arXiv cs.AI· Agostino Capponi, Alfio Gliozzo, Brian Zhu·· 13 小时前AI 评分34
智能体 AI 如何为预测市场构建聚类与关系发现管线
Agentic AI for Clustering and Relationship Discovery in Prediction Markets
AI 导读
研究提出分层智能体归约（HAR）管线，将预测市场按问题与结算文本划分主题聚类，再用带类型的 LLM 推理为小批量市场生成带理由的有符号关系图。基于 Kalshi 2026 年 2 月至 9 月八个月度目录、3030 万笔交易构建基准，发现管线识别的关系对在价格变化符号相关性上显著高于同主题匹配对照组，中等或高强度的关系提升更明显。
正文 · AI 翻译
摘要：预测市场平台列出了数千份合约，这些合约之间的逻辑与经济联系隐含在其结算规则中。我们提出了一种分层智能体归约（HAR）流水线，用于构建可检查的跨事件关系图，并提出了一个行为基准，用于评估这些关系图与市场价格的一致性。该流水线将按问题和结算文本指定的预测市场目录划分为主题簇，对小批次应用带类型的 LLM 推理，并在特定市场之间提出带有理由的带符号关系。我们评估了跨越八个月度 Kalshi 目录（2026 年 2 月至 9 月）的语义关系图。利用 3030 万笔交易的数据，我们计算了一个基准，将相连市场对的带符号价格变化相关性，与同一主题簇中匹配的、未相连的对照市场对在相同时间戳下的相关性进行比较。在全样本和留出第一周评估下，我们的流水线识别出的关系比匹配的主题内对照表现出更高的带符号 Pearson 价格变化相关性，且具有统计显著性。这种提升在 Spearman 相关性下也同样出现，并且在被标记为中等或强强度的关系中变得更大。该基准为将关系发现方法与超出其输入文本的观测结果进行比较提供了一个标准，我们的结果表明，智能体 AI 和 LLM 推理能够识别互联网络市场中各个市场之间的有意义关系。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2512.02436 [cs.AI] |
| （或 arXiv:2512.02436v4 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.02436 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Brian Zhu [查看电子邮件]
[v1]
2025年12月2日星期二 05:45:48 UTC（327 KB）
[v2]
2026年8月8日星期六 16:26:56 UTC（128 KB）
[v3]
2026年9月29日星期二 14:55:04 UTC（128 KB）
[v4]
2026年10月27日星期二 19:14:49 UTC（96 KB）
来源：arXiv cs.AI · arxiv.org