本文将配对交易与均值回复思想引入美国总统选举博彩市场,利用带加性白噪声的时变均值Ornstein-Uhlenbeck模型刻画两位主要候选人合计隐含概率,并通过参数自助法构建预测上界识别交易信号,再以无截距Bradley-Terry模型选择具体候选人赔率。基于2020年数据训练、2024年数据样本外检验,策略产生130笔完整交易,经验覆盖率为95.1%,合成赔率价格平均收益为1.86%,未年化单笔Sharpe型比率为1.12,但该结果未计入真实交易摩擦,不能等同于可执行博彩交易利润。
| 2024年样本外指标 | 结果 |
|---|---|
| 完整交易数 | 130笔 |
| 经验预测覆盖率 | 95.1% |
| 平均合成赔率价格收益 | 1.86% |
| 未年化单笔Sharpe型比率 | 1.12 |
| 收益口径 | 赔率报价的比例变化,不等同于实际博彩利润 |
论文的核心思想是:民主党和共和党候选人的隐含概率具有显著的共同变化和短期反转特征,因此可以把两位候选人的联合隐含概率视为一种类似金融市场“价差”的指标。作者使用带有时间变化均值回复水平和加性观测噪声的潜在趋势型Ornstein-Uhlenbeck(OU)过程进行建模,再通过参数自助法构造单边预测区间;当模型判断联合隐含概率很可能下降时,系统产生下注信号,随后用无截距Bradley-Terry模型决定选择哪一位候选人的赔率报价。,
论文对2024年样本的主要结果是:产生130个信号,单步预测区间的经验覆盖率为95.1%,合成赔率价格的平均收益为1.86%,未年化的逐笔Sharpe型比率为1.12。不过,作者明确强调,这些收益是无摩擦的、描述性的赔率报价变化,并不等于现实博彩交易中可以实际获得的利润。,
因此,作者试图传达的主要信息不是“已经发现了可稳定获利的博彩策略”,而是:在两位主要候选人占据市场主导地位的选举中,配对交易思想、状态空间模型、预测区间和候选人选择模型可以被整合成一个具有一定预测能力的概念验证框架。,
传统配对交易寻找两个历史上高度相关的资产。当两者价格关系暂时偏离均衡时,交易者买入相对低估者、卖出相对高估者,预期两者关系最终回归。论文将这种思想转化到美国总统选举市场中:特朗普与拜登、特朗普与哈里斯分别构成两候选人市场,虽然两者不是传统意义上的“资产对”,但其隐含概率通常具有反向变化特征,即一位候选人的概率上升时,另一位候选人的概率往往下降。,
这里的关键改造是,论文并没有直接把两位候选人的概率差作为交易价差,而是构造两位候选人隐含概率之和。若某一时点联合概率异常高,且模型预期下一期会回落,那么至少一位候选人的隐含概率会下降;由于十进制赔率等于隐含概率的倒数,概率下降通常对应赔率上升,作者便将其解释为潜在的赔率价格上涨机会。,
这种处理具有一定逻辑合理性,但也改变了传统配对交易的含义。金融配对交易通常包含明确的多空组合,而本文实际上先判断“何时可能出现概率下降”,再判断“哪位候选人的赔率更可能上升”。因此,它是受配对交易启发的单边选择策略,而不是严格意义上的同时做多和做空两项资产。,
如果十进制赔率为 (O_{i,t}),其倒数 (1/O_{i,t}) 可被解释为市场隐含概率,但该隐含概率不一定等于真实概率。完整市场中所有互斥且穷尽结果的隐含概率之和,在公平市场中应当等于1;若高于1,超出部分通常被称为over-round,即市场超额概率或超额水位。,
本文只研究民主党和共和党候选人,而不是完整的候选人集合。因此,两位主要候选人的隐含概率之和低于1并不矛盾,因为剩余概率仍可能分配给第三党、独立候选人或其他市场结果。作者认为,随着选举临近、两党候选人逐渐成为明确的二元竞争主体,市场会将更多概率质量重新分配给两位主要候选人,于是二候选人联合隐含概率总体呈上升趋势。,
作者还讨论了P2P交易所与传统博彩公司之间的区别。Betfair交易所的赔率由参与者提交并撮合的订单形成,不是平台直接设定的固定赔率;买卖价差、订单簿流动性、参与者估值差异和未完全消除的供给者利润,都可能使隐含概率总和偏离1。这意味着联合隐含概率的均衡水平不必固定为1,也不能简单把所有偏离1的变化都解释成预测错误或套利机会。
