang belum tentu telak.
Ketergantungan logis ini menciptakan peluang arbitrase.
Ini seperti bertaruh pada “Apakah besok akan hujan?” dan “Apakah besok akan ada badai petir?” Jika ada badai petir, pasti sedang hujan (badai petir ⊆ hujan). Maka “YES Badai Petir” tidak boleh dihargai lebih tinggi dari “YES Hujan.” Jika pasar salah harga, Anda bisa membeli murah dan menjual mahal secara bersamaan untuk profit tanpa risiko. Inilah arbitrase.
Ledakan Eksponensial: Mengapa Brute-Force Search Gagal
Untuk setiap pasar dengan n kondisi, ada 2^n kombinasi harga yang mungkin.
Terdengar mudah? Pertimbangkan contoh nyata.
Pasar NCAA Tournament 2010 [2]: 63 pertandingan, masing-masing dengan hasil menang/kalah. Itu berarti 2^63 = 9.223.372.036.854.775.808 kombinasi—lebih dari 9 kuintiliun. Pasar tersebut memiliki lebih dari 5.000 order book.
Seberapa besar 2^63? Bahkan jika memeriksa 1 miliar kombinasi per detik, akan memakan waktu sekitar 292 tahun untuk menyelesaikan semuanya. Itulah sebabnya pencarian brute-force benar-benar tidak praktis.
Memeriksa setiap kombinasi satu per satu? Tidak mungkin secara komputasi.
Sekarang, lihat pemilu AS 2024. Peneliti menemukan 1.576 pasangan pasar dengan kemungkinan ketergantungan [2]. Jika setiap pasangan memiliki 10 kondisi, itu berarti 2^20 = 1.048.576 kombinasi per pasangan. Kalikan dengan 1.576 pasangan. Saat laptop Anda selesai, pemilu sudah lama berlalu.
Pemrograman Integer: Menggunakan Kendala Alih-alih Enumerasi
Sistem kuantitatif tidak menyelesaikan masalah ini dengan “enumerasi lebih cepat,” tetapi dengan tidak melakukan enumerasi sama sekali.
Mereka menggunakan integer programming [3] untuk mendeskripsikan “hasil mana yang valid.”
Contoh nyata: pasar Duke vs. Cornell—masing-masing tim memiliki 7 order book (0 hingga 6 kemenangan), total 14 kondisi, atau 2^14 = 16.384 kombinasi yang mungkin.
Namun ada kendala: kedua tim tidak bisa memenangkan lebih dari 5 pertandingan, karena mereka akan bertemu di semifinal (hanya satu yang bisa maju).
Bagaimana integer programming menyelesaikan ini? Hanya tiga kendala:
Kendala 1: Tepat satu dari 7 order book Duke yang benar (Duke hanya bisa memiliki satu jumlah kemenangan akhir).
Kendala 2: Tepat satu dari 7 order book Cornell yang benar.
Kendala 3: Duke menang 5 + Duke menang 6 + Cornell menang 5 + Cornell menang 6 ≤ 1 (keduanya tidak bisa menang sebanyak itu).
Tiga kendala linear, bukan 16.384 pemeriksaan brute-force.
Brute-Force Search vs. Integer Programming
Dengan kata lain, brute-force search seperti membaca setiap kata di kamus untuk menemukan satu. Integer programming seperti langsung membuka halaman yang tepat. Anda tidak perlu memeriksa setiap kemungkinan—cukup deskripsikan “jawaban valid” dan biarkan algoritma menemukan hasil yang salah harga.
Data Nyata: 41% Pasar Menawarkan Arbitrase
Artikel asli mencatat bahwa tim riset menganalisis data dari April 2024 hingga April 2025 [2]:
• 17.218 kondisi diperiksa
• 7.051 kondisi memiliki arbitrase pasar tunggal (41%)
• Deviasi harga median: $0,60 (seharusnya $1,00)
• 13 peluang arbitrase lintas pasar terkonfirmasi
Deviasi median $0,60 menunjukkan pasar sering menyimpang 40%. Ini bukan “hampir efisien”—ini “sangat mudah dieksploitasi.”
Bab 2: Proyeksi Bregman—Menghitung Perdagangan Arbitrase Optimal
Menemukan arbitrase adalah satu hal. Menghitung perdagangan optimal adalah hal lain.
