Si alguna vez has navegado por Polymarket o Kalshi preguntándote si la llamada “sabiduría de las masas” es realmente sabiduría o simplemente ruido organizado, no eres el único. Un nuevo estudio, “How Wise is the Crowd? Bias and Edge in Prediction Markets”, analiza en profundidad la microestructura de los mercados de predicción modernos para responder a una pregunta práctica: ¿quién está ganando dinero realmente y quién simplemente está pagando por el privilegio de hacer ruido?
Mediante el desarrollo de una infraestructura de datos de alta frecuencia capaz de recopilar flujos de órdenes tick a tick, historiales de billeteras blockchain y comentarios publicados en distintas plataformas, los autores descubren ineficiencias estructurales que la mayoría de los participantes pasan por alto.
La conclusión es clara: la eficiencia de mercado en los mercados de predicción Web3 no ha desaparecido, pero se esconde detrás de mecanismos mucho más complejos de lo que parece a simple vista.
En primer lugar, el estudio cuestiona uno de los conceptos clásicos de las finanzas conductuales: el denominado sesgo favorito-longshot (Favorite-Longshot Bias). Tradicionalmente se ha asumido que las apuestas con pocas probabilidades de éxito suelen estar sobrevaloradas mientras que las opciones favoritas suelen estar infravaloradas.
Sin embargo, cuando los investigadores aplicaron modelos estadísticos avanzados controlando factores como el momento del ciclo de vida del contrato y las condiciones de liquidez, ese patrón prácticamente desapareció en muchos mercados.
Por ejemplo, en los llamados “Mention Markets” —mercados que apuestan sobre si una determinada persona dirá algo concreto en televisión o en una entrevista— lo que inicialmente parecía ser un sesgo favorito-longshot resultó ser otra cosa muy distinta: un persistente “Yes Bias” o sesgo alcista hacia la respuesta afirmativa.
Los participantes tienden a pagar demasiado por el resultado “Sí”, impulsados por convicciones narrativas, sesgos ideológicos y episodios de volatilidad emocional a medida que se acerca la resolución del evento.
Desde el punto de vista operativo esto tiene implicaciones importantes. Si un trader adopta posiciones contrarias a la euforia compradora de última hora en contratos poco líquidos, no está luchando contra la multitud; en realidad está capturando una prima de optimismo generada por esa misma multitud.
El segundo hallazgo destruye otro mito muy extendido: la supuesta superioridad de las grandes ballenas.
En los mercados financieros tradicionales suele asumirse que los grandes participantes son también los más sofisticados. Sin embargo, este estudio muestra exactamente lo contrario.
Reconstruyendo en tiempo real las posiciones y resultados de cada billetera, los investigadores descubrieron que las whales, es decir, los participantes con más capital, pierden sistemáticamente valor esperado frente a traders pequeños que ejecutan órdenes de menor tamaño.
Las ballenas no parecen operar mejor; simplemente operan más grande.
Los resultados sugieren que muchos de estos grandes participantes actúan movidos por convicciones ideológicas o preferencias narrativas, pagando sistemáticamente precios excesivos por determinadas historias o acontecimientos.
Mientras tanto, los operadores más pequeños aprovechan esas ineficiencias mediante una mejor ejecución y una mayor flexibilidad operativa.
El estudio también analiza la relación entre la actividad comunicativa y la rentabilidad. Para ello utiliza modelos de procesamiento de lenguaje natural capaces de medir el grado de participación y visibilidad de cada usuario.
Los resultados son contundentes: no existe ninguna correlación estadísticamente significativa entre la intensidad de las opiniones expresadas y la capacidad real para generar beneficios.
En otras palabras, las voces más visibles y ruidosas de Polymarket o Kalshi no son necesariamente las más inteligentes ni las más rentables.
Los participantes más vocales generan ruido, no alfa.
Para traders e investigadores, la principal conclusión práctica es que los precios de los mercados de predicción contienen información útil, pero también están contaminados por sesgos temporales, problemas de liquidez y convicciones ideológicas de algunos participantes.
Por ello, quienes sean capaces de filtrar estos elementos y ajustar sus modelos para tenerlos en cuenta podrían obtener una ventaja significativa.
En definitiva, el estudio concluye que la multitud sigue siendo inteligente en ciertos contextos, pero no de forma perfecta. La verdadera ventaja no consiste en seguir a la multitud ni en oponerse sistemáticamente a ella, sino en comprender cuándo y por qué se equivoca.
- Autores: Avaneesh Deleep, John Lee, Jenny Bai, Dhruv Suresh y Harsh Dhawan.
- Título: How Wise is the Crowd? Bias and Edge in Prediction Markets.
- Enlace: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6322678
Resumen:
Los mercados de predicción se utilizan cada vez más como oráculos de probabilidad en tiempo real, pero sus señales predictivas siguen estando contaminadas por ineficiencias estructurales. Aunque la literatura previa documenta anomalías como el sesgo favorito-longshot a nivel agregado, los orígenes microestructurales de estas distorsiones —en concreto, quién las genera y quién las explota— siguen sin estudiarse en los ecosistemas modernos.
Para investigarlo, diseñamos una arquitectura de datos escalable y multihilo, capaz de ingerir y almacenar de forma sincronizada flujo de órdenes tick a tick, historiales de billeteras descentralizadas y comentarios de usuarios en Polymarket y Kalshi.
Como siempre, presentamos varias figuras y tablas interesantes:
Citas destacadas del artículo académico:
“Los mercados de predicción se utilizan cada vez más como oráculos de probabilidad en tiempo real, pero sus señales predictivas siguen estando contaminadas por ineficiencias estructurales. Aunque la literatura previa documenta anomalías como el sesgo favorito-longshot a nivel agregado, los orígenes microestructurales de estas distorsiones —específicamente, quién las genera y quién las explota— siguen sin estudiarse en los ecosistemas modernos.
La aparente ilusión del sesgo favorito-longshot: nuestro análisis univariante preliminar sugería la presencia de un sesgo favorito-longshot clásico en los mercados de menciones. Sin embargo, al utilizar splines penalizados multivariantes para controlar los efectos de confusión derivados del momento del ciclo de vida del contrato, revelamos que esto era un artefacto estadístico.
En su lugar, estos mercados muestran un “sesgo del Sí” generalizado, por el cual los participantes pagan de forma consistente demasiado por el resultado “Sí” —es decir, el contrato que paga si el evento de referencia ocurre— en relación con el resultado “No” correspondiente.
Además, encontramos que las “whales”, o los jugadores con mayor capitalización, no son los más sofisticados. Al reconstruir dinámicamente las posiciones de los participantes, demostramos que las whales, de media, ceden sistemáticamente valor esperado a los traders de órdenes pequeñas.
En lugar de actuar como participantes informados y precisos, estos grandes actores probablemente operan basándose en convicciones ideológicas, pagando estructuralmente de más por narrativas específicas y sufriendo selección adversa frente a participantes más pequeños.
Encontramos que no existe una correlación estadísticamente significativa entre la intensidad del sentimiento y la ventaja informativa, lo que indica que las voces más prominentes en estos ecosistemas funcionan principalmente como fuentes de ruido comunicativo.
En última instancia, esta investigación proporciona una metodología reproducible para limpiar activamente las probabilidades de los mercados de predicción, ajustándolas por ciclos temporales, entornos de liquidez y sesgos ideológicos mantenidos por traders muy capitalizados, pero poco sofisticados.”