Bayes en 30 segundos
La actualización bayesiana dice que su nueva estimación de probabilidad debería combinar su creencia previa con la evidencia aportada por la nueva información. Si usted piensa que un evento tiene un 50% de probabilidad de ocurrir y recibe información que sería 3 veces más probable si el evento fuera a ocurrir que si no lo fuera, su estimación actualizada debería ser aproximadamente del 75%. La matemática es directa, pero lo que importa es la intuición: mientras más sorprendente sea la evidencia, más debería desplazar su estimación.
La fórmula en sí es P(A|B) = P(B|A) × P(A) / P(B), donde A es su hipótesis y B es la nueva evidencia. Pero olvide la notación por un momento. La idea central es que la evidencia importa más cuando sería poco probable bajo escenarios alternativos. Si usted está tratando de determinar si un candidato ganará una elección, una encuesta que lo muestre por delante por 2 puntos en un estado típicamente reñido le dice menos que una encuesta que lo muestre por delante por 10 puntos en un estado en el que suele perder.
Cómo los mercados de predicción aproximan la actualización bayesiana
Cuando se publica un artículo de noticias relevante para un contrato de mercado de predicción, los operadores que leen el artículo actualizan sus estimaciones de probabilidad y operan en consecuencia. Si el artículo aporta evidencia fuerte en una dirección, los precios se mueven de manera significativa. Si aporta evidencia débil o ambigua, los precios apenas se mueven. El cambio de precio del mercado en respuesta a la nueva información aproxima la actualización bayesiana en el agregado de todos los participantes.
Esta es la razón por la cual los mercados de predicción son procesadores de información tan eficientes. Cada participante está realizando su propia actualización bayesiana (posiblemente informal), y el precio de mercado refleja el promedio ponderado de todas estas actualizaciones, donde la ponderación es por el capital comprometido.
Considere lo que ocurrió cuando colapsó FTX en noviembre de 2022. Los mercados de predicción sobre regulación cripto se desplazaron de inmediato desde alrededor del 35% de probabilidad de nuevas regulaciones importantes dentro de 12 meses a más del 70% en pocas horas. Los operadores estaban realizando esencialmente una actualización bayesiana colectiva: dado que un exchange importante había colapsado debido a un supuesto fraude, ¿cuánto más probable era una acción regulatoria agresiva en comparación con el escenario base?
La velocidad de este ajuste revela algo importante sobre la actualización basada en mercados versus la actualización individual. Si bien cualquier operador individual podría anclarse demasiado en sus creencias previas o sobrerreaccionar a noticias dramáticas, el mercado en su conjunto tiende a encontrar un punto intermedio que aproxima la actualización bayesiana óptima. Los operadores que actualizan de manera consistentemente deficiente pierden dinero y reducen su influencia sobre los precios.
Cuándo los mercados se equivocan en la actualización bayesiana
Sin embargo, los mercados no son actualizadores bayesianos perfectos. Exhiben patrones predecibles de sobrerreacción y subrreacción que reflejan los sesgos cognitivos individuales. La investigación de los economistas del comportamiento ha identificado varios errores sistemáticos que aparecen en el precio de los mercados de predicción.
El anclaje aparece cuando los mercados se ajustan muy poco desde niveles de precio anteriores, aun cuando la evidencia es fuerte. Usted puede detectarlo en los mercados de predicción que se mueven lentamente hacia conclusiones obvias. Durante la elección de 2020, algunos mercados tardaron días en incorporar por completo tendencias claras en las encuestas, lo que sugería que los operadores estaban anclados a niveles de precio anteriores en lugar de actualizar adecuadamente ante la nueva información.
La sobrerreacción ocurre cuando los mercados oscilan demasiado en respuesta a evidencia vívida pero en última instancia limitada. Una única encuesta dramática o una noticia pueden provocar movimientos de precio que la información subsiguiente revela excesivos. La clave es distinguir entre la evidencia que parece importante y la evidencia que realmente lo es desde un punto de vista probabilístico.
La negligencia de la tasa base se manifiesta cuando los mercados no ponderan adecuadamente qué tan comunes o raros son realmente ciertos tipos de eventos. Un mercado de predicción sobre si una startup específica alcanzará el estatus de unicornio podría sobreponderar las noticias positivas sobre el lanzamiento más reciente de producto de la empresa, mientras subestima la tasa base de que menos del 1% de las startups alcanzan valuaciones de mil millones de dólares.
Leer las reacciones del mercado como información
La reacción del mercado a la información es en sí misma informativa. Si un evento noticioso aparentemente importante no provoca ningún movimiento de precio, el mercado le está diciendo que la información ya estaba incorporada en el precio. Si un evento aparentemente menor provoca un gran movimiento de precio, algo en él era más significativo de lo que usted advirtió, e investigar por qué se movió el mercado es más valioso que asumir que el mercado sobrerreaccionó.
