Bayes dalam 30 Detik
Pembaruan Bayesian mengatakan bahwa perkiraan probabilitas baru Anda harus menggabungkan keyakinan sebelumnya dengan bukti yang diberikan oleh informasi baru. Jika Anda berpikir suatu peristiwa memiliki peluang 50% untuk terjadi dan Anda menerima informasi yang 3 kali lebih mungkin jika peristiwa itu akan terjadi daripada jika tidak, perkiraan Anda yang diperbarui kira-kira 75%. Matematikanya sederhana tetapi intuisi adalah yang penting: semakin mengejutkan buktinya, semakin banyak ia harus menggeser perkiraan Anda.
Rumusnya sendiri adalah P(A|B) = P(B|A) × P(A) / P(B), di mana A adalah hipotesis Anda dan B adalah bukti baru. Tetapi lupakan notasi untuk sesaat. Wawasan intinya adalah bahwa bukti penting lebih ketika tidak mungkin di bawah skenario alternatif. Jika Anda mencoba menentukan apakah seorang kandidat akan memenangkan pemilu, polling yang menunjukkan mereka unggul 2 poin di negara bagian yang biasanya ketat memberi tahu Anda kurang dari polling yang menunjukkan mereka unggul 10 poin di negara bagian yang biasanya mereka kalah.
Bagaimana Pasar Prediksi Mendekati Pembaruan Bayesian
Ketika artikel berita diterbitkan yang relevan dengan kontrak pasar prediksi, trader yang membaca artikel memperbarui perkiraan probabilitas mereka dan berdagang sesuai. Jika artikel memberikan bukti kuat dalam satu arah, harga bergerak signifikan. Jika memberikan bukti lemah atau ambigu, harga hampir tidak bergerak. Perubahan harga pasar sebagai respons terhadap informasi baru mendekati pembaruan Bayesian di seluruh agregat semua peserta.
Inilah sebabnya pasar prediksi adalah pemroses informasi yang sangat efisien. Setiap peserta melakukan pembaruan Bayesian mereka sendiri (mungkin informal), dan harga pasar mencerminkan rata-rata tertimbang dari semua pembaruan ini, di mana bobotnya adalah modal yang dikomitmenkan.
Pertimbangkan apa yang terjadi ketika FTX runtuh pada November 2022. Pasar prediksi tentang regulasi kripto segera bergeser dari sekitar 35% peluang regulasi baru utama dalam 12 bulan menjadi lebih dari 70% dalam beberapa jam. Trader pada dasarnya melakukan pembaruan Bayesian kolektif: mengingat bursa besar telah runtuh karena dugaan penipuan, seberapa lebih mungkin tindakan regulasi agresif dibandingkan dengan skenario dasar?
Kecepatan penyesuaian ini mengungkap sesuatu yang penting tentang pembaruan berbasis pasar versus pembaruan individu. Sementara trader tunggal mungkin terlalu terikat pada keyakinan sebelumnya atau bereaksi berlebihan terhadap berita dramatis, pasar secara keseluruhan cenderung menemukan jalan tengah yang mendekati pembaruan Bayesian optimal. Trader yang secara konsisten memperbarui dengan buruk kehilangan uang dan mengurangi pengaruh mereka pada harga.
Ketika Pasar Salah dalam Pembaruan Bayesian
Meskipun demikian, pasar bukanlah pembaru Bayesian yang sempurna. Mereka menunjukkan pola reaksi berlebihan dan reaksi kurang yang dapat diprediksi yang mencerminkan bias kognitif individu. Penelitian oleh ekonom perilaku telah mengidentifikasi beberapa kesalahan sistematis yang muncul dalam penetapan harga pasar prediksi.