2020年数据用于训练和模型构建,观察期从2020年8月23日开始,接近特朗普获得共和党正式提名的时间,至11月4日结束,清洗后共有21,181条观察记录。2024年数据用于样本外检验,观察期为2024年8月23日至11月6日,以五分钟为间隔记录,清洗后共有21,689条记录。
2020年样本中,特朗普和拜登的隐含概率总体呈明显反向关系。特朗普感染新冠期间,两个系列出现了较长的近似横盘段,之后又恢复更明显的波动;这说明重大政治事件可能暂时改变市场赔率的动态结构。
2024年样本中,特朗普与哈里斯的隐含概率也表现出较强共同运动,但同时存在阶段性的收敛与分歧。联合隐含概率整体从约0.97附近逐渐上升至接近1,说明市场越来越把选举视为特朗普与哈里斯之间的二元竞争。
论文将两位主要候选人的联合隐含概率记为 (Z_t),并假设它不是直接由一个简单的确定性趋势产生,而是由一个不可直接观察的潜在状态驱动。潜在状态具有均值回复性质,同时观测值包含市场微观结构噪声。,
OU模型的核心含义是:当潜在状态偏离均衡水平时,会受到一个拉回均衡水平的漂移力量。参数含义大致如下:
相比固定均值OU模型,趋势型OU模型允许(\mu(t))变化。作者认为,政治信息持续到达、民意缓慢变化、竞选事件、辩论、民调和媒体报道等因素,会使市场的长期均衡逐渐移动;因此,均值回复并不意味着价格永远围绕一个固定常数波动,而是围绕一个不断演化的基准水平短期反转。,
由于实际观测到的是带噪声的 (Z_t),而不是潜在状态本身,观测过程不能简单地被视为Markov过程。当前观测值不足以完全代表当前潜在状态,过去的观测仍然包含关于潜在状态的信息。因此,论文将模型写成线性高斯状态空间形式,用Kalman滤波递归估计潜在状态、预测下一期观测并计算似然。,
论文采用两步估计法。第一步用惩罚薄板回归样条非参数估计边际均值函数 (M(t)=E(Z_t)),以便灵活刻画长期趋势;第二步把估计出的均值函数视为固定,通过最大化Kalman滤波产生的高斯创新似然来估计(\theta,\sigma^2,\omega^2)。优化使用L-BFGS-B算法,并通过迭代方式使均值估计与随机动态参数逐步收敛。
这种方法的优点是能够同时处理长期趋势、潜在状态不确定性和观测噪声;其代价是计算量较大。论文报告,2020年在线学习和重复估计过程在普通笔记本处理器上耗时约25,200秒,说明该方法在实时市场中的部署仍存在明显速度问题。,
赔率数据存在连续多个五分钟观察值完全相同的“平坦期”。作者没有简单把这些重复观测全部当作独立数据,也没有把它们当作缺失值,而是每个平坦期只保留一个观测,同时记录被压缩掉的原始观察间隔数 (q_j),并将该间隔直接纳入连续时间OU转移方程。,
这种处理承认两个事实:第一,连续相同报价并不一定意味着市场没有经过时间;第二,若忽略时间间隔,模型会错误地把相隔较久的两个价格变化当作相邻变化。对于真正缺失的观察,作者进一步假设其满足MCAR,即缺失概率与观测值和未观测值都无关。这一假设在市场活跃度较高或系统故障更容易发生时可能不成立,构成重要模型风险。
模型每个时点预测下一期联合概率 (Z_{t+1}) 的分布,并计算其上侧预测分位数。若当前 (Z_t) 高于下一期预测分布的上侧界限,模型认为下一期联合概率下降的概率至少达到设定的置信水平,于是生成交易信号。,
论文使用参数自助法估计预测分布。具体而言,在每个预测起点,模型只使用当时已经获得的历史数据重新估计平滑均值、均值回复参数和两个方差参数,再从拟合模型中递归模拟大量样本,重新拟合模型并生成下一期预测值,最后用模拟预测值的经验分位数构造上侧预测界限。,
该信号机制的经济解释是:联合隐含概率如果已经高于其下一期预测上界,意味着当前状态相对于模型预期过高,均值回复和随机波动共同作用下,下一期下降的概率较高。由于至少一位候选人的隐含概率会下降,至少一位候选人的十进制赔率可能上升。
这里的“95%”不是“交易成功率95%”。它表示预测区间的覆盖率目标,即在模型校准良好的情况下,约95%的下一期观测应落在构造的预测区间内。作者在2024年得到95.1%的经验覆盖率,说明预测区间的总体覆盖水平接近目标,但并不直接证明每笔交易都盈利。,
