Ti mostro come i migliori quant di Polymarket modellano il prezzo come una sequenza di stati per trovare operazioni ad alta probabilità in modo consistente, e ti fornisco il framework completo che puoi iniziare a costruire oggi stesso.
Andiamo dritti al punto →
Apri un qualsiasi mercato e osserva cosa fa il tuo cervello. Vedi "42¢", provi una sensazione di troppo economico, troppo caro, giusto, e quella sensazione diventa un clic. Questo è l'intero processo decisionale per quasi tutti sulla piattaforma. Un numero, una reazione istintiva, una posizione.
Ora guarda cosa fa un desk con lo stesso grafico. Loro non vedono un numero. Vedono un prezzo che ha passato le ultime sei settimane in determinati intervalli, rimbalzando su altri, occasionalmente bloccandosi vicino a un bordo. Vedono qualcosa che si muove con memoria di dove si trova, ma non di dove è stato. E hanno un nome per oggetti che si comportano esattamente in questo modo, perché lo stesso comportamento si manifesta nei default creditizi, nelle sequenze genetiche, in come i neutroni rimbalzano attorno al nocciolo di un reattore, nell'algoritmo che decideva quale pagina web fosse importante prima che Google diventasse un verbo.
Quest'oggetto è una Catena di Markov. È uno degli strumenti più collaudati nella probabilità applicata, e quasi nessuno nei mercati di previsione la sta usando.
La folla è impegnata a rispondere alla domanda sbagliata. Vogliono sapere se questo risolverà SÌ. È un lancio di moneta travestito da opinione forte. I desk stanno rispondendo a una domanda molto più utile: data la posizione precisa di questo prezzo in questo momento, qual è l'intera gamma delle prossime mosse, e con che frequenza si verifica ciascuna? Rispondi a questo con dati reali e l'operazione si dimensiona da sola.
Non hai bisogno di una laurea in finanza quantitativa per farlo. Hai bisogno di cinque passaggi, poche decine di righe di Python e la disciplina di fidarti del risultato invece del tuo istinto. Questo è l'intero articolo.
Ecco cosa sarai in grado di fare dopo averlo letto: leggere un contratto come farebbe una macchina a stati invece che un giocatore d'azzardo; trasformare la cronologia dei prezzi grezzi in una mappa di transizione che mostra ogni mossa che il mercato effettivamente compie; eseguire diecimila simulazioni di risoluzione basate su quella mappa in una frazione di secondo; correggere quei risultati verso la realtà usando 72,1 milioni di operazioni come prova, così il tuo modello smette di pagare troppo per le scommesse a lunga distanza; ed evitare l'abitudine di esecuzione con un clic che silenziosamente regala il tuo vantaggio a qualcun altro prima ancora che il mercato si risolva.
Parte 1 - L'Idea Centrale
Una Catena di Markov modella un sistema che si muove tra stati, dove la probabilità dello stato successivo dipende solo dallo stato corrente, non dall'intera storia.
Su Polymarket, lo "stato" è il prezzo del contratto.
Un contratto viene scambiato tra 0¢ e 100¢. In ogni momento, il prezzo si trova in uno di questi stati. Dove si muoverà dopo dipende da dove si trova ora, non da dov'era tre settimane fa.
Questa singola proprietà è ciò che rende la cosa fattibile. Non devi modellare l'intera storia di un mercato. Devi solo sapere due cose: in che stato si trova ora, e con che frequenza si è storicamente spostato da quello stato a ogni altro stato.
Questa seconda cosa—la mappa di come i prezzi si muovono tra gli stati—si chiama matrice di transizione. Tutto inizia da lì.
Parte 2 - Passo 1: Costruisci la Matrice di Transizione
La matrice di transizione è la mappa del tuo mercato. Ti dice: dato un qualsiasi prezzo, qual è la probabilità di spostarsi a ogni altro prezzo successivo?
Ecco come la costruisci.
Prima, prendi la cronologia dei prezzi di un mercato. Poi discretizzi il prezzo in stati—per Polymarket, 10 stati funzionano bene [0-10¢, 10-20¢, ... 90-100¢]. Poi conti quanto spesso il prezzo si è spostato da ogni stato a ogni altro stato e normalizzi in modo che ogni riga sommi a 1,0.
Il punto chiave: i mercati vicino a 50¢ hanno distribuzioni di transizione ampie—possono oscillare in entrambe le direzioni. I mercati vicino a 5¢ o 95¢ hanno distribuzioni strette—tendono a rimanere ancorati agli estremi.
Questa asimmetria è l'intera base del bias delle scommesse a lunga distanza, che sfrutteremo nel Passo 3.
