Квант-агенты на рынках прогнозов: цикл Auto ML в Claude Opus 5.5

Рынки предсказаний (Prediction Markets) переживают взрывной рост объемов, превращаясь в один из самых динамичных финансовых сегментов. Однако в отличие от зрелых фондовых рынков, ценообразование здесь часто страдает от выраженной неэффективности: участники торгов подвержены эмоциональным реакциям, а ликвидность распределяется неравномерно.

Исследователи канала All About AI представили практическую реализацию автономного квант-агента на базе Claude Opus 5.5, созданного для круглосуточного поиска статистического арбитража на регулируемой американской бирже Kalshi и глобальной платформе Polymarket.

Реальный кейс: арбитраж на доходности казначейских облигаций

Эффективность агентного подхода подтвердилась на реальном рыночном примере. Агент обнаружил аномальное расхождение в оценке контрактов на уровень доходности 30-летних казначейских облигаций США (30-year Treasury yields) к 1 января на платформе Kalshi.

В то время как макроэкономические прогнозы и фьючерсные индикаторы свидетельствовали о высокой вероятности достижения целевого уровня ставок, рыночный стакан Kalshi оценивал вероятность этого исхода всего в 6–11%. Агент вошел в позицию по ценам 6, 8 и 11 центов за контракт. Менее чем за сутки рынок скорректировал дисбаланс, и цена контракта подскочила до диапазона 65–85 центов, обеспечив нереализованную доходность от +455% до +900%.

Ключевое преимущество Claude Opus 5.5 перед классическими скриптами заключается в способности глубоко анализировать не только котировки, но и текстовые юридические условия разрешения контрактов (resolution rules), выявляя логические ошибки в ожиданиях толпы.

Архитектура исследовательского цикла Auto ML

Система построена по замкнутому циклу машинного обучения (Auto ML):

1. Непрерывный мониторинг стаканов заявок (order books), спредов и объемов через открытые API.
2. Формирование гипотез о межрыночном арбитраже и сопоставление вероятностей одинаковых событий на разных площадках.
3. Долговременная память исследований (Research Memory), сохраняющая историю удачных сигналов и ложных срабатываний.
4. Голосовой торговый интерфейс к децентрализованной бирже деривативов Hyperliquid для мгновенного ручного подтверждения крупных сделок.

Для сканирования котировок и сравнения цен между платформами используется асинхронный Python-модуль:

import asyncio
import httpx

async def fetch_kalshi_market(ticker: str) -> dict:
    url = f"https://api.elections.kalshi.com/trade-api/v2/markets/{ticker}/orderbook"
    async with httpx.AsyncClient() as client:
        resp = await client.get(url, timeout=10.0)
        data = resp.json()
        yes_bids = data.get("orderbook", {}).get("yes", [])
        best_yes = yes_bids[-1][0] if yes_bids else None
        return {"platform": "kalshi", "ticker": ticker, "best_yes_cents": best_yes}

async def fetch_polymarket_book(token_id: str) -> dict:
    url = f"https://clob.polymarket.com/book?token_id={token_id}"
    async with httpx.AsyncClient() as client:
        resp = await client.get(url, timeout=10.0)
        book = resp.json()
        bids = book.get("bids", [])
        best_bid = float(bids[0]["price"]) if bids else None
        return {"platform": "polymarket", "token_id": token_id, "best_bid": best_bid}

Модуль детекции сигналов сопоставляет полученные вероятности и фиксирует аномальные расхождения спреда:

async def scan_prediction_arbitrage(kalshi_ticker: str, poly_token_id: str):
    kalshi_res, poly_res = await asyncio.gather(
        fetch_kalshi_market(kalshi_ticker),
        fetch_polymarket_book(poly_token_id)
    )
    # Преобразование цен в нормализованные вероятности от 0 до 1
    k_prob = (kalshi_res["best_yes_cents"] or 0) / 100.0
    p_prob = poly_res["best_bid"] or 0.0
    spread = abs(k_prob - p_prob)
    
    print(f"Оценка вероятностей: Kalshi={k_prob:.2f}, Polymarket={p_prob:.2f}, Спред={spread:.2%}")
    if spread > 0.15:
        print("[СИГНАЛ] Обнаружено аномальное расхождение цен между рынками!")

Риски и ограничения стратегии

Несмотря на привлекательную доходность, алгоритмическая торговля на рынках предсказаний несет специфические риски:

• Ограниченная ликвидность: книги заявок часто остаются неглубокими, из-за чего попытка открыть крупную позицию приводит к резкому сдвигу цены (проскальзыванию).
• Риск оракула (oracle resolution risk): формулировки исхода могут трактоваться оператором рынка иначе, чем предполагал алгоритм, что чревато потерей средств даже при очевидной фактической правоте.