دلالی معاملات سهام در بازار به صورت خودکار بازار پیش بینی

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

دلالی معاملات سهام در بازار به صورت خودکار بازار پیش بینی

عنوان لاتین

Automated Market-Making in the Large: The Gates Hillman Prediction Market

ما بازار موسوم به پیش بینی gates hillman را بر پا داشتیم تا بتوانیم روز افتتاح مراکز gates و Hillman را پیش بینی کنیم ، و مرکزی که در قالب سازمان های علوم جدید رایانه ای در دانشگاه Carnegies mellon تعریف می شوند. بازار مربوط به مدت یکسال در جریان بود و تعداد 169 بازرگان فعال را جذب خود نمود. اشخاصی که تقریبا 40000 فقره شرط بندی با یک دلال بازار سهام ایجاد کردند. اندازه پارتیشن بازار بزرگترین اندازه ای است که تا به حال در جریان پیش بینی ها به آن اشاره شده است. بازاری به این اندازه نیازمند روند جدید پیشرفت می باشد از جمله رابط جدید موسوم به استخراج مبتنی بر فاصله زمانی. نتایج حاصل از GHPM به دو دلیل مهم می باشد. دلیل اول اینکه ما دو نقص و عیوب مربوط به دلالان فعلی بازار سهام را برجسته کردیم: مورد اول افزایش ناگهانی و مورد دوم عدم حساسیت به نقدینگی. دوم اینکه بازار یک محیط تجاری مرتبط با هویت را شکل می دهد. ما از این مجموعه داده ای برای کشف این موضوع که آیا بازار نسبت به ارتباطات رسمی واکنش نشان داده است. چگونه مابین اعتماد به نفس تبار با عملکرد واقعی ارتباط کمی شکل گرفته است و چگونه تناوب تجاری مبین توزیع قانون قدرت بوده است، استفاده خواهیم نمود. از همه مهم تر اینکه داده های موجود به ما این اجازه را میدهند تا دو فرضیه رقیب یکدیگر را ارزیابی کنیم تئوری هایی در این خصوص که چگونه بازارها اطلاعات مورد نظر خود را در یکجا گرد هم می آورند، فرضیه حاشیه ای و فرضیه Hayek : داده های موجود به شدت از مورد قبلی حمایت می کنند.

We designed and built the Gates Hillman Prediction Market (GHPM) to predict the opening day of the Gates and Hillman Centers, the new computer science buildings at Carnegie Mellon University. The market ran for almost a year and attracted 169 active traders who placed almost 40,000 bets with an automated market maker. Ranging over 365 possible opening days, the market’s event partition size is the largest ever elicited in any prediction market by an order of magnitude. A market of this size required new advances, including a novel span-based elicitation interface. The results of the GHPM are important for two reasons. First, we uncovered two flaws of current automated market makers: spikiness and liquidity-insensitivity, and we develop the mathematical underpinnings of these flaws. Second, the market provides a valuable corpus of identity-linked trades. We use this data set to explore whether the market reacted to or anticipated official communications, how selfreported trader confidence had little relation to actual performance, and how trade frequencies suggest a power law distribution. Most significantly, the data enabled us to evaluate two competing hypotheses about how markets aggregate information, the Marginal Trader Hypothesis and the Hayek Hypothesis; the data strongly support the former