폴리마켓을 넘어: 예측 시장 디자인에서의 기회 탐색
예측 시장 이해하기
예측 시장은 본질적으로 개방된 시장으로, 참가자들이 특정 사건의 결과를 예측하기 위해 거래를 합니다. 이러한 시장의 운영은 자유 시장 경제와 유사하며, 시장 가격은 참가자들의 집단 지혜에 따라 조정됩니다. 예측 시장은 사용자들이 특정 사건이 발생할 확률을 거래할 수 있게 하며, 최종 시장 가격은 이러한 사건의 예상 가능성을 반영합니다.
정의에 따르면, 예측 시장은 "사건 결과를 거래하기 위해 만들어진 거래 시장입니다. 시장 가격은 사건 발생 확률에 대한 대중의 견해를 반영할 수 있습니다." 이 정의는 기본 개념을 요약하지만, 예측 시장의 깊이와 복잡성은 이보다 훨씬 더 크며, 추가적인 탐구가 필요합니다.
개방성의 핵심 역할
예측 시장의 개방성은 가장 중요한 특징 중 하나입니다. 전통적인 도박과는 달리, 전통적인 도박에서의 배당률은 특정 공식에 따라 북메이커가 설정하지만, 예측 시장은 동일한 배당률로 시작합니다. 참가자들이 자신의 지식과 통찰에 기반하여 거래를 진행함에 따라, 시장은 자연스럽게 가격을 조정하여 가장 가능성이 높은 결과를 반영합니다.
예측 시장의 작동 방식을 설명하기 위해, 2022년 12월 FIFA 월드컵 결승전에서 아르헨티나와 잉글랜드가 맞붙는 가상의 예를 고려해 볼 수 있습니다. 기존 데이터를 바탕으로 중앙화된 북메이커는 아르헨티나의 승리 확률을 67%, 잉글랜드를 33%로 설정할 수 있습니다.
반면, 예측 시장은 중앙화된 북메이커가 필요 없습니다. 참가자들은 "누가 FIFA 월드컵 결승에서 이길 것인가?"라는 질문을 제기하여 시장을 만들고, "아르헨티나" 또는 "잉글랜드"와 같은 가능한 결과를 나열할 수 있습니다. 이러한 설정은 이항 예측 시장이라고 불립니다.
우리의 예에서 거래 가능한 두 가지 결과 토큰이 있습니다:
ARGWIN (아르헨티나 승리)
ENGWIN (잉글랜드 승리)
이 토큰은 동일한 가격으로 거래를 시작하며, 예를 들어 50/50입니다. 참가자들이 예상에 따라 토큰을 구매함에 따라 가격은 수요와 공급에 따라 변동합니다. 더 많은 사람들이 "ARGWIN"을 구매하면 그 가격은 상승하고, "ENGWIN"은 하락합니다. 시간이 지남에 따라 시장은 스스로 조정되며, 토큰 가격은 가장 가능성이 높은 결과를 반영하게 되며, 이는 북메이커가 설정한 67/33 배당률과 일치할 수 있습니다.
따라서 예측 시장은 전문 예측자나 데이터 분석가 없이도 정확한 예측을 가능하게 합니다. 대부분의 참가자는 가능한 결과에 대한 일정한 통찰이나 정보가 있을 때만 예측에 참여합니다.
예측 시장을 파생 시장으로 보기
예측 시장은 또한 파생 시장으로 볼 수 있습니다. 시장이 본질적으로 정보 처리기이기 때문에, 정보 이론 프레임워크 내에서 설계될 수 있으며, 이는 예측 시장이 이러한 모델에 특히 적합하게 만듭니다.
예측 시장은 도박 시장, 정보 시장, 의사 결정 시장, 창의적 선물 또는 사건 파생 상품이라고도 하며, 참가자들이 미래의 미지의 사건 결과에 따라 계약을 거래할 수 있도록 합니다. 이러한 계약으로 형성된 시장 가격은 시장 참가자들의 집단 예측으로 볼 수 있습니다. 만약 이러한 계약이 특정 자산의 가격에 연동된다면, 예측 시장은 실제로 파생 시장이 됩니다.
