Pasaran prediksi adalah jenis platform perdagangan yang memungkinkan peserta untuk melakukan perdagangan kontrak berdasarkan hasil yang diharapkan dari peristiwa nyata, seperti pemilihan politik, kompetisi olahraga, atau tren ekonomi. Harga yang terbentuk melalui perdagangan bebas antara peserta mencerminkan kemungkinan terjadinya peristiwa. Dalam istilah sederhana, pasaran prediksi mengubah kemampuan ramalan kolektif menjadi alat pengukuran probabilitas.

Berbeda dengan pasar keuangan tradisional, pasar prediksi berputar langsung di sekitar peristiwa itu sendiri, bukan berinvestasi secara tidak langsung dalam aset terkait. Mekanisme ini memenuhi berbagai kebutuhan spekulatif dan mengumpulkan keyakinan kolektif peserta pasar tentang probabilitas peristiwa melalui penetapan harga.

Namun, pasar prediksi juga merupakan pasar keuangan yang memerlukan mekanisme penetapan harga yang tepat untuk mendorong perdagangan, menarik penilaian lebih banyak peserta, dan menyaring informasi ini untuk membentuk prediksi probabilitas terbaru. Artikel ini akan memperkenalkan mekanisme penetapan harga di balik pasar prediksi.

Mengapa Harga di Pasar Prediksi Dapat Mencerminkan Kemungkinan Kejadian?

Berbeda dengan industri perjudian tradisional di mana pemain bertaruh melawan bandar, pasar prediksi adalah mekanisme terbuka dan terdesentralisasi. Dalam perjudian, peluang ditetapkan dan disesuaikan secara dinamis oleh bandar. Dalam pasar prediksi, harga terbentuk secara alami melalui perdagangan antara peserta, mencerminkan penilaian kebijaksanaan kolektif terhadap probabilitas acara.

Bayangkan skenario prediksi biner: bulan depan, akan ada pertandingan sepak bola antara Jerman dan Spanyol. Orang-orang dapat membuat pasar perdagangan di platform prediksi dan mengeluarkan dua token hasil yang mewakili "Jerman Menang" dan "Spanyol Menang." Jika harga awal kedua token sama, itu menunjukkan pasar percaya bahwa kedua tim memiliki peluang 50-50 untuk menang.

Saat pertandingan semakin dekat, jika pemain kunci Jerman terluka, lebih banyak pedagang mungkin memprediksi probabilitas kemenangan Spanyol yang lebih tinggi dan membeli token 'Spanyol Menang'. Perubahan dalam penawaran dan permintaan untuk token akan menyesuaikan harga mereka secara real time, mencerminkan kemungkinan kemenangan Spanyol yang meningkat. Demikian pula, selama pertandingan, jika Jerman mencetak gol secara beruntun, permintaan untuk token 'Jerman Menang' meningkat, dan harganya akan meningkat hingga pertandingan berakhir ketika probabilitas konvergensi ke hasil aktual—100%.

Ketika hasil pertandingan ditentukan (misalnya, Jerman menang), nilai token "Spain Wins" akan turun menjadi nol, dan pemegang token "Germany Wins" akan berbagi keuntungan dari total likuiditas berdasarkan saham mereka. Mekanisme penyesuaian harga dinamis ini berdasarkan perdagangan memungkinkan pasar prediksi untuk mencerminkan probabilitas peristiwa masa depan dengan fleksibel dan efisien.

Mekanisme Harga Umum dalam Pasar Prediksi

Operasi pasar prediksi umumnya bergantung pada dua mekanisme penetapan harga utama: Lelang Ganda Kontinu (CDA) dan Pembuat Pasar Otomatis (AMM).

Kebanyakan pasar prediksi terdesentralisasi pada blockchain masih menggunakan buku pesanan untuk menyediakan likuiditas, tidak seperti AMM yang banyak diterapkan dalam pertukaran terdesentralisasi (DEXs). Hal ini mungkin disebabkan oleh karakteristik unik dari token hasil: nilai mereka dapat berfluktuasi secara signifikan dengan peristiwa dunia nyata dan turun menjadi nol jika prediksi tidak benar setelah acara berakhir. Karena nilai token hasil erat terkait dengan hasil acara, kerugian potensial bagi AMM sangat terpengaruh, menghadirkan risiko yang signifikan.

Untuk mengatasi tantangan ini, pasar prediksi memperkenalkan mekanisme pembuat pasar otomatis yang dirancang khusus, Logarithmic Market Scoring Rule (LMSR), untuk menjaga keseimbangan likuiditas pasar dan risiko, mendukung operasi stabil pasar prediksi.

