Je vais décomposer comment les meilleurs quants sur Polymarket modélisent le prix comme une séquence d'états pour trouver systématiquement des trades à haute probabilité, et vous donner le framework complet que vous pouvez commencer à construire dès aujourd'hui.
Allons droit au but →
Ouvrez n'importe quel marché et regardez ce que fait votre cerveau. Vous voyez « 42 ¢ », vous ressentez quelque chose de trop bon marché, trop cher, à peu près juste, et cette sensation devient un clic. C'est tout le processus de décision pour presque tout le monde sur la plateforme. Un chiffre, une réaction viscérale, une position.
Maintenant, regardez ce qu'un bureau de trading fait avec le même graphique. Ils ne voient pas un chiffre. Ils voient un prix qui a passé les six dernières semaines à vivre dans certaines fourchettes, à rebondir sur d'autres, occasionnellement à se coincer près d'une limite. Ils voient une chose qui bouge avec la mémoire de là où elle est, mais pas de là où elle a été. Et ils ont un nom pour les objets qui se comportent exactement comme ça, parce que le même comportement apparaît dans les défauts de crédit, dans les séquences génétiques, dans la façon dont les neutrons rebondissent dans un cœur de réacteur, dans l'algorithme qui décidait quelle page web comptait avant que Google ne devienne un verbe.
Cet objet est une chaîne de Markov. C'est l'un des outils les plus éprouvés en probabilités appliquées, et presque personne sur les marchés de prédiction ne l'utilise.
La foule s'acharne à répondre à la mauvaise question. Ils veulent savoir : est-ce que ça va se résoudre OUI. C'est un pile ou face déguisé en opinion tranchée. Les bureaux répondent à une question bien plus utile : étant donné exactement où se trouve ce prix maintenant, à quoi ressemble l'éventail complet des prochains mouvements, et à quelle fréquence chacun se produit-il réellement ? Répondez à cela avec des données réelles et le trade se taille de lui-même.
Vous n'avez pas besoin d'un diplôme de quant pour faire ça. Vous avez besoin de cinq étapes, de quelques dizaines de lignes de Python, et de la discipline pour faire confiance au résultat plutôt qu'à votre instinct. C'est tout l'article.
Voici ce que vous saurez faire après l'avoir lu : lire un contrat comme le fait une machine d'état au lieu d'un parieur ; transformer l'historique des prix brut en une carte de transition qui montre chaque mouvement que le marché effectue réellement ; exécuter dix mille résolutions simulées à partir de cette carte en une fraction de seconde ; ramener ces résultats vers la réalité en utilisant 72,1 millions de transactions comme preuve, afin que votre modèle cesse de surpayer les outsiders ; et éviter l'habitude d'exécution en un clic qui cède silencieusement votre avantage à quelqu'un d'autre avant même que le marché ne se règle.
Partie 1 - L'idée centrale
Une chaîne de Markov modélise un système qui se déplace entre des états, où la probabilité de l'état suivant ne dépend que de l'état actuel, pas de l'historique complet.
Sur Polymarket, « l'état » est le prix du contrat.
Un contrat se négocie entre 0 ¢ et 100 ¢. À tout moment, le prix se trouve dans l'un de ces états. Là où il se déplace ensuite dépend de là où il est maintenant, pas de là où il était il y a trois semaines.
Cette propriété unique est ce qui rend le problème traitable. Vous n'avez pas besoin de modéliser tout l'historique d'un marché. Vous avez seulement besoin de savoir deux choses : dans quel état il se trouve maintenant, et à quelle fréquence il est historiquement passé de cet état à tous les autres.
Cette deuxième chose – la carte de la façon dont les prix se déplacent entre les états – s'appelle la matrice de transition. Tout commence là.
Partie 2 - Étape 1 : Construire la matrice de transition
La matrice de transition est la carte de votre marché. Elle vous indique : à partir d'un prix donné, quelle est la probabilité de passer à chaque autre prix ensuite.
Voici comment la construire.
D'abord, vous prenez l'historique des prix d'un marché. Ensuite, vous discrétisez le prix en états – pour Polymarket, 10 états fonctionnent bien [0-10 ¢, 10-20 ¢, ... 90-100 ¢]. Puis vous comptez combien de fois le prix est passé de chaque état à chaque autre état, et vous normalisez pour que chaque ligne somme à 1,0.
L'idée clé : les marchés proches de 50 ¢ ont de larges distributions de transition – ils peuvent basculer dans un sens ou dans l'autre. Les marchés proches de 5 ¢ ou 95 ¢ ont des distributions étroites – ils ont tendance à rester bloqués aux extrêmes.
Cette asymétrie est le fondement complet du biais des outsiders, que nous exploiterons à l'étape 3.