信号产生后,模型需要判断特朗普还是民主党候选人的赔率更可能上涨。作者为每位候选人构造特征,主要使用其最近一次隐含概率变化,并比较两位候选人未来隐含概率下降的相对幅度。,
如果候选人1的后续隐含概率变化小于候选人2,意味着候选人1的隐含概率下降得更多,因此候选人1的赔率更可能上涨。模型通过两位候选人的特征差构造一个反对称比较分数,并将其放入逻辑函数中,形成Bradley-Terry类型的成对比较模型。,
模型不包含截距项,这是一个重要的结构约束。若交换两位候选人的顺序,比较分数必须反号,候选人1胜出的概率也应转化为候选人2胜出的概率;非零截距会破坏这一反对称性。因此,特朗普赔率被选择的条件是比较分数不小于0,民主党候选人赔率被选择的条件是比较分数小于0。
这种设计优点是尊重候选人标签没有先验顺序的事实,避免模型因为“第一个候选人”身份而产生系统偏好。但模型仍然依赖2020年训练出的特征—结果关系能在2024年保持稳定,这一跨选举稳定性是样本外应用的关键假设。
论文把十进制赔率当作一种简化的“价格”,在信号时记录入场赔率,在该候选人赔率随后第一次发生变化时退出。若下一次变化后的赔率高于入场赔率,则计算正的比例赔率价格收益。,
该退出规则不是固定持有一个五分钟周期,而是等待报价第一次变化。因此,持有期取决于市场活跃度,可能很短,也可能较长;如果报价直到样本结束都没有再次变化,则该交易被视为未完成并排除。2024年样本中,所有130个信号均没有与已有持仓重叠,且所有选中的赔率都在样本结束前发生了变化,因此130个信号全部成为完成交易。
作者计算平均逐笔收益、逐笔收益标准差,并在无风险收益近似为零的条件下计算Sharpe型比率。由于交易持有期不相同、结果没有年化,该比率只是“未年化逐笔Sharpe型指标”,不能直接与传统投资组合的年化Sharpe比率比较。
最重要的限制是,这个收益不是实际博彩利润。它没有考虑买卖价差、交易手续费、订单队列、撮合概率、部分成交、挂单等待、lay bet的负债结构以及结算现金流。因此,1.86%是赔率报价的比例变化,而不是交易者实际账户收益。,
图1显示2020年观察期内特朗普和拜登的隐含概率。红线为特朗普,蓝线为拜登,两者大部分时间呈反向运动:拜登概率从约0.55附近上升至0.65—0.70区间时,特朗普概率大致从0.42—0.50下降至0.30—0.35附近。
图中10月初两条线出现明显平坦段,对应特朗普感染新冠期间。随后市场出现剧烈变化,说明重大事件会制造异常跳跃和结构性扰动。该图支持作者使用均值回复模型的总体动机,但也同时提示,正常时期估计的动态关系可能无法充分解释极端政治事件。
图2展示特朗普和哈里斯的隐含概率。样本早期两条线在0.5附近反复交叉,说明市场对两位候选人的相对判断较为均衡;10月中旬以后,特朗普隐含概率逐步上升至0.55—0.65左右,哈里斯则下降至约0.35—0.45区间。
两条曲线仍然存在共同波动和阶段性分歧,说明候选人之间并非机械的完全反向关系。联合隐含概率低于1但呈上升趋势,支持作者关于第三方或其他结果概率逐步减少、二元竞争地位增强的解释。
图3中,灰线是两位主要候选人的联合隐含概率,绿线是估计的时间变化均值回复水平,红线是上侧一步预测界限,蓝色叉号是交易信号;紫色虚线划分样本内初始训练期和在线预测期,橙色虚线标记10月2日和10月6日的特朗普新冠事件区间。
图中绿线总体由约0.975向接近1上升,说明趋势型OU模型捕捉到了联合隐含概率的长期上行。蓝色信号通常出现在灰线高于红色预测上界的位置,视觉上与“当前联合概率过高、下一期可能下降”的机制一致。
作者报告,完整2020样本识别出107个信号;排除新冠事件后,由于重新拟合了趋势和预测分布,信号数量反而为201个,来自4,135个非平坦时间点。两个信号数量不是嵌套关系,不能简单理解为“去掉事件后从107个中筛选出201个”;这是由于两个分析使用了不同拟合样本和不同预测界限。
图4显示2024年联合隐含概率的灰色观测序列、绿色时间变化均值回复水平、红色上侧预测界限和蓝色信号点。绿色均值从约0.97持续上升到接近1,体现了作者所强调的趋势特征。,