Lelang Ganda Berkelanjutan (CDA)

Continuous Double Auction (CDA) adalah mekanisme penetapan harga yang paling umum digunakan di pasar keuangan dan telah banyak diadopsi dalam pasar prediksi. Prinsip dasarnya melibatkan pencatatan semua pesanan yang belum terpenuhi dalam buku pesanan, dengan pesanan beli dan jual diatur di sisi yang berlawanan. Para trader dapat mengirimkan pesanan limit ke buku pesanan, dan ketika harga tawar tertinggi sesuai dengan harga permintaan terendah, transaksi dipicu dan dieksekusi.

Mekanisme ini populer karena desainnya yang sederhana dan jelas. Namun, dalam pasar prediksi dengan jumlah peserta terbatas, CDA mungkin menghadapi kekurangan likuiditas. Likuiditas rendah sering kali mengakibatkan selisih penawaran-penawaran yang lebar, membuat penetapan harga sulit dan mengurangi efisiensi pasar. Dalam kasus seperti itu, penemuan harga dan fungsi prediksi probabilitas pasar prediksi mungkin kesulitan untuk berfungsi secara efektif.

Logarithmic Market Scoring Rule (LMSR)

Tidak seperti CDA, LMSR memperkenalkan pembuat pasar otomatis sentral sebagai pihak lawan untuk semua pedagang. Logarithmic Market Scoring Rule (LMSR) adalah mekanisme pembuat pasar otomatis (AMM) yang dirancang khusus untuk pasar prediksi. Salah satu fitur utamanya adalah bahwa ia tidak bergantung pada kolam likuiditas, menjadikannya cocok untuk pasar dengan likuiditas rendah, termasuk pasar prediksi. LMSR menggunakan aturan skoring logaritmik untuk menghasilkan kuotasi, yang secara efektif mencegah fluktuasi harga yang berlebihan. Pendekatan ini menyediakan likuiditas yang cukup sambil menjaga kerugian potensial pembuat pasar dalam rentang yang dapat dikendalikan.

Tabel di bawah ini menunjukkan perbedaan utama antara LMSR dan AMM tradisional.

Untuk memahami keunikan LMSR, sangat membantu untuk terlebih dahulu meninjau mekanisme AMM umum. Sebagian besar AMM menggunakan rumus produk konstan:

x⋅y=k

Dalam formula ini, x dan y mewakili jumlah dua token dalam kolam likuiditas, dan k adalah konstan. Misalnya, pada kolam likuiditas ETH/DAI dengan keadaan awal 100 ETH dan 10.000 DAI, k=1.000.000. Untuk menjaga k tetap konstan, ketika para trader menyimpan ETH ke dalam kolam, jumlah DAI yang sesuai harus berkurang. Pada akhirnya, kutipan untuk perdagangan tertentu adalah fungsi dari formula produk konstan dan rasio token dalam kolam. Grafik di bawah ini memperkirakan hubungan pertukaran antara dua jenis aset dalam model ini.

Sumber:news.marsbit.co

Sebaliknya, mekanisme penetapan harga LMSR lebih kompleks. Rumusnya adalah sebagai berikut:

qA: jumlah hasil A (jumlah saham yang sudah dibeli untuk hasil tersebut).

b: parameter likuiditas yang ditetapkan oleh market maker, yang mempengaruhi sensitivitas harga terhadap perubahan volume perdagangan.

n: jumlah total kemungkinan hasil.

Selain itu, LMSR menentukan fungsi biaya untuk menghitung total biaya perdagangan:

Fungsi ini membantu pembuat pasar memahami kerugian potensial yang mungkin mereka hadapi saat menyediakan likuiditas. Fungsi logaritmik yang disertakan di sini berarti bahwa seiring dengan bertambahnya jumlah kontrak yang mendukung hasil tertentu, harga hasil tersebut naik dengan laju yang merosot. Mekanisme ini memberikan penyesuaian harga yang lebih tepat dan membatasi kerugian potensial pembuat pasar, memastikan stabilitas jangka panjang pasar.

Peningkatan Lebih Lanjut untuk Pasar Prediksi AMM

AMM pasar prediksi telah melihat berbagai peningkatan, dengan Paradigm, sebuah perusahaan investasi kripto terkenal, baru-baru ini mengusulkan model harga terbarunya, pm-AMM. Paradigm bertujuan untuk mengembangkan model ini menjadi kerangka kerja yang terpadu untuk pasar prediksi. Perusahaan telah membandingkan pm-AMM dengan AMM lain, menyarankan bahwa hal itu juga dapat diterapkan pada jenis aset lainnya, seperti obligasi, opsi, dan derivatif.