Une règle cruciale : chaque état de votre matrice doit être estimé à partir d'au moins 20-30 transitions observées. Si un compartiment de prix n'a été visité que deux fois, sa ligne est du bruit. Soit vous rassemblez plus d'historique, soit vous fusionnez les états clairsemés.
Partie 3 - Étape 2 : Lancer une simulation Monte Carlo
La matrice de transition vous indique ce qui se passe en une étape. Mais vous ne vous souciez pas d'une étape. Vous vous souciez de là où le marché finit à la résolution.
Donc vous simulez. Commencez à l'état de prix actuel. Avancez à travers la matrice, un pas aléatoire à la fois, jusqu'à l'expiration. Puis répétez cela 10 000 fois et comptez combien de chemins se sont terminés en territoire OUI.
Cette fraction est votre probabilité réelle estimée :
Chacun de ces 10 000 chemins simulés est un futur possible. Certains montent à 90 ¢ (OUI se résout). Certains s'effondrent à 5 ¢ (NON se résout). La fraction qui atterrit en territoire OUI est votre estimation de probabilité – et 10 000 simulations s'exécutent en environ un dixième de seconde.
C'est la même méthode que les physiciens utilisaient pour simuler le comportement des neutrons dans les premiers réacteurs nucléaires. Vous ne calculez pas tous les futurs possibles de manière analytique. Vous en échantillonnez des milliers et vous comptez.
Partie 4 - Étape 3 : Calibrer contre le biais des outsiders
C'est là que la plupart des modèles des gens se cassent les dents.
Votre simulation Monte Carlo va systématiquement surestimer la probabilité des outsiders. Pourquoi ? Parce que la matrice de transition brute ne sait pas que les contrats bon marché sont structurellement surévalués par la foule.
Nous savons qu'ils le sont grâce aux données.
En 2026, le chercheur Jonathan Becker a analysé 72,1 millions de transactions sur un volume de 18,26 milliards de dollars. La plus grande étude empirique jamais publiée sur la microstructure des marchés de prédiction. Les résultats sont brutaux et cohérents :
Un contrat à 5 ¢ devrait gagner 5 % du temps. Il gagne en réalité 4,18 %. Un contrat à 1 ¢ devrait gagner 1 % du temps. Il gagne en réalité 0,43 %.
Pour chaque dollar que vous mettez dans des contrats à 1 ¢ en tant que preneur, vous récupérez 43 cents. C'est pire qu'une machine à sous, qui rend environ 90 cents par dollar.
Alors, avant d'agir sur votre résultat Monte Carlo, vous le calibrez par rapport à ce biais connu :
Il y a un deuxième résultat qui mérite d'être gravé dans votre mémoire. Becker a découvert que NON surpasse OUI à 69 niveaux de prix sur 99. Les preneurs achètent de manière disproportionnée OUI – ils parient sur leur équipe, leur candidat, leurs actifs. Cette demande gonfle les prix des OUI et déprime les prix des NON.
La règle : si vous devez trader en tant que preneur en dessous de 30 ¢, achetez NON plutôt que OUI. Vous ne combattez pas le biais – vous le chevauchez.
Partie 5 - Étape 4 : Dimensionner avec Kelly
Vous avez une probabilité calibrée. Le marché a un prix. Il y a un avantage. Maintenant : combien pariez-vous ?
La mauvaise réponse est « beaucoup, parce que je suis confiant ». C'est ainsi que des traders avec un véritable avantage font quand même faillite – ils surdimensionnent, subissent une série de pertes, et ne s'en remettent jamais.
La bonne réponse est le critère de Kelly, qui vous donne la taille de mise mathématiquement optimale pour tout avantage.
Kelly fait quelque chose qu'aucune intuition ne peut faire : il dimensionne votre mise automatiquement en fonction de votre avantage. Petit avantage, petite mise. Avantage massif, mise importante – mais jamais assez importante pour vous anéantir sur une mauvaise série.
Utilisez le quart de Kelly (0,25×). Le Kelly complet maximise la croissance à long terme sur le papier, mais les drawdowns sont psychologiquement insupportables et une seule erreur d'estimation peut être catastrophique. Tous les professionnels fractionnent.
Partie 6 - Étape 5 : Exécuter avec des ordres limites
Vous pouvez avoir un modèle parfait et quand même perdre de l'argent sur l'exécution. C'est l'étape que les traders particuliers sautent, et elle vaut plus que le modèle lui-même.
Les données de Becker sur les 72,1 millions de transactions ont trouvé le fait d'exécution le plus important sur les marchés de prédiction :
Les faiseurs de marché (ordres limites) gagnent +1,12 % par transaction. Les preneurs (ordres au marché) perdent −1,12 % par transaction.
