Bayes en 30 secondes
La mise à jour bayésienne indique que votre nouvelle estimation de probabilité doit combiner votre croyance a priori avec les preuves apportées par la nouvelle information. Si vous estimez qu'un événement a 50 % de chances de se produire et que vous recevez une information qui serait 3 fois plus probable si l'événement devait se produire que s'il ne devait pas, votre estimation actualisée devrait être d'environ 75 %. Le calcul est simple, mais c'est l'intuition qui compte : plus la preuve est surprenante, plus elle doit faire évoluer votre estimation.
La formule elle-même est P(A|B) = P(B|A) × P(A) / P(B), où A est votre hypothèse et B la nouvelle preuve. Mais oubliez un instant la notation. L'idée centrale est qu'une preuve compte davantage lorsqu'elle serait improbable dans des scénarios alternatifs. Si vous cherchez à déterminer si un candidat remportera une élection, un sondage le plaçant en tête de 2 points dans un État habituellement serré vous en dit moins qu'un sondage le plaçant en tête de 10 points dans un État qu'il perd habituellement.
Comment les marchés prédictifs approchent la mise à jour bayésienne
Lorsqu'un article de presse pertinent pour un contrat de marché prédictif est publié, les traders qui le lisent actualisent leurs estimations de probabilité et tradent en conséquence. Si l'article apporte une preuve forte dans une direction, les prix bougent de manière significative. S'il apporte des preuves faibles ou ambiguës, les prix bougent à peine. La variation du prix du marché en réponse à une nouvelle information approche la mise à jour bayésienne effectuée sur l'ensemble des participants.
C'est pourquoi les marchés prédictifs sont des processeurs d'information si efficaces. Chaque participant effectue sa propre mise à jour bayésienne (possiblement informelle), et le prix de marché reflète la moyenne pondérée de toutes ces mises à jour, la pondération étant fonction du capital engagé.
Considérez ce qui s'est passé lorsque FTX s'est effondré en novembre 2022. Les marchés prédictifs sur la réglementation crypto sont passés en quelques heures d'environ 35 % de probabilité de nouvelles réglementations majeures dans les 12 mois à plus de 70 %. Les traders effectuaient en fait une mise à jour bayésienne collective : étant donné qu'une grande plateforme s'était effondrée pour cause de fraude présumée, combien plus probable était une action réglementaire agressive par rapport au scénario de base ?
La rapidité de cet ajustement révèle quelque chose d'important sur la mise à jour par le marché par rapport à la mise à jour individuelle. Tandis qu'un trader isolé peut s'ancrer trop fortement sur ses croyances a priori ou surréagir à des nouvelles spectaculaires, le marché dans son ensemble a tendance à trouver un point médian qui approche une mise à jour bayésienne optimale. Les traders qui actualisent mal de façon répétée perdent de l'argent et réduisent leur influence sur les prix.
Quand les marchés font une mauvaise mise à jour bayésienne
Les marchés ne sont toutefois pas des actualiseurs bayésiens parfaits. Ils présentent des schémas prévisibles de sur- et sous-réaction qui reflètent les biais cognitifs individuels. Des travaux d'économistes comportementaux ont identifié plusieurs erreurs systématiques qui apparaissent dans la formation des prix des marchés prédictifs.
L'ancrage apparaît lorsque les marchés s'ajustent trop peu par rapport aux niveaux de prix antérieurs, même lorsque les preuves sont fortes. Vous le remarquez dans les marchés prédictifs qui se déplacent lentement vers des conclusions évidentes. Durant l'élection de 2020, certains marchés ont mis plusieurs jours à intégrer pleinement des tendances de sondage claires, ce qui suggère que les traders étaient ancrés sur les niveaux de prix précédents plutôt que d'actualiser correctement face aux nouvelles informations.
La surréaction se produit lorsque les marchés oscillent trop en réponse à des preuves vivantes mais finalement limitées. Un seul sondage ou une seule actualité spectaculaire peut provoquer des mouvements de prix que les informations suivantes révèlent excessifs. L'essentiel est de distinguer les preuves qui paraissent importantes de celles qui le sont réellement d'un point de vue probabiliste.
La négligence du taux de base se manifeste lorsque les marchés ne pondèrent pas correctement la fréquence ou la rareté réelles de certains types d'événements. Un marché prédictif sur la question de savoir si une start-up donnée atteindra le statut de licorne peut surpondérer les bonnes nouvelles relatives au lancement d'un produit, tout en sous-pondérant le taux de base selon lequel moins de 1 % des start-up atteignent jamais une valorisation d'un milliard de dollars.
Lire les réactions du marché comme de l'information
La réaction du marché à une information est elle-même informative. Si un événement d'actualité qui semble important ne provoque aucun mouvement de prix, le marché vous dit que l'information était déjà intégrée. Si un événement apparemment mineur provoque un fort mouvement de prix, c'est qu'il était plus significatif que vous ne le pensiez, et il est plus utile de chercher pourquoi le marché a bougé que de supposer qu'il a surréagi.