Sumber: paradigm.xyz

1. Optimisasi untuk Token Hasil
   pm-AMM dirancang khusus untuk menangani token hasil, yang nilainya adalah 1 jika kejadian terjadi dan 0 jika tidak. AMM tradisional sering menghadapi masalah likuiditas yang tidak konsisten dengan token seperti ini. Dengan memperkenalkan model distribusi Gaussian, pm-AMM menangkap hubungan antara harga token dan probabilitas kejadian, memberikan likuiditas yang lebih stabil dan konsisten.

Distribusi Gaussian, juga dikenal sebagai distribusi normal, diasumsikan mengatur fluktuasi harga token hasil dalam setiap pasar prediksi (misalnya, "peristiwa terjadi" dan "peristiwa tidak terjadi"). Asumsi ini membantu mengkonsentrasikan likuiditas di sekitar hasil yang lebih mungkin saat peristiwa mendekati penyelesaian (yaitu, harga mendekati 0 atau 1), menghindari masalah seperti kekurangan likuiditas atau slippage berlebih saat situasi ekstrem sambil meminimalkan kerugian bagi pembuat pasar.

Kembali ke contoh sebelumnya tentang pertandingan sepak bola antara Jerman dan Spanyol, sebagian besar peserta pasar mungkin pada awalnya memprediksi kemenangan Spanyol, yang mengarah pada kenaikan harga token untuk kemenangan Spanyol. Namun, jika Jerman mulai tampil kuat selama pertandingan, harapan pasar mungkin dengan cepat bergeser ke arah Jerman. AMM tradisional mungkin bereaksi lambat, meninggalkan pembuat pasar memegang sejumlah besar token kemenangan Spanyol yang akhirnya kehilangan semua nilainya. Sebaliknya, pm-AMM menggunakan model Gaussian untuk dengan cepat menyesuaikan likuiditas, mengkonsentrasikannya di sekitar hasil yang lebih mungkin, dengan demikian mengurangi kerugian pembuat pasar dan meningkatkan efisiensi dan keandalan pasar.

1. Penyesuaian Likuiditas Dinamis
   pm-AMM menggunakan mekanisme penyesuaian likuiditas dinamis, mengubah tingkat likuiditas saat acara mendekati penyelesaiannya. Ini berarti likuiditas berkurang saat pasar prediksi mendekati masa jatuh tempo, mengurangi risiko kerugian bagi penyedia likuiditas akibat arbitrase. Mekanisme ini memastikan likuiditas beradaptasi dengan volatilitas pasar, menjaga stabilitas selama periode yang bergejolak.

2. Sebuah Kerangka AMM Terpadu
   pm-AMM Paradigm bertujuan untuk membentuk kerangka AMM yang terpadu yang melampaui pasar prediksi ke kelas aset lainnya, seperti obligasi, opsi, dan derivatif. Fleksibilitas ini meningkatkan aplikabilitas pm-AMM di berbagai produk keuangan, meningkatkan fleksibilitas dan utilitasnya.

3. Kehilangan vs. Kompensasi Keseimbangan (LVR)
   pm-AMM memperkenalkan konsep Loss vs. Rebalancing (LVR), yang mengevaluasi potensi kerugian yang mungkin dihadapi AMM akibat aktivitas arbitrase. Dengan mengoptimalkan struktur AMM untuk meminimalkan LVR, pm-AMM memastikan likuiditas yang kuat sambil mengurangi potensi kerugian, sehingga meningkatkan pengembalian bagi penyedia likuiditas.

4. Peningkatan Pengalaman Pengguna
   Dengan menyederhanakan proses perdagangan dan meningkatkan penemuan harga, pm-AMM menawarkan pengalaman yang lebih ramah pengguna. Pengguna dapat dengan mudah memahami dinamika pasar, dengan transaksi dieksekusi secara otomatis melalui kontrak pintar, menghilangkan keterlambatan dan ketidakpastian yang disebabkan oleh campur tangan manual.

pm-AMM Paradigm secara signifikan meningkatkan mekanisme AMM tradisional dalam pasar prediksi. Melalui inovasi seperti optimasi untuk token hasil, penyesuaian likuiditas dinamis, desain kerangka kerja yang terpadu, dan pengenalan LVR, pm-AMM meningkatkan efisiensi dan stabilitas pasar prediksi sambil membuka kasus penggunaan baru untuk produk keuangan lainnya. Kemajuan ini akan mendorong perkembangan keuangan terdesentralisasi (DeFi), memungkinkan pasar prediksi untuk mencerminkan sentimen publik dan mendukung proses pengambilan keputusan yang lebih baik.

Untuk mempelajari lebih lanjut tentang prinsip-prinsip desain dan pemodelan pm-AMM, lihat artikel yang terhubung di bawah ini.

Referensi:

1. Penelitian Terbaru Paradigm: Unified Automated Market Maker untuk Pasar Prediksi - pm-AMM
2. pm-AMM: Sebuah AMM Seragam untuk Pasar Prediksi