Anda tidak bisa sekadar “rata-rata” atau “mengubah harga.” Anda harus memproyeksikan kondisi pasar ke ruang bebas arbitrase, sambil mempertahankan struktur informasi dalam harga.
Mengapa “Jarak Garis Lurus” Tidak Bekerja
Pendekatan intuitif adalah mencari “harga valid terdekat” dan memperdagangkan selisihnya.
Secara matematis, ini berarti meminimalkan jarak Euclidean: ||μ - θ||²
Namun, ini memperlakukan semua perubahan harga sebagai setara.
Perpindahan dari $0,50 ke $0,60 dan dari $0,05 ke $0,15 sama-sama perubahan $0,10—tetapi konten informasinya jauh berbeda.
Mengapa? Karena harga merepresentasikan probabilitas implisit. Perpindahan dari 50% ke 60% adalah penyesuaian moderat. Perpindahan dari 5% ke 15% adalah perubahan besar—peristiwa yang hampir mustahil menjadi “agak mungkin.”
Bayangkan menimbang diri: dari 70 kg ke 80 kg adalah “bertambah sedikit.” Namun dari 30 kg ke 40 kg (untuk orang dewasa), itu “dari hampir mati ke malnutrisi berat.” Perubahan 10 kg yang sama, tetapi makna sangat berbeda. Perubahan harga di dekat 0 atau 1 membawa lebih banyak informasi.
Bregman Divergence: “Jarak” yang Tepat
Market maker Polymarket menggunakan LMSR (Logarithmic Market Scoring Rule) [4], di mana harga merepresentasikan distribusi probabilitas.
Di sini, metrik jarak yang tepat bukan Euclidean, melainkan Bregman divergence [5].
Untuk LMSR, Bregman divergence menjadi KL divergence (Kullback-Leibler divergence) [6]—ukuran “jarak informasi” antara dua distribusi probabilitas.
Anda tidak perlu menghafal rumusnya. Cukup tahu:
KL divergence secara otomatis memberikan bobot lebih besar pada perubahan di harga ekstrem. Perpindahan dari $0,05 ke $0,15 adalah “lebih jauh” menurut KL divergence dibandingkan dari $0,50 ke $0,60. Ini sesuai intuisi—perubahan harga ekstrem berarti kejutan informasi lebih besar.
Contoh nyata: di prediction market @zachxbt, Axiom mengungguli Meteora di menit terakhir, didorong oleh pergerakan harga ekstrem.
Bregman Projection vs. Euclidean Projection
Profit Arbitrase = Jarak Proyeksi Bregman
Kesimpulan inti dari paper yang dirujuk:
Keuntungan maksimal yang dijamin dari setiap perdagangan sama dengan jarak proyeksi Bregman dari kondisi pasar ke ruang bebas arbitrase.
Secara sederhana: semakin jauh harga pasar menyimpang dari “ruang valid,” semakin besar potensi profit. Proyeksi Bregman menunjukkan:
- Apa yang harus dibeli atau dijual (arah proyeksi = arah perdagangan)
- Berapa banyak yang harus dibeli atau dijual (memperhitungkan kedalaman order book)
- Berapa yang bisa Anda dapatkan (jarak proyeksi = profit maksimal)
Arbitraseur teratas memperoleh $2.009.631,76 dalam satu tahun [2]. Strateginya hanya menyelesaikan masalah optimasi ini lebih cepat dan lebih akurat dari siapa pun.
Marginal Polytope dan Arbitrase
Bayangkan berdiri di gunung, dengan sungai (ruang bebas arbitrase) di kaki gunung. Posisi Anda (harga pasar) berada pada jarak tertentu dari sungai.
Proyeksi Bregman membantu Anda menemukan “jalur terpendek dari posisi Anda ke sungai”—bukan jarak lurus, tetapi jalur terpendek yang memperhitungkan kontur (struktur pasar). Panjang jalur ini adalah profit maksimal Anda.
Bab 3: Algoritma Frank-Wolfe—Membuat Teori Dapat Dieksekusi
Sekarang Anda tahu: untuk menghitung arbitrase optimal, Anda memerlukan Bregman projection.