Jangkar muncul ketika pasar menyesuaikan terlalu sedikit dari level harga sebelumnya, bahkan ketika bukti kuat. Anda dapat melihat ini di pasar prediksi yang bergerak perlahan menuju kesimpulan yang jelas. Selama pemilu 2020, beberapa pasar membutuhkan berhari-hari untuk sepenuhnya menggabungkan tren polling yang jelas, menyarankan trader terikat pada level harga sebelumnya alih-alih memperbarui dengan tepat terhadap informasi baru.
Reaksi berlebihan terjadi ketika pasar berayun terlalu jauh sebagai respons terhadap bukti yang jelas tetapi pada akhirnya terbatas. Satu polling atau cerita berita dramatis dapat menyebabkan pergerakan harga yang diungkapkan oleh informasi berikutnya berlebihan. Kuncinya adalah membedakan antara bukti yang tampak penting dan bukti yang sebenarnya penting dari sudut pandang probabilistik.
Pengabaian base rate muncul ketika pasar gagal menimbang dengan benar seberapa umum atau langka jenis peristiwa tertentu sebenarnya. Pasar prediksi pada apakah startup tertentu akan mencapai status unicorn mungkin melebihkan bobot berita positif tentang peluncuran produk terbaru perusahaan sambil kurang menimbang base rate bahwa kurang dari 1% startup pernah mencapai penilaian miliaran dolar.
Membaca Reaksi Pasar sebagai Informasi
Reaksi pasar terhadap informasi itu sendiri informatif. Jika peristiwa berita yang tampaknya penting tidak menyebabkan pergerakan harga, pasar memberi tahu Anda bahwa informasi sudah dihargai. Jika peristiwa yang tampaknya kecil menyebabkan pergerakan harga besar, sesuatu tentangnya lebih signifikan dari yang Anda sadari, dan menyelidiki mengapa pasar bergerak lebih berharga daripada mengasumsikan pasar bereaksi berlebihan.
Prinsip ini menjadi sangat berguna ketika menggunakan alat seperti sistem pelacakan whale Blockcircle. Ketika trader besar masuk atau keluar dari posisi tanpa katalis publik yang jelas, mereka mungkin menanggapi informasi yang belum diproses secara luas. Tidak adanya berita yang jelas membuat perilaku perdagangan mereka lebih informatif, bukan kurang.
Kadang-kadang informasi paling berharga datang dari apa yang tidak terjadi. Ketika pasar prediksi gagal bergerak sebagai respons terhadap berita yang tampak signifikan, non-reaksi itu memberi tahu Anda sesuatu tentang bagaimana peserta canggih sebenarnya memandang informasi itu. Selama musim laporan keuangan, misalnya, pasar prediksi pada hasil khusus perusahaan seringkali tetap stabil meskipun judul yang terdengar dramatis, menyarankan konten sebenarnya sudah diantisipasi.
Sinyal vs. Noise dalam Pemrosesan Informasi
Pembaruan Bayesian yang tepat memerlukan pembedaan antara sinyal dan noise dalam informasi baru. Sinyal adalah informasi yang sebenarnya mengubah probabilitas hasil yang Anda prediksi. Noise adalah informasi yang terasa relevan tetapi sebenarnya tidak menggeser probabilitas yang mendasari.
Contoh konkret: jika Anda memperdagangkan apakah rancangan undang-undang tertentu akan lolos di Kongres, cerita berita tentang senator yang memberikan pidato mendukung rancangan undang-undang mungkin terasa signifikan. Tetapi jika senator itu sudah diketahui mendukung rancangan undang-undang, pidato itu sebagian besar adalah noise. Namun, jika pidato mengungkap detail baru tentang potensi amandemen atau pembangunan koalisi, detail tersebut mungkin merupakan sinyal asli.
Alat pelacakan momentum di Blockcircle dapat membantu mengidentifikasi ketika pergerakan harga mencerminkan informasi baru yang asli versus noise sementara. Pergerakan arah berkelanjutan dengan volume meningkat biasanya menunjukkan sinyal. Pergerakan tajam yang cepat membalik sering menunjukkan noise atau reaksi berlebihan terhadap informasi yang kurang signifikan daripada yang awalnya tampak.