예측 시장을 파생 시장으로서의 장점:
기초 자산 불필요: 이러한 시장은 기초 자산 없이 운영될 수 있습니다. 기초 자산 정보를 도입하는 오라클과 담보로 사용할 통화만 있으면 이러한 시장을 구축할 수 있습니다.
자동 시장 조성자(AMM): 예측 시장에서 자동 시장 조성자를 구현하는 것은 상대적으로 간단합니다. 예측 시장에 대한 연구는 AMM 알고리즘 개발에 중요한 역할을 했습니다.
다기능성: 적절한 예측 사건을 설계함으로써, 예측 시장은 범용 제품을 제공할 수 있습니다.
유럽식 옵션과의 동형성: 예측 시장은 유럽식 옵션과 동형 관계를 가지므로, 옵션 가격 모델을 예측 시장에 이식할 수 있습니다.
자본 효율성: 예측 시장의 자본 효율성은 매우 높으며, 전통적인 도박 시장보다 더 효율적입니다.
공매도 위험 없음: 예측 시장에서 참가자의 책임은 그들의 담보 자산에 의해 제한되므로, 공매도 위험이 제거됩니다.
예측 시장을 파생 시장으로서의 단점:
유동성 제공자의 위험: 유동성 제공자는 포지션을 보유하고 있으며, 특히 블랙 스완 사건 동안 높은 위험에 직면합니다. 그러나 위험 중립 투자자에게는 이는 수용 가능할 수 있습니다.
신규성 및 학습 곡선: 예측 시장은 상대적으로 새로운 개념으로, 참가자들은 그 메커니즘을 완전히 이해하는 데 시간이 필요할 수 있습니다. 그러나 신규성은 블록체인 분야에서 흔히 볼 수 있는 특징입니다.
알려지지 않은 위험: 모든 새로운 설계와 마찬가지로, 아직 발견되지 않은 단점이 존재할 수 있습니다.
메커니즘: CDA와 LMSR
예측 시장은 참가자들이 미래 사건의 결과(예: 정치 선거, 스포츠 경기 결과 또는 경제 지표)에 따라 계약을 거래하는 전문 금융 시장입니다. 이러한 계약의 가격은 시장 참가자들이 이러한 사건 발생 가능성에 대해 집단적으로 믿는 바를 반영합니다. 예측 시장 운영을 뒷받침하는 두 가지 주요 메커니즘은 연속 양방향 경매(CDA)와 로그 시장 점수 규칙(LMSR)입니다. 각 메커니즘은 고유한 장점을 가지고 있으며, 유동성과 가격 정확성 측면에서 특정 도전에 직면해 있습니다. 본문에서는 이러한 메커니즘의 복잡성, 예측 시장에서의 적용 및 자동 시장 조성자(AMM)와의 관계를 탐구합니다.
연속 양방향 경매(CDA)
연속 양방향 경매(CDA)는 금융 시장에서 가장 일반적으로 사용되는 메커니즘 중 하나로, 예측 시장을 포함합니다. CDA에서 거래자는 주문서에 직접 매수(입찰) 및 매도(호가) 주문을 내려 상호작용합니다. 주문서는 CDA 메커니즘의 핵심 부분으로, 모든 미체결 주문을 나열하며, 입찰은 한쪽에, 호가는 다른 쪽에 위치합니다. 입찰과 호가가 일치할 때 거래가 발생하며, 일치하는 가격으로 거래가 실행됩니다. CDA 메커니즘의 동적은 S자형 함수를 사용하여 입찰과 호가를 설명할 수 있습니다. S자형 함수의 정의는 다음과 같습니다:
여기서 PPP는 가격 수준을 나타냅니다. 입찰 함수는 가격이 상승함에 따라 점진적으로 하락하고, 호가 함수는 상승하여 두 곡선이 교차하는 자연 균형점을 형성합니다. 이 교차점은 거래가 발생하는 가격을 나타냅니다. S자형 함수는 가격이 중심값에서 벗어날 때 주문 수량의 점진적인 변화를 시뮬레이션하는 데 사용됩니다.