Namun, masalahnya—menghitung Bregman projection secara langsung tidak memungkinkan.
Mengapa? Karena ruang bebas arbitrase (marginal polytope M) memiliki jumlah vertex eksponensial. Optimasi konveks standar memerlukan akses ke seluruh set kendala, yakni mengenumerasi setiap hasil valid. Itu mustahil dalam skala besar.
Ide Inti Frank-Wolfe
Keunggulan algoritma Frank-Wolfe [7] adalah tidak mencoba menyelesaikan semuanya sekaligus, tetapi konvergen langkah demi langkah.
Begini cara kerjanya:
Langkah 1: Mulai dengan set kecil hasil valid yang diketahui.
Langkah 2: Optimalkan pada set ini untuk menemukan solusi terbaik saat ini.
Langkah 3: Gunakan integer programming untuk menemukan hasil valid baru dan tambahkan ke set.
Langkah 4: Periksa apakah sudah cukup dekat dengan optimal. Jika belum, kembali ke Langkah 2.
Setiap iterasi hanya menambah satu vertex. Bahkan setelah 100 iterasi, Anda hanya melacak 100 vertex—bukan 2^63.
Frank-Wolfe Iteration
Bayangkan mencari jalan keluar di labirin besar.
Brute-force method adalah menelusuri setiap jalur. Frank-Wolfe method adalah memilih jalur acak, lalu di setiap persimpangan, bertanya pada “pemandu” (integer programming solver): “Dari sini, arah mana yang paling mungkin menuju keluar?” Lalu melangkah ke arah itu. Anda tidak perlu menjelajahi seluruh labirin—cukup membuat pilihan tepat di setiap titik kunci.
Integer Programming Solver: “Pemandu” di Setiap Langkah
Setiap iterasi Frank-Wolfe memerlukan penyelesaian masalah integer linear programming. Secara teori, ini NP-hard (belum ada algoritma umum yang cepat).
Namun, solver modern seperti Gurobi [8] dapat menangani masalah terstruktur dengan efisien.
Tim riset menggunakan Gurobi 5.5. Waktu penyelesaian aktual [2]:
• Iterasi awal (sedikit pertandingan selesai): kurang dari 1 detik
• Tahap tengah (30–40 pertandingan selesai): 10–30 detik
• Tahap akhir (50+ pertandingan selesai): kurang dari 5 detik
Mengapa lebih cepat di akhir? Karena semakin banyak hasil yang ditentukan, ruang solusi yang layak menyusut. Variabel lebih sedikit, kendala lebih ketat, penyelesaian lebih cepat.
Gradient Explosion dan Barrier Frank-Wolfe
Frank-Wolfe standar memiliki masalah teknis: saat harga mendekati 0, gradien LMSR cenderung menuju minus tak hingga, menyebabkan ketidakstabilan.
Solusinya adalah Barrier Frank-Wolfe: optimasi bukan pada polytope M penuh, tetapi pada versi M’ yang sedikit “menyusut.” Parameter shrinkage ε menurun secara adaptif di setiap iterasi—mulai lebih jauh dari batas (untuk stabilitas), lalu perlahan mendekati batas sebenarnya (untuk akurasi).
Riset menunjukkan bahwa dalam praktik, 50 hingga 150 iterasi cukup untuk konvergensi [2].
Kinerja Dunia Nyata
Paper mengungkap temuan kunci [2]:
Pada 16 pertandingan pertama NCAA tournament, market maker Frank-Wolfe (FWMM) dan market maker kendala linear sederhana (LCMM) tampil serupa—karena integer programming solver masih terlalu lambat.
Namun setelah 45 pertandingan, proyeksi 30 menit pertama berhasil diselesaikan.
Sejak saat itu, FWMM mengungguli LCMM dalam penetapan harga sebesar 38%.
Titik balik: ketika ruang hasil menyusut cukup sehingga integer programming dapat diselesaikan dalam trading window.
FWMM seperti siswa yang pemanasan di paruh pertama ujian, tetapi begitu “masuk zona,” mulai mendominasi. LCMM adalah siswa yang stabil namun terbatas. Perbedaan utama: FWMM memiliki “senjata” lebih kuat (Bregman projection), tetapi butuh waktu untuk “memuat” (menunggu solver).