Este principio se vuelve especialmente útil cuando se utilizan herramientas como el sistema de rastreo de ballenas de Blockcircle. Cuando los grandes operadores entran o salen de posiciones sin catalizadores públicos obvios, podrían estar respondiendo a información que aún no ha sido ampliamente procesada. La ausencia de noticias obvias hace que su comportamiento de trading sea más informativo, no menos.
A veces la información más valiosa proviene de lo que no ocurre. Cuando los mercados de predicción no se mueven en respuesta a noticias que parecen significativas, esa no reacción le dice algo sobre cómo los participantes sofisticados ven realmente esa información. Durante las temporadas de resultados, por ejemplo, los mercados de predicción sobre desenlaces específicos de empresas a menudo permanecen estables a pesar de titulares que suenan dramáticos, lo que sugiere que el contenido real ya había sido anticipado.
Señal vs. ruido en el procesamiento de información
Una actualización bayesiana adecuada requiere distinguir entre señal y ruido en la nueva información. La señal es información que realmente cambia la probabilidad del resultado que usted está prediciendo. El ruido es información que parece relevante pero que en realidad no desplaza las probabilidades subyacentes.
Un ejemplo concreto: si usted está operando sobre si un proyecto de ley en particular pasará en el Congreso, una nota de prensa sobre un senador que da un discurso a favor del proyecto podría parecer significativa. Pero si ya se sabía que ese senador apoyaba el proyecto, el discurso es principalmente ruido. Sin embargo, si el discurso revela nuevos detalles sobre posibles enmiendas o construcción de coaliciones, esos detalles podrían ser señal genuina.
Las herramientas de seguimiento de momentum en Blockcircle pueden ayudar a identificar cuándo los movimientos de precio reflejan información nueva genuina frente a ruido temporal. Un movimiento direccional sostenido con volumen creciente típicamente indica señal. Movimientos bruscos que se revierten rápidamente a menudo indican ruido o sobrerreacción a información que era menos significativa de lo que inicialmente parecía.
Errores comunes en la actualización
Varios errores sistemáticos en la actualización de probabilidades están bien documentados. Anclaje: ajustar muy poco respecto a la estimación previa, incluso cuando la evidencia es fuerte. Sobrerreacción: ajustar demasiado ante evidencia débil, especialmente cuando es vívida o emocionalmente saliente. Negligencia de la tasa base: ignorar qué tan común o rara es una clase de evento al evaluar una evidencia específica. Y sesgo de confirmación: actualizar más ante evidencia que confirma su visión actual que ante evidencia que la contradice.
Estar consciente de estos errores no los elimina, pero ayuda. Cuando usted recibe nueva información sobre un contrato de mercado de predicción, preguntarse explícitamente "¿cuánto debería desplazar esto realmente mi estimación?" y compararlo con cuánto quiere desplazarla revela la dirección y la magnitud de su sesgo.
El sesgo de confirmación merece atención especial porque es muy extendido en el trading de mercados de predicción. Los operadores naturalmente prestan más atención a información que confirma sus posiciones existentes y descuentan información que las contradice. Esto crea oportunidades para los operadores que pueden procesar información contradictoria de manera más objetiva.
Un enfoque práctico consiste en buscar activamente los argumentos más sólidos en contra de su posición actual antes de realizar cualquier ajuste de operaciones. Si usted está largo en un desenlace en particular, busque específicamente la evidencia más creíble que apunte a desenlaces alternativos. Esto ayuda a contrarrestar la tendencia natural a seleccionar solo información de apoyo.
La aplicación práctica
Para el trading de mercados de predicción, la actualización bayesiana proporciona un marco para decidir cuándo ajustar posiciones. Cuando llega información genuinamente sorprendente (información que usted no habría esperado independientemente de qué resultado ocurriera), su posición debería cambiar. Cuando llega información esperada (información que ya estaba incorporada en el precio), su posición no debería cambiar, aun cuando la noticia suene dramática.
El motor de mispricing de mercados de predicción puede ayudar a identificar cuándo los precios actuales parecen desviarse de lo que la actualización bayesiana sugeriría dada la información disponible. Los mercados que parecen estar subreaccionando ante evidencia acumulada o sobrerreaccionando ante eventos dramáticos recientes a menudo presentan oportunidades de trading.
Considere desarrollar un enfoque sistemático para el procesamiento de información. Antes de operar sobre cualquier información nueva, pregúntese: ¿Cuál era mi probabilidad previa? ¿Cuál es la verosimilitud de observar esta información bajo distintos escenarios? ¿Cuánto debería esto desplazar mi estimación? Solo después de recorrer este marco debería considerar ajustes de posición.
La idea clave es que no toda la información se crea igual. Un único dato que contradice una tendencia fuerte merece menos peso que múltiples fuentes independientes que apuntan en la misma dirección. La actualización bayesiana proporciona el marco matemático para ponderar la información de forma apropiada, pero desarrollar una buena intuición para la calidad de la información requiere práctica.
Explore estas herramientas en Blockcircle: Prediction Markets Mispricing Engine