CDA(연속 양방향 경매)의 주요 특징 중 하나는 가격 발견을 촉진하기 위해 거래자 간의 직접 상호작용에 의존한다는 점입니다. 거래자는 언제든지 주문을 할 수 있으며, 이러한 주문은 반대 방향의 주문과 일치할 때까지 주문서에 보관됩니다. CDA의 유연성은 거래자가 그들이 원하는 가격을 설정할 수 있게 하며, 이는 높은 유동성 시장에서 효과적인 가격 발견을 가능하게 합니다. 그러나 참가자가 적은 시장에서는 이러한 직접 상호작용에 대한 의존이 제한 요소가 될 수 있습니다. 유동성이 부족한 시장에서는 충분한 거래자가 없어 주문을 신속하게 일치시키지 못해 CDA가 유동성 저하 문제에 직면할 수 있으며, 이는 매도와 매수 가격 차이를 확대시킵니다. 이는 시장 효율성을 저하시킬 수 있으며, 정확한 가격 예측을 더욱 어렵게 만듭니다.
예측 시장의 맥락에서, 그 단순성과 직접 거래를 촉진하는 능력 덕분에 CDA 메커니즘은 널리 사용되고 있습니다. 그러나 참가자 수가 제한되어 발생하는 유동성 문제는 LMSR과 같은 대체 메커니즘을 탐색하게 만들었습니다.
로그 시장 점수 규칙(LMSR)
로그 시장 점수 규칙(LMSR)은 예측 시장에서 일반적으로 발생하는 유동성 문제를 해결하기 위해 특별히 설계된 자동 시장 조성자(AMM) 메커니즘입니다. CDA(연속 양방향 경매)와 달리, CDA에서 거래는 참가자 간의 직접적인 상호작용에 의해 이루어지지만, LMSR은 모든 거래의 상대방으로서 중앙 자동 시장 조성자를 포함합니다. 이 시장 조성자는 지속적으로 매수 및 매도 호가를 제공하며, 로그 점수 규칙을 사용하여 이러한 호가를 계산하고, 미체결 계약의 총량에 따라 가격을 조정합니다.
LMSR 메커니즘은 가격 조정을 로그 함수로 모델링하고, 유동성을 로지스틱 함수로 모델링할 수 있습니다. 가격 조정의 로그 함수는 다음과 같이 표현됩니다:
여기서 TTT는 거래 횟수를 나타냅니다. 이 함수는 거래 횟수가 증가함에 따라 가격이 점진적으로 상승하여 가격이 지나치게 극단적으로 변하지 않도록 방지합니다. 유동성은 로지스틱 함수를 통해 모델링할 수 있습니다:
이 함수는 유동성이 거래 횟수의 변화에 따라 어떻게 변하는지를 보여주며, 유동성은 특정 거래량에서 정점에 도달한 후 점차 감소합니다.
LMSR의 한 가지 두드러진 장점은 지속적인 유동성을 제공할 수 있다는 점으로, 거래자가 언제든지 거래를 실행할 수 있도록 보장합니다. LMSR은 더 많은 계약이 매수되거나 매도됨에 따라 자동으로 가격을 조정하여 이를 실현합니다. 가격 조정은 로그형으로, 특정 결과에 대한 계약 수가 증가함에 따라 해당 결과의 가격 상승 속도가 점차 둔화됩니다. 이 메커니즘은 가격이 지나치게 극단적으로 변하는 것을 방지하며, 대량의 단일 방향 거래가 발생하더라도 시장을 안정적으로 유지합니다.
LMSR은 예측 시장에 특히 적합한데, 이는 낮은 유동성으로 인한 위험을 완화하기 때문입니다. 참가자 수가 적은 시장에서 LMSR은 거래가 원활하게 이루어지도록 보장하며, 가격은 시장의 집단 감정을 반영합니다. 활발한 거래자가 적더라도 말입니다. 그러나 이는 시장 조성자가 잠재적 손실에 직면할 수 있음을 의미하며, 유동성을 유지하기 위해 거래를 보조해야 할 수도 있습니다. 그럼에도 불구하고, LMSR의 설계는 이러한 손실이 한정적임을 보장하여 시장 소유자에게 지속 가능한 메커니즘이 됩니다.