Bab 4: Eksekusi—Mengapa Anda Masih Bisa Rugi Setelah Perhitungan
Anda telah mendeteksi arbitrase. Anda telah menggunakan Bregman projection untuk menghitung perdagangan optimal.
Kini Anda harus mengeksekusi.
Di sinilah sebagian besar strategi gagal.
Non-Atomic Execution
Polymarket menggunakan CLOB (Central Limit Order Book) [9]. Berbeda dengan decentralized exchange, perdagangan di CLOB dieksekusi secara berurutan—Anda tidak dapat menjamin semua pesanan terisi sekaligus.
Rencana arbitrase Anda:
Beli YES di $0,30. Beli NO di $0,30. Total biaya: $0,60. Apa pun hasilnya, terima $1,00. Profit: $0,40.
Kenyataan:
Kirim pesanan YES → terisi di $0,30 ✓
Pesanan Anda menggerakkan harga pasar.
Kirim pesanan NO → terisi di $0,78 ✗
Total biaya: $1,08. Pembayaran: $1,00. Hasil aktual: rugi $0,08.
Satu sisi terisi, sisi lain tidak. Anda terekspos.
Itulah mengapa paper hanya menghitung peluang dengan margin profit lebih dari $0,05 [2]. Spread yang lebih kecil terhapus oleh risiko eksekusi.
Risiko Eksekusi Non-Atomik
VWAP: Harga Eksekusi Sebenarnya
Jangan berasumsi Anda selalu bisa mengisi di harga yang dikutip. Anda harus menghitung Volume Weighted Average Price (VWAP) [10].
Metode tim riset: untuk setiap blok di chain Polygon (sekitar setiap 2 detik), menghitung VWAP untuk seluruh perdagangan YES dan NO di blok tersebut. Jika |VWAP_yes + VWAP_no - 1,0| > 0,02, itu dicatat sebagai peluang arbitrase [2].
VWAP adalah “harga rata-rata yang benar-benar Anda bayar.” Jika ingin membeli 10.000 token tetapi order book memiliki $0,30 untuk 2.000, $0,32 untuk 3.000, $0,35 untuk 5.000—VWAP Anda adalah (2000×0,30 + 3000×0,32 + 5000×0,35) / 10000 = $0,326. Itu jauh lebih tinggi dari “harga terbaik” $0,30 yang Anda lihat.
Likuiditas: Profit Bergantung pada Kedalaman Order Book
Meski harga tidak selaras, profit Anda dibatasi oleh likuiditas yang tersedia.
Contoh nyata [2]:
Pasar menunjukkan arbitrase: harga YES total $0,85. Potensi profit: $0,15 per dolar. Namun kedalaman order book di harga tersebut hanya $234. Profit maksimal yang bisa diekstrak: $234 × 0,15 = $35,10.
Untuk arbitrase lintas pasar, Anda memerlukan likuiditas di seluruh posisi secara bersamaan. Likuiditas terkecil menentukan batas atas.
Inilah mengapa, pada platform kuantitatif saat ini, dampak harga order terhadap harga eksekusi sangat krusial.
insiders.bot
Inilah solusi selama periode Beta publik.
Bab 5: Sistem Lengkap—Apa yang Benar-benar Diimplementasikan
Teori itu bersih. Produksi itu penuh tantangan.
Inilah gambaran sistem arbitrase yang benar-benar beroperasi [2].
Data Pipeline
Data real-time: Koneksi WebSocket ke API Polymarket [9], menerima pembaruan order book (perubahan harga/kuantitas), notifikasi perdagangan, dan event pembuatan/penyelesaian pasar.
Data historis: Query event kontrak melalui API node Alchemy Polygon—OrderFilled (trade executed), PositionSplit (token baru dicetak), PositionsMerge (token dibakar).
Tim riset menganalisis 86 juta trade [2]. Skala ini membutuhkan infrastruktur, bukan sekadar skrip.
P.S. Saat ini, kami
insiders.bot
berencana membuka API trading berkecepatan tinggi secara open source. Jika Anda berencana menggunakan model trading serupa dan ingin akses awal, silakan DM saya.