C'est un écart de 2,24 points de pourcentage, et il est statistiquement inattaquable sur l'ensemble du jeu de données.
Voici ce que les gens oublient : les faiseurs ne gagnent pas parce qu'ils prédisent mieux. Les faiseurs achetant OUI gagnent +0,77 %. Les faiseurs achetant NON gagnent +1,25 %. Ils gagnent parce qu'ils fournissent de la liquidité à des gens qui surpayent systématiquement pour être exécutés instantanément.
Chaque ordre au marché que vous passez paie ce que Becker appelle la « taxe d'optimisme ». Votre Monte Carlo peut crier ACHÈTE, mais si vous traversez le spread avec un ordre au marché, vous avez rendu votre avantage avant même que le trade ne commence.
La catégorie compte aussi. Becker a constaté que l'écart faiseur-preneur varie de 40 fois selon les catégories. Les marchés financiers sont presque efficaces (écart de 0,17 pp) – ils sont remplis d'analystes macro qui pensent en probabilités. Les marchés de divertissement et d'événements mondiaux ont des écarts de 4,79-7,32 pp – ils sont remplis de fans et de parieurs narratifs qui surpayent pour le OUI.
Si vous utilisez une stratégie de faiseur, ciblez les Sports, les Crypto et le Divertissement, là où la taxe d'optimisme est la plus grasse.
Partie 7 - Le système complet
Voici tout assemblé en un seul pipeline. L'historique des prix entre. Une décision de trade complète – direction, taille et instruction d'exécution – sort.
C'est tout le framework. Cinq étapes, une classe, entièrement exécutable. Donnez-lui l'historique des prix d'un marché et le prix actuel, et il retourne une décision de trade calibrée, correctement dimensionnée et correctement exécutée – ou vous dit de passer votre tour.
Le système en 5 étapes, résumé
- Construisez le modèle de Markov. Prenez 30 à 60 jours d'historique des prix. Discrétisez en 10 états. Calculez la matrice de transition. Cela capture comment le marché bouge réellement, pas comment vous pensez qu'il bouge.
- Lancez Monte Carlo. Commencez à l'état actuel. Exécutez 10 000 marches aléatoires à travers la matrice. La fraction se terminant en territoire OUI est votre estimation de probabilité brute.
- Calibrez contre le biais. Appliquez la correction empirique de Becker. Un 5 % brut devient un 4,18 % réel. Sauter cette étape est la raison pour laquelle la plupart des modèles maison perdent de l'argent.
- Dimensionnez avec le quart de Kelly. Ne pariez jamais plus que ce que les maths permettent. Le Kelly complet est optimal sur papier et ruineux en pratique. Le quart de Kelly survit.
- Exécutez avec des ordres limites. Faiseur = +1,12 %. Preneur = −1,12 %. Cet écart de 2,24 pp vaut plus que votre modèle. Ne traversez jamais le spread à moins que votre avantage soit énorme et urgent.
Conclusion - Que faire ensuite
Ce framework est entièrement implémentable en un week-end. La matrice de transition est une douzaine de lignes de Python. Monte Carlo est un dixième de seconde. La table de calibration est juste là dans cet article, tirée de 72,1 millions de transactions réelles.
Mais un backtest n'est pas du trading en direct. Avant de risquer un dollar, faites trois choses :
Premièrement, testez-le en walk-forward. Ré-estimez la matrice de transition à chaque étape en utilisant uniquement les données disponibles à ce moment-là. Ne laissez jamais les prix futurs fuir dans les estimations passées. Un modèle qui semble brillant avec un biais de regard en arrière vous saignera silencieusement en direct.
Deuxièmement, commencez par des trades papier. Faites tourner le système complet sur des marchés en direct sans argent réel pendant deux semaines. Comparez ses probabilités calibrées avec les résolutions réelles. S'il est bien calibré, les appels à 55 % devraient se résoudre OUI environ 55 % du temps.
Troisièmement, respectez les hypothèses. La propriété de Markov est une approximation – les marchés ont parfois une mémoire plus longue qu'une seule étape. Les probabilités de transition dérivent avec le temps, donc ré-estimez sur une fenêtre glissante. Et ne faites jamais confiance à une cellule de matrice construite à partir de moins de 20-30 transitions.
La chaîne de Markov ne prédit pas l'avenir. Elle fait quelque chose de plus utile : elle quantifie la probabilité de chaque futur possible étant donné où vous êtes maintenant, et vous dit précisément quand le marché a mal évalué cette probabilité.
C'est tout l'avantage. La foule regarde le prix. Vous regardez la structure en dessous.
Alors maintenant, allez la construire !