Consensus Point의 최고 기술 책임자 Ken Kittlitz는 예측 시장에서 LMSR을 사용할 때의 실제 이점을 강조했습니다. 그는 자동 시장 조성자의 존재가 "시장 성공에 큰 영향을 미친다"고 언급하며, 이는 안정적인 유동성을 제공하고 참가자의 거래 과정을 단순화하기 때문입니다. 다양한 가격 범위에서 항상 매수 및 매도 주문이 존재하도록 보장함으로써, LMSR은 시장을 보다 접근 가능하고 직관적으로 만들어 더 높은 참여도를 유도하고, 따라서 더 정확한 예측을 제공할 수 있습니다. CDA와 LMSR의 예측 시장에서의 적용 비교
CDA(연속 양방향 경매)와 LMSR(로그 시장 점수 규칙) 메커니즘은 모두 예측 시장에서 사용되지만, 서로 다른 목적을 가지고 있으며, 서로 다른 시장 조건에 가장 적합합니다. CDA는 높은 유동성 시장에서 뛰어난 성능을 발휘하며, 이 시장에서는 참가자가 충분하여 매수 및 매도 주문이 정기적으로 일치합니다. 이러한 환경에서 CDA는 효과적인 가격 발견을 촉진하여 시장이 참가자들의 진정한 집단 신념을 반영할 수 있게 합니다. 그러나 유동성이 낮은 시장에서는 CDA가 직접 거래자 간의 상호작용에 의존함으로써 비효율성을 초래할 수 있으며, 예를 들어 매도와 매수 가격 차이가 확대되고 가격 예측이 부정확해질 수 있습니다.
반면, LMSR은 유동성이 문제가 되는 환경에서 뛰어난 성능을 발휘합니다. 그 자동 시장 조성 기능은 참가자 수에 관계없이 거래가 언제든지 이루어질 수 있도록 보장합니다. 이러한 지속적인 유동성 제공은 LMSR이 예측 시장에서 특히 가치 있는 이유이며, 특히 참가자가 간헐적이거나 제한적일 경우 더욱 그렇습니다. LMSR은 거래량에 따라 동적으로 가격을 조정하는 능력 또한 시장을 안정시키고 극단적인 가격 변동을 방지하는 데 기여하며, 이는 시장 예측의 신뢰성을 보장하는 데 필수적입니다.
자동 시장 조성자(AMM)
자동 시장 조성자(AMM), 예를 들어 LMSR은 유동성을 유지하는 데 중요한 역할을 하며, 특히 거래량이 낮아 유동성 문제에 직면할 수 있는 시장에서 그렇습니다. 예측 시장에서 참가자 수는 상당한 변동을 보일 수 있으며, AMM의 존재는 시장이 정상적으로 기능하도록 보장하고, 가격이 지속적으로 거래자의 집단 감정을 반영하도록 합니다.
AMM은 알고리즘을 사용하여 가격을 설정하고 자동으로 거래를 제공합니다. LMSR의 경우, 이 알고리즘은 로그 함수에 기반하여 거래량의 변화에 따라 가격을 조정합니다. 이러한 지속적인 조정은 시장이 특정 결과에 지나치게 편향되지 않도록 도와주며, 가격이 합리적인 범위 내에서 유지되도록 합니다. 이러한 안정적인 역할을 제공함으로써, LMSR과 같은 AMM은 참가자 수가 적은 경우에도 예측 시장이 효과적으로 운영될 수 있도록 합니다.
예측 시장의 분류
예측 시장은 여러 형태로 존재할 수 있으며, 각 형태는 서로 다른 상황에 적합합니다:
이항 시장: 두 가지 가능한 결과가 포함됩니다. 예를 들어, FIFA 월드컵의 예는 전형적인 이항 시장입니다.
분류 시장: 이항 시장과 유사하지만 선택지가 두 개 이상입니다. 예를 들어, 특정 토너먼트의 우승자를 예측하는 경우 여러 팀이 경쟁할 수 있습니다.