Lapisan Deteksi Ketergantungan
Untuk 305 pasar pemilu AS, ada 46.360 pasangan yang harus diperiksa. Analisis manual tidak mungkin.
Tim riset menggunakan pendekatan cerdas: memanfaatkan model bahasa besar DeepSeek-R1-Distill-Qwen-32B untuk screening awal [2].
Input: deskripsi kondisi dua pasar. Output: JSON kombinasi hasil valid.
Kemudian, tiga lapis validasi: apakah setiap pasar memiliki tepat satu kondisi benar? Apakah jumlah kombinasi valid kurang dari n × m (menandakan dependency)? Apakah subset dependen memenuhi kondisi arbitrase?
Hasil: 40.057 pasangan independen (tidak ada arbitrase) → 1.576 pasangan dependen (potensi arbitrase) → 374 pasangan memenuhi kriteria ketat → 13 pasangan terkonfirmasi dapat dieksploitasi oleh manusia [2].
Akurasi LLM pada pasar multi-kondisi kompleks adalah 81,45%. Cukup untuk screening awal, tetapi verifikasi manual tetap diperlukan sebelum eksekusi.
Mesin Optimasi Tiga Lapis
Lapisan 1: Kendala linear sederhana (LCMM). Pemeriksaan cepat untuk aturan dasar—“jumlah probabilitas sama dengan 1,” “jika A mengimplikasikan B, maka P(A) tidak boleh lebih besar dari P(B).” Selesai dalam milidetik, mengeliminasi error harga yang jelas.
Lapisan 2: Proyeksi integer programming (Frank-Wolfe + Gurobi). Inilah inti utama. Parameter: Alpha = 0,9 (mengekstrak minimal 90% arbitrase yang tersedia), ε awal = 0,1 (penyusutan 10%), threshold konvergensi = 1e-6, time limit = 30 menit. Iterasi tipikal: 50–150. Waktu penyelesaian per iterasi: 1–30 detik [2].
Lapisan 3: Validasi eksekusi. Sebelum submit order, simulasi fill pada order book saat ini. Pemeriksaan: apakah likuiditas cukup? Berapa slippage yang diharapkan? Berapa profit yang dijamin setelah slippage? Apakah profit melebihi threshold minimum ($0,05)? Hanya jika semua kriteria terpenuhi, eksekusi dilakukan.
Manajemen Posisi: Formula Kelly yang Dimodifikasi
Formula Kelly standar [11] menentukan fraksi modal yang dialokasikan untuk trade. Untuk arbitrase, Anda harus menyesuaikan risiko eksekusi:
f = (b×p - q) / b × √p
Di mana b adalah persentase profit arbitrase, p adalah probabilitas eksekusi penuh (diestimasi dari kedalaman order book), dan q = 1 - p.
Batas: 50% dari kedalaman order book. Di atas ini, order Anda secara signifikan menggerakkan pasar.
Hasil Akhir
Dari April 2024 hingga April 2025, total profit yang diekstrak [2]:
Arbitrase satu kondisi: Beli kedua sisi rendah $5.899.287 + jual kedua sisi tinggi $4.682.075 = $10.581.362
Rebalancing pasar: Beli semua YES rendah $11.092.286 + jual semua YES tinggi $612.189 + beli semua NO $17.307.114 = $29.011.589
Arbitrase gabungan lintas pasar: $95.634
Total: $39.688.585
10 arbitraseur teratas mengambil $8.127.849 (20,5% dari total). Arbitraseur teratas: $2.009.632 dari 4.049 trade, rata-rata $496 per trade [2].
Bukan lotre. Bukan keberuntungan. Ini adalah eksekusi sistematis yang sangat presisi secara matematis.
Realitas Akhir
Saat trader membaca “10 Tips Prediction Market,” apa yang dilakukan sistem kuantitatif?
Mereka menggunakan integer programming untuk mendeteksi dependency di antara 17.218 kondisi. Mereka menggunakan Bregman projection untuk menghitung trade arbitrase optimal. Mereka menjalankan Frank-Wolfe algorithm untuk menangani gradient explosion. Mereka menggunakan VWAP untuk memperkirakan slippage dan mengeksekusi order secara paralel. Mereka secara sistematis mengekstrak $40 juta profit terjamin.