Kesalahan Umum dalam Pembaruan
Beberapa kesalahan sistematis dalam pembaruan probabilitas terdokumentasi dengan baik. Jangkar: menyesuaikan terlalu sedikit dari perkiraan sebelumnya, bahkan ketika bukti kuat. Reaksi berlebihan: menyesuaikan terlalu banyak untuk bukti lemah, terutama ketika itu jelas atau menonjol secara emosional. Pengabaian base rate: mengabaikan seberapa umum atau langka jenis peristiwa itu saat mengevaluasi bukti spesifik. Dan bias konfirmasi: memperbarui lebih banyak untuk bukti yang mengonfirmasi pandangan Anda yang ada daripada untuk bukti yang bertentangan dengannya.
Menyadari kesalahan ini tidak menghilangkannya, tetapi membantu. Ketika Anda menerima informasi baru tentang kontrak pasar prediksi, secara eksplisit bertanya "seberapa banyak ini seharusnya menggeser perkiraan saya?" dan membandingkannya dengan seberapa banyak Anda ingin menggesernya mengungkapkan arah dan besaran bias Anda.
Bias konfirmasi layak mendapat perhatian khusus karena sangat meluas dalam perdagangan pasar prediksi. Trader secara alami memperhatikan lebih banyak informasi yang mengonfirmasi posisi mereka yang ada dan mengabaikan informasi yang bertentangan. Ini menciptakan peluang bagi trader yang dapat memproses informasi yang bertentangan secara lebih objektif.
Satu pendekatan praktis adalah secara aktif mencari argumen terkuat yang bertentangan dengan posisi Anda saat ini sebelum membuat penyesuaian perdagangan apa pun. Jika Anda long pada hasil tertentu, secara khusus cari bukti paling kredibel yang menunjuk ke hasil alternatif. Ini membantu menetralkan kecenderungan alami untuk memilih informasi pendukung.
Penerapan Praktis
Untuk perdagangan pasar prediksi, pembaruan Bayesian menyediakan kerangka kerja untuk memutuskan kapan harus menyesuaikan posisi. Ketika informasi yang benar-benar mengejutkan tiba (informasi yang tidak akan Anda harapkan terlepas dari hasil mana yang terjadi), posisi Anda harus berubah. Ketika informasi yang diharapkan tiba (informasi yang sudah dihargai), posisi Anda tidak boleh berubah, bahkan jika berita terdengar dramatis.
Mesin salah harga pasar prediksi dapat membantu mengidentifikasi kapan harga saat ini tampak menyimpang dari apa yang akan disarankan pembaruan Bayesian mengingat informasi yang tersedia. Pasar yang tampaknya kurang bereaksi terhadap bukti kumulatif atau bereaksi berlebihan terhadap peristiwa dramatis terkini seringkali menghadirkan peluang perdagangan.
Pertimbangkan untuk mengembangkan pendekatan sistematis untuk pemrosesan informasi. Sebelum memperdagangkan informasi baru apa pun, tanyakan pada diri sendiri: Apa probabilitas sebelumnya saya? Apa kemungkinan mengamati informasi ini di bawah skenario yang berbeda? Seberapa banyak ini harus menggeser perkiraan saya? Hanya setelah bekerja melalui kerangka kerja ini Anda harus mempertimbangkan penyesuaian posisi.
Wawasan kuncinya adalah bahwa tidak semua informasi diciptakan sama. Satu titik data yang bertentangan dengan tren kuat layak mendapat bobot lebih sedikit daripada beberapa sumber independen yang menunjuk ke arah yang sama. Pembaruan Bayesian menyediakan kerangka matematika untuk menimbang informasi dengan tepat, tetapi mengembangkan intuisi yang baik untuk kualitas informasi membutuhkan latihan.
Jelajahi alat-alat ini di Blockcircle: Prediction Markets Mispricing Engine