스칼라(구간) 시장: 특정 범위 내에서 결과를 예측합니다. 예를 들어, 특정 자산의 미래 가격을 예측하는 경우입니다. 참가자는 예측 결과와 실제 결과의 근접성에 따라 보상을 받습니다.
조합 시장: 가장 복잡한 형태로, 사용자가 여러 예측 시장을 결합하여 다층적인 결과를 예측합니다.
분류 시장과 스칼라 시장
분류 시장에서, 예를 들어 FIFA 월드컵 8강전 후 우승자를 예측한다고 가정해 보겠습니다. 남은 8개 팀 각각의 결과 토큰은 0.125 ZTG의 가격으로 시작할 수 있습니다. 만약 시장 종료 전 조기에 우승자를 정확히 예측했다면, 상당한 이익을 얻을 수 있습니다.
스칼라 시장에서는 2022년 3분기 말 Polkadot 토큰(DOT)의 가격을 예측한다고 가정해 보겠습니다. 참가자는 설정된 범위 내의 어떤 가격(예: $0에서 $20까지)을 예측할 수 있으며, 그 보상은 예측 결과와 실제 가격의 근접성에 따라 달라집니다.
조합 시장
조합 예측 시장은 여러 예측 시장을 결합하여 더 복잡한 예측을 수행합니다. 예를 들어, 새로운 아이폰 출시의 성공을 예측하는 것은 색상 옵션, 포함된 액세서리 및 가격과 같은 여러 변수를 포함할 수 있습니다. 이러한 요소들을 결합함으로써, 참가자는 제품 성공에 대한 보다 정확한 예측을 생성할 수 있습니다.
조합 시장은 날씨 보험과 같은 상황에서 특히 유용하며, 여러 변수가 결과에 영향을 미칩니다. 조합 예측 시장의 복잡성에 대한 전문 기사가 이 주제를 더 깊이 탐구할 것입니다.
예측 시장과 전통 여론 조사 비교
예측 시장은 전통적인 여론 조사 방법에 비해 독특한 장점을 가지고 있습니다. 예측 시장은 금융 인센티브를 통해 정확한 예측을 장려하며, 노동 집약적인 조사를 의존하지 않습니다. 시장의 자연스러운 동적은 가격이 과도하게 높아진 주식을 참가자들이 저평가된 주식을 구매함으로써 수정하게 하여, 더 신뢰할 수 있는 데이터를 제공합니다.
결론
예측 시장은 스포츠 이벤트와 자산 가격부터 정치적 결정 및 날씨 사건에 이르기까지 다양한 결과를 예측하는 데 강력한 도구입니다. 귀중한 통찰력을 가진 참가자들은 참여를 유도하고 시장의 불균형을 수정하며, 정보가 부족한 참가자들은 자연스럽게 큰 위험을 감수하는 것을 피하게 됩니다.
모든 예측 시장 플랫폼의 목표는 사용자 친화적인 환경을 조성하여 유동성을 유도하고 신속하게 반응하여 예측 시장의 생성과 참여가 용이해지도록 하는 것입니다. 탈중앙화 및 무허가 참여는 플랫폼의 잠재력을 더욱 높이며, 사용자가 우리 주변 세계에 대한 귀중한 데이터를 발견할 수 있도록 합니다. 연속 양방향 경매(CDA)와 로그 시장 점수 규칙(LMSR)은 서로 다른 메커니즘으로, 예측 시장 내에서 서로 다른 요구를 충족합니다. CDA는 거래자 간의 직접 상호작용을 촉진하고 높은 유동성 시장에서 뛰어난 성능을 발휘하며, LMSR은 자동 시장 조성자로서 지속적인 유동성과 가격 안정성을 보장하여 참가자가 적은 시장에 매우 적합합니다. 각 메커니즘의 장점과 한계를 이해하는 것은 효과적인 예측 시장을 설계하는 데 필수적이며, 이러한 시장은 정보를 정확하게 집계하고 신뢰할 수 있는 예측을 생성할 수 있습니다. 예측 시장 분야가 지속적으로 발전함에 따라, LMSR과 같은 자동 시장 조성자는 시장 예측의 견고성과 정확성을 보장하는 데 점점 더 중요한 역할을 할 것입니다.
위험 경고
위험 경고