Perbedaannya bukan keberuntungan. Ini adalah infrastruktur matematika.
Paper-nya publik [1]. Algoritmanya diketahui. Profit-nya nyata.
Pertanyaan sebenarnya: Bisakah Anda membangun sistem ini sebelum $40 juta berikutnya diekstrak?
Quick Reference
• Marginal Polytope → Kumpulan seluruh harga valid. Harga harus berada dalam wilayah ini agar bebas arbitrase.
• Integer Programming → Mendeskripsikan hasil valid dengan kendala linear, menghindari brute-force enumeration. Mengkompres 2^63 pemeriksaan menjadi beberapa kendala [3].
• Bregman Divergence / KL Divergence → Mengukur “jarak” antara dua distribusi probabilitas, lebih tepat daripada Euclidean distance untuk skenario harga/probabilitas. Memberikan bobot lebih tinggi pada perubahan di ekstrem [5][6].
• LMSR (Logarithmic Market Scoring Rule) → Mekanisme penetapan harga yang digunakan market maker Polymarket; harga merepresentasikan probabilitas implisit [4].
• Frank-Wolfe Algorithm → Algoritma optimasi iteratif yang menambah satu vertex baru per iterasi, menghindari brute-force enumeration hasil valid yang eksponensial [7].
• Gurobi → Solver integer programming terkemuka industri, “pemandu” untuk setiap iterasi Frank-Wolfe [8].
• CLOB (Central Limit Order Book) → Mekanisme trading Polymarket; order dieksekusi berurutan, tidak atomik [9].
• VWAP (Volume Weighted Average Price) → Harga rata-rata yang benar-benar Anda bayar, memperhitungkan kedalaman order book. Lebih realistis daripada “best quote” [10].
• Kelly Formula → Menentukan fraksi modal yang dialokasikan untuk trade, menyeimbangkan return dan risiko [11].
• Non-Atomic Execution → Masalah di mana beberapa order tidak dijamin terisi bersamaan. Satu sisi terisi, sisi lain tidak—risiko eksposur.
• DeepSeek → Model bahasa besar yang digunakan untuk screening dependency pasar, akurasi 81,45%.
Referensi
[1] Post asli: https://x.com/RohOnChain/status/2017314080395296995
[2] Makalah riset “Unravelling the Probabilistic Forest: Arbitrage in Prediction Markets”: https://arxiv.org/abs/2508.03474
[3] Fondasi teoretis “Arbitrage-Free Combinatorial Market Making via Integer Programming”: https://arxiv.org/abs/1606.02825
[4] Penjelasan LMSR: https://www.cultivatelabs.com/crowdsourced-forecasting-guide/how-does-logarithmic-market-scoring-rule-lmsr-work
[5] Pengantar Bregman Divergences: https://mark.reid.name/blog/meet-the-bregman-divergences.html
[6] KL Divergence - Wikipedia: https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence
[7] Frank-Wolfe Algorithm - Wikipedia: https://en.wikipedia.org/wiki/Frank%E2%80%93Wolfe_algorithm
[8] Gurobi Optimizer: https://www.gurobi.com/
[9] Dokumentasi API Polymarket CLOB: https://docs.polymarket.com/
[10] Penjelasan VWAP - Investopedia: https://www.investopedia.com/terms/v/vwap.asp
[11] Kelly Formula - Investopedia: https://www.investopedia.com/articles/trading/04/091504.asp
[12] Artikel Decrypt “The $40 Million Free Money Glitch”: https://decrypt.co/339958/40-million-free-money-glitch-crypto-prediction-markets
Disclaimer
- Artikel ini direproduksi dari [mrryanchi], dengan hak cipta milik penulis asli [@RohOnChain]. Jika Anda keberatan dengan reproduksi ini, silakan hubungi tim Gate Learn, dan kami akan menanganinya sesuai prosedur yang berlaku.
- Disclaimer: Pandangan dan opini yang diungkapkan dalam artikel ini sepenuhnya merupakan milik penulis dan tidak merupakan saran investasi apa pun.
- Versi bahasa lain dari artikel ini diterjemahkan oleh tim Gate Learn. Tanpa penyebutan eksplisit mengenai Gate, reproduksi, distribusi, atau plagiasi artikel terjemahan dilarang.