Ce principe devient particulièrement utile lorsque vous utilisez des outils comme le système de suivi des whales de Blockcircle. Lorsque de grands traders entrent ou sortent de positions sans catalyseur public évident, ils réagissent peut-être à des informations qui n'ont pas encore été largement traitées. L'absence d'actualité évidente rend leur comportement de trading plus informatif, et non moins.
Parfois, l'information la plus précieuse provient de ce qui ne se produit pas. Lorsque les marchés prédictifs ne bougent pas en réponse à des nouvelles qui semblent importantes, cette non-réaction vous dit quelque chose sur la façon dont les participants sophistiqués perçoivent réellement cette information. Durant les saisons de résultats, par exemple, les marchés prédictifs sur des issues spécifiques aux entreprises restent souvent stables malgré des gros titres qui semblent spectaculaires, ce qui suggère que le contenu réel était déjà anticipé.
Signal contre bruit dans le traitement de l'information
Une mise à jour bayésienne correcte nécessite de distinguer le signal du bruit dans une nouvelle information. Le signal, c'est l'information qui modifie réellement la probabilité de l'issue que vous prédisez. Le bruit, c'est l'information qui paraît pertinente mais qui ne fait pas réellement évoluer les probabilités sous-jacentes.
Un exemple concret : si vous tradez sur l'adoption d'un projet de loi par le Congrès, une actualité sur un sénateur qui prononce un discours en faveur de la loi peut sembler significative. Mais si ce sénateur était déjà connu pour soutenir la loi, le discours est surtout du bruit. En revanche, si le discours révèle de nouveaux détails sur d'éventuels amendements ou sur la construction d'une coalition, ces détails peuvent constituer un véritable signal.
Les outils de suivi du momentum de Blockcircle peuvent aider à identifier les moments où les mouvements de prix reflètent une véritable nouvelle information plutôt que du bruit temporaire. Un mouvement directionnel soutenu avec un volume croissant est habituellement un signe de signal. Des mouvements brusques qui s'inversent rapidement indiquent souvent du bruit ou une surréaction à une information moins significative qu'elle ne le paraissait.
Erreurs fréquentes dans la mise à jour
Plusieurs erreurs systématiques de mise à jour de probabilité sont bien documentées. L'ancrage : s'ajuster trop peu par rapport à l'estimation a priori, même lorsque les preuves sont fortes. La surréaction : s'ajuster trop pour des preuves faibles, surtout lorsqu'elles sont vivantes ou chargées émotionnellement. La négligence du taux de base : ignorer la fréquence ou la rareté du type d'événement lors de l'évaluation d'une preuve spécifique. Et le biais de confirmation : actualiser davantage face à des preuves qui confirment votre vue actuelle qu'à des preuves qui la contredisent.
Avoir conscience de ces erreurs ne les élimine pas, mais cela aide. Lorsque vous recevez une nouvelle information sur un contrat de marché prédictif, vous demander explicitement « de combien cela devrait-il vraiment faire évoluer mon estimation ? » puis comparer cela à l'ampleur que vous aimeriez lui donner révèle la direction et l'ampleur de votre biais.
Le biais de confirmation mérite une attention particulière parce qu'il est omniprésent dans le trading sur marchés prédictifs. Les traders prêtent naturellement plus d'attention aux informations qui confirment leurs positions existantes et minimisent celles qui les contredisent. Cela crée des opportunités pour les traders capables de traiter plus objectivement les informations contradictoires.
Une approche pratique consiste à rechercher activement les arguments les plus solides contre votre position actuelle avant tout ajustement de trade. Si vous êtes long sur une issue donnée, cherchez spécifiquement les preuves les plus crédibles en faveur d'issues alternatives. Cela aide à contrer la tendance naturelle à ne retenir que les informations qui vont dans votre sens.
L'application pratique
Pour le trading sur marchés prédictifs, la mise à jour bayésienne fournit un cadre pour décider quand ajuster ses positions. Lorsqu'une information véritablement surprenante arrive (information que vous n'auriez pas anticipée, quelle que soit l'issue finale), votre position devrait changer. Lorsqu'une information attendue arrive (information déjà intégrée), votre position ne devrait pas changer, même si la nouvelle paraît spectaculaire.
Le moteur de mispricing des marchés prédictifs peut aider à identifier les moments où les prix actuels paraissent s'écarter de ce que la mise à jour bayésienne suggérerait au vu des informations disponibles. Les marchés qui semblent sous-réagir à des preuves cumulatives ou surréagir à des événements spectaculaires récents présentent souvent des opportunités de trading.
Envisagez de développer une approche systématique du traitement de l'information. Avant de trader sur une nouvelle information, posez-vous les questions suivantes : quelle était ma probabilité a priori ? Quelle est la vraisemblance d'observer cette information dans différents scénarios ? De combien cela doit-il faire évoluer mon estimation ? Ce n'est qu'après avoir suivi ce cadre que vous devriez envisager des ajustements de position.
L'idée clé est que toutes les informations ne se valent pas. Un point de données unique contredisant une tendance forte mérite moins de poids que plusieurs sources indépendantes pointant dans la même direction. La mise à jour bayésienne fournit le cadre mathématique pour pondérer l'information correctement, mais développer une bonne intuition de la qualité de l'information demande de la pratique.
Explorez ces outils sur Blockcircle : Prediction Markets Mispricing Engine