蓝色叉号集中出现在观测值超过红色界限的时点。2024年共有130个点落在预测区间之外,经验覆盖率为95.1%,略高于目标95%,表明预测区间略偏保守。从图形上看,后期市场波动明显扩大,红色预测界限与灰色序列之间的距离和局部波动均有所增加,这也解释了为什么模型需要同时处理趋势、潜在状态波动和观测噪声。
表1报告2020年趋势型OU加性噪声模型的最终参数估计,包括均值回复速度(\theta)、状态波动方差(\sigma^2)和观测噪声方差(\omega^2)。但在所提供的文本抽取结果中,表格的具体数值没有显示,因此不能可靠复述每个参数的精确估计值。,
正文给出的信息是:第一步平滑估计的长期均值点估计为0.988;估计的(\mu(t))从约0.975逐渐上升到接近1,与趋势型均值回复假设一致。因此,表1最重要的经济含义不是某一个单独参数的大小,而是模型同时识别出接近1的长期联合概率水平和明显的时间趋势。
表2报告2024年样本的最终点估计。正文说明,第一步估计得到的样本末期平滑均值为0.985,第二步估计了(\theta,\sigma^2,\omega^2),并且(\mu(t))从约0.97上升至接近1。
同样,由于表2的具体单元格数值未出现在提供的文本中,不能对(\theta,\sigma^2,\omega^2)作精确的数值比较。可以确认的结论是,2024年参数估计支持联合概率逐渐向1靠近,并为后续预测上界和信号产生提供了动态基础。
图5包含(\theta,\sigma^2,\omega^2)三个面板。黑色曲线是1000次模拟中参数估计值的经验密度,红色虚线是真实生成参数。三种估计分布大体单峰,并围绕真实值附近集中,说明在作者设定的模拟条件下,估计程序没有表现出明显的系统偏离。
但该结果只说明模型在“由同一模型生成的数据”下工作良好,不能直接证明真实政治博彩数据满足相同的高斯OU生成机制。
图6以真实参数为横轴、估计参数为纵轴,红色虚线为45度线。三个面板中的蓝点总体贴近45度线,说明在预设参数网格下,估计值大致能够跟随真实值变化,作者据此认为估计量在模拟设定下近似无偏。
图6验证的是有限样本估计程序和似然实现,而不是策略收益的统计显著性,也没有检验交易成本加入后策略是否仍然盈利。
图7展示一组模拟数据,灰线为模拟观测值,绿线为时间变化均值回复水平,红线为上侧预测界限,蓝色竖线是信号,紫色虚线表示测试期起点。500个测试观测中有25个超出95%单边预测区间,正好接近5%的理论区间外比例。
在1000次重复模拟中,经验覆盖率为94.8%,与理论95%很接近。这支持了Kalman滤波、似然计算和Bootstrap预测流程在模型设定正确时能够产生接近名义水平的预测区间。
图8将模型预测概率与分组后的实际发生频率进行比较,灰色虚线代表完美校准。橙色点和蓝色连线总体接近对角线,尤其在中高概率区间,说明预测概率与实际覆盖频率大致一致。
低概率区间存在轻微偏离,作者将其描述为模型略微低估不确定性或偏向欠自信。该图支持模型的总体校准性,但不能消除2020和2024实际残差中存在的厚尾与序列相关问题。
表3报告使用2020年训练数据估计出的Bradley-Terry模型系数,但具体系数数值未出现在提供的文本抽取结果中,因此无法对每个特征的方向和经济含义进行精确解释。,
可以确认的是,该模型没有截距,并利用候选人特征差构造反对称比较分数;分数为正时选择共和党候选人赔率,分数为负时选择民主党候选人赔率。, 这套系数随后被固定或应用于2024年样本外候选人选择。
图9和图10分别展示2024年和2020年的标准化残差Q-Q图与ACF图。2020年Q-Q图中心部分大致接近直线,但两端尤其下尾偏离明显,说明残差具有厚尾和极端值;ACF大多数滞后接近零,但仍有若干相关系数越过近似95%置信界限。,
2024年的Q-Q图显示更明显的非正态性,ACF在滞后1处存在显著负相关、滞后2处存在正相关,且还有多个较小滞后超出置信界限。这意味着模型捕捉到了大趋势和均值回复结构,却没有完全解释短期依赖和条件分布。,
模型诊断因此构成对95.1%覆盖率的限定:总体覆盖率接近目标,并不表示每个局部时段、每种市场状态下的预测都同样可靠。