Una regola critica: ogni stato nella tua matrice deve essere stimato da almeno 20-30 transizioni osservate. Se un intervallo di prezzo è stato visitato solo due volte, la sua riga è rumore. O raccogli più cronologia o unisci gli stati sparsi.
Parte 3 - Passo 2: Esegui la Simulazione Monte Carlo
La matrice di transizione ti dice cosa succede in un passo. Ma a te non interessa un passo. A te interessa dove finisce il mercato alla risoluzione.
Quindi simuli. Inizia dallo stato di prezzo corrente. Cammina in avanti attraverso la matrice, un passo casuale alla volta, fino alla scadenza. Poi ripeti 10.000 volte e conta quanti percorsi sono finiti in territorio SÌ.
Quella frazione è la tua probabilità reale stimata:
Ognuno di quei 10.000 percorsi simulati è un futuro possibile. Alcuni schizzano a 90¢ (risolve SÌ). Alcuni crollano a 5¢ (risolve NO). La frazione che atterra in territorio SÌ è la tua stima di probabilità—e 10.000 simulazioni vengono eseguite in circa un decimo di secondo.
Questo è lo stesso metodo che i fisici usavano per simulare il comportamento dei neutroni nei primi reattori nucleari. Non calcoli analiticamente ogni futuro possibile. Campioni migliaia di essi e conti.
Parte 4 - Passo 3: Calibra Contro il Bias delle Scommesse a Lunga Distanza
Ecco dove si rompono la maggior parte dei modelli della gente.
La tua simulazione Monte Carlo sovrastimerà sistematicamente la probabilità delle scommesse a lunga distanza. Perché? Perché la matrice di transizione grezza non sa che i contratti a basso prezzo sono strutturalmente sopravvalutati dalla folla.
Sappiamo che lo sono grazie ai dati.
Nel 2026, il ricercatore Jonathan Becker ha analizzato 72,1 milioni di operazioni per un volume di 18,26 miliardi di dollari. Il più grande studio empirico sulla microstruttura dei mercati di previsione mai pubblicato. I risultati sono brutali e coerenti:
Un contratto a 5¢ dovrebbe vincere il 5% delle volte. In realtà vince il 4,18%. Un contratto a 1¢ dovrebbe vincere l'1% delle volte. In realtà vince lo 0,43%.
Per ogni dollaro che metti in contratti a 1¢ come taker, ricevi indietro 43 centesimi. È peggio di una slot machine, che restituisce circa 90 centesimi per dollaro.
Quindi, prima di agire in base al risultato Monte Carlo, lo calibri contro questo bias noto:
C'è un secondo risultato che vale la pena memorizzare. Becker ha scoperto che NO supera SÌ a 99 livelli di prezzo su 69. I taker acquistano SÌ in modo sproporzionato—scommettono sulla loro squadra, sul loro candidato, sui loro interessi. Questa domanda gonfia i prezzi di SÌ e deprime i prezzi di NO.
La regola: se devi fare trading come taker sotto i 30¢, compra NO invece di SÌ. Non stai combattendo il bias—lo stai cavalcando.
Parte 5 - Passo 4: Dimensiona con Kelly
Hai una probabilità calibrata. Il mercato ha un prezzo. C'è un vantaggio. Ora: quanto scommetti?
La risposta sbagliata è "tanto, perché sono fiducioso". È così che i trader con un vero vantaggio riescono comunque a fallire—dimensionano eccessivamente, incontrano una serie di perdite e non si riprendono mai.
La risposta giusta è il Criterio di Kelly, che ti dà la dimensione della scommessa matematicamente ottimale per qualsiasi vantaggio.
Kelly fa qualcosa che nessuna sensazione istintiva può fare: scala automaticamente la tua scommessa in base al tuo vantaggio. Vantaggio minimo, scommessa minima. Vantaggio enorme, scommessa grande, ma mai abbastanza grande da cancellarti in una serie negativa.
Usa un quarto di Kelly (0,25×). Il Kelly completo massimizza la crescita a lungo termine sulla carta, ma i drawdown sono psicologicamente insostenibili e un singolo errore di stima può essere catastrofico. Ogni professionista dimensiona in modo frazionario.
Parte 6 - Passo 5: Esegui con Ordini Limite
Puoi avere un modello perfetto e comunque perdere soldi sull'esecuzione. Questo è il passaggio che i trader al dettaglio saltano, e vale più del modello stesso.
I dati di Becker su 72,1 milioni di operazioni hanno scoperto il singolo fatto più importante sull'esecuzione nei mercati di previsione:
I maker (ordini limite) guadagnano +1,12% per operazione. I taker (ordini a mercato) perdono −1,12% per operazione.