2020年样本使用前10,000条观察作为初始训练集,约占整个样本的一半,随后采用在线学习方式逐点更新预测。排除新冠事件后,经验覆盖率为95.2%,接近名义95%,说明预测区间在该样本中具有较好的整体校准表现。
2024年样本外测试产生130个信号,覆盖率95.1%,所有信号均形成完整交易。平均合成赔率价格收益为1.86%,逐笔未年化Sharpe型比率为1.12。, 这些结果说明,2020年训练出的候选人选择模型在2024年仍能提供一定的方向性区分能力,但由于没有报告实际撮合收益、置信区间、基准策略或扣除成本后的结果,因此不能据此断言存在可执行的统计套利利润。
真实交易所中存在订单队列。同一价位可能已有其他未成交订单,新订单无法保证立即撮合;当订单真正排到队首时,原先观察到的赔率可能已经消失。因此,信号时点记录的赔率不一定是实际可成交价格。
论文没有计入手续费、买卖价差、部分成交、流动性限制和结算现金流。若1.86%的平均报价变化较小,现实摩擦可能显著压缩甚至完全吞噬该收益。,
作者假设真正缺失的观察满足MCAR,但市场越活跃时越可能出现数据拥堵、API延迟或技术故障,因此缺失可能与市场状态相关。若如此,参数估计和预测区间可能存在偏差。,
特朗普新冠事件显示,突发政治新闻可能导致赔率跳变和模型残差极端化。作者提出两种思路:事件驱动型策略,即在重大事件后寻找信号;风险规避型策略,即在极端事件期间暂停交易。但论文没有给出识别事件结束时间的系统方法,也没有比较两种策略的实际收益风险。,
“等待选中赔率第一次变化”的退出规则具有事件驱动特征,持有期随市场活跃度变化,可能造成不同交易之间风险不可比。作者也承认需要进一步研究报价持续时间的分布、可预测性以及固定持有期和其他事件驱动退出规则的敏感性。,
2020和2024残差均表现出不同程度的厚尾与序列相关,2024年尤其存在明显短期自相关。这说明高斯加性噪声假设只是近似,预测区间可能低估某些极端状态下的风险。,
Bradley-Terry模型主要由一次选举训练、另一次选举测试,样本外结果具有启发性,但不能证明模型对未来所有选举都稳定有效。作者也明确将结果定位为proof of concept,并认为仍需要在不同选举和市场环境中验证稳健性。,
策略依赖两位候选人占据市场主导地位。若是多党竞争,概率质量会在多个候选人之间重新分配,单一二候选人联合概率无法充分描述市场,作者建议在多党选举中考虑相关赔率篮子。,
在线滚动估计和每个预测时点的参数Bootstrap计算非常耗时。论文报告2020年分析耗时约25,200秒,而现实市场的赔率可能在几分钟内发生变化。因此,即使统计信号有效,系统也可能无法及时完成计算和下单。,
这篇论文将金融配对交易的“关系偏离—均值回复”思想转化为政治博彩市场中的“联合隐含概率偏高—下一期可能下降—选择更可能上涨的候选人赔率”框架。其方法上的主要创新包括:使用带时间变化均值回复水平的潜在OU过程描述政治市场趋势,使用加性观测噪声与Kalman滤波处理报价噪声和潜在状态不确定性,使用参数Bootstrap构造单边预测区间,并通过无截距Bradley-Terry模型完成候选人选择。,
图表整体支持论文的主要叙事:2020和2024年两位主要候选人的隐含概率存在共同变化和反向关系;联合概率总体向1上升;模型能够识别联合概率相对于趋势均衡水平的异常高点;模拟研究中的参数估计和预测覆盖率接近理论值;2024年样本外覆盖率达到95.1%,平均赔率价格变化为1.86%,逐笔Sharpe型比率为1.12。, , ,
但这些结果应被准确定位为统计模型和交易信号的概念验证,而不是已经证明能够在Betfair上稳定实现超额利润的投资策略。真实执行中的订单队列、流动性、手续费、价差、部分成交、数据缺失、极端事件、模型残差厚尾以及计算延迟,都可能显著削弱纸面收益。
总体而言,作者的立场是谨慎的:他们认为该整合框架在两候选人主导的选举市场中具有可行性和进一步研究价值,但没有将1.86%的无摩擦平均赔率变化解释为可直接复制的博彩收益,也没有声称建立了无风险套利。论文最终结论是积极但有限的“proof of concept”,其真正价值在于提供了一个可扩展的政治赔率动态建模和信号生成框架,而非给出确定性的盈利承诺。,
2609.22639.pdf