Questa è una differenza di 2,24 punti percentuali, ed è statisticamente robusta in tutto il dataset.
Ecco la parte che la gente non capisce: i maker non vincono perché prevedono meglio. I maker che acquistano SÌ guadagnano +0,77%. I maker che acquistano NO guadagnano +1,25%. Vincono perché forniscono liquidità a persone che pagano sistematicamente un sovrapprezzo per essere eseguite immediatamente.
Ogni ordine a mercato che piazzi paga quella che Becker chiama la "Tassa sull'Ottimismo". Il tuo Monte Carlo potrebbe gridare ACQUISTA, ma se attraversi lo spread con un ordine a mercato, hai restituito il tuo vantaggio prima ancora che l'operazione inizi.
Anche la categoria conta. Becker ha scoperto che il divario maker-taker varia di 40× tra le categorie. I mercati finanziari sono quasi efficienti (gap di 0,17 pp)—sono pieni di analisti macro che pensano in termini di probabilità. I mercati di intrattenimento ed eventi mondiali hanno gap di 4,79-7,32 pp—sono pieni di fan e scommettitori basati su narrazioni che pagano troppo per SÌ.
Se stai eseguendo una strategia da maker, punta a Sport, Crypto e Intrattenimento, dove la Tassa sull'Ottimismo è più alta.
Parte 7 - Il Sistema Completo
Ecco tutto assemblato in un'unica pipeline. La cronologia dei prezzi entra. Una decisione commerciale completa—direzione, dimensione e istruzione di esecuzione—esce.
Questo è l'intero framework. Cinque passaggi, una classe, completamente eseguibile. Dagli in pasto la cronologia dei prezzi di un mercato e il prezzo corrente, e restituisce una decisione commerciale calibrata, dimensionata correttamente ed eseguita correttamente—o ti dice di passare.
Il Sistema in 5 Passaggi, Riassunto
- Costruisci il modello di Markov. Prendi 30-60 giorni di cronologia dei prezzi. Discretizza in 10 stati. Calcola la matrice di transizione. Questo cattura come il mercato si muove realmente, non come pensi che si muova.
- Esegui Monte Carlo. Parti dallo stato corrente. Esegui 10.000 passeggiate casuali attraverso la matrice. La frazione che termina in territorio SÌ è la tua stima di probabilità grezza.
- Calibra contro il bias. Applica la correzione empirica di Becker. Un 5% grezzo diventa un vero 4,18%. Saltare questo passaggio è il motivo per cui la maggior parte dei modelli fatti in casa perde soldi.
- Dimensiona con un quarto di Kelly. Non scommettere mai più di quanto la matematica permetta. Il Kelly completo è ottimale sulla carta e rovinoso nella pratica. Un quarto di Kelly sopravvive.
- Esegui con ordini limite. Maker = +1,12%. Taker = −1,12%. Questa differenza di 2,24 pp vale più del tuo modello. Non attraversare mai lo spread a meno che il tuo vantaggio non sia enorme e sensibile al tempo.
Conclusione - Cosa Fare Dopo
Questo framework è completamente implementabile in un weekend. La matrice di transizione è una dozzina di righe di Python. Monte Carlo è un decimo di secondo. La tabella di calibrazione è proprio qui in questo articolo, basata su 72,1 milioni di operazioni reali.
Ma un backtest non è trading dal vivo. Prima di rischiare un dollaro, fai tre cose:
Primo, testalo con walk-forward. Re-stima la matrice di transizione a ogni passo usando solo i dati disponibili in quel momento. Non permettere mai ai prezzi futuri di filtrare nelle stime passate. Un modello che sembra brillante con il lookahead bias ti dissanguerà silenziosamente dal vivo.
Secondo, inizia con operazioni cartacee. Esegui il sistema completo su mercati dal vivo senza soldi veri per due settimane. Confronta le sue probabilità calibrate con le risoluzioni effettive. Se è ben calibrato, le chiamate al 55% dovrebbero risolversi SÌ circa il 55% delle volte.
Terzo, rispetta le assunzioni. La proprietà di Markov è un'approssimazione—i mercati a volte hanno una memoria più lunga di un passo. Le probabilità di transizione cambiano nel tempo, quindi ristima su una finestra mobile. E non fidarti mai di una cella della matrice costruita da meno di 20-30 transizioni.
La Catena di Markov non predice il futuro. Fa qualcosa di più utile: quantifica la probabilità di ogni futuro possibile dato dove ti trovi ora e ti dice con precisione quando il mercato ha prezzato male quella probabilità.
Questo è l'intero vantaggio. La folla guarda il prezzo. Tu guardi la struttura sottostante.
Ora vai a costruirlo!
