Analyser un marché prédictif avec l’IA et des sources traçables

Fige la règle avant d’interroger un modèle

Un marché prédictif est un contrat dont le paiement dépend d’une règle écrite. Avant de demander quoi que ce soit à un modèle de langage, note la question exacte, la date de ta lecture et la source de résolution citée dans les règles. Les règles précisent la source retenue, la date limite et les cas limites ; le titre seul ne suffit pas. Sur un marché binaire ordinaire, l’action gagnante paie 1 et la perdante paie 0. Il existe aussi des résolutions rares, dites inconnues ou 50-50, qui paient 0,50 par action : ce n’est ni une annulation ni un remboursement universel.

Sépare ensuite ce que tu observes de ce que tu supposes. Une observation, c’est un prix affiché à une date donnée, une règle publiée ou un fait présent dans une source primaire datée. Une supposition, c’est ton avis sur la probabilité, une extrapolation de tendance ou ta confiance dans le raisonnement du modèle. Cette distinction te force à rattacher chaque affirmation à une source précise au lieu de mélanger faits et intuitions.

Lis le carnet d’ordres avant d’écouter l’IA

Sur une plateforme comme Polymarket, le prix affiché correspond en général au point milieu entre la meilleure offre d’achat et la meilleure offre de vente. Quand l’écart entre ces 2 offres dépasse 0,10, c’est le dernier prix négocié qui s’affiche. Dans les 2 cas, ce n’est pas une garantie d’exécution. Un ordre au marché traverse plusieurs niveaux de prix et subit un glissement, c’est-à-dire un écart entre le prix attendu et le prix réellement obtenu.

Ce point compte parce qu’un modèle peut te sortir une probabilité très éloignée du point milieu, mais cet écart n’a de sens que si tu peux exécuter à un prix accessible. Si le carnet est mince ou si l’écart est large, la probabilité estimée n’est pas comparable au prix. Le prix exécutable, sa profondeur et la date d’observation forment la seule référence concrète.

Exemple chiffré : probabilité, prix exécutable et coûts

Voici un cas hypothétique, construit uniquement pour montrer le calcul. Tu estimes la probabilité d’un événement à 0,6. Le prix exécutable observé dans le carnet est 0,4. Tu envisages d’acheter 100 actions et tu estimes les coûts, frais et glissement compris, à 2 unités monétaires. Si l’événement se produit, tu gagnes 100 × (1 − 0,4) − 2 = 58. S’il ne se produit pas, tu perds 100 × 0,4 + 2 = 42. Avec une probabilité de 0,6, l’espérance vaut 0,6 × 58 − 0,4 × 42 = 18.

Tout repose sur 2 hypothèses : que ta probabilité de 0,6 soit juste, et que le prix exécutable reste 0,4. Change l’une des 2 et l’espérance change. Surtout, un modèle qui écrit un texte convaincant ne démontre pas que la probabilité vaut 0,6. Le calcul montre seulement ce qui découle d’une hypothèse, pas la qualité de cette hypothèse. La conviction inspirée par un raisonnement n’est pas un avantage démontré.

Un protocole en 5 étapes

Première étape : gèle la question, la date, la règle de résolution et la source citée. Deuxième : rassemble des preuves primaires datées, comme des communiqués officiels ou des données brutes, et marque clairement ce qui reste une supposition. Troisième : demande au modèle plusieurs mécanismes concurrents qui feraient basculer le résultat, un contexte de taux de base et les identifiants des sources qu’il utilise. Quatrième : recalcule toi-même prix, coût, gain et perte pour chaque scénario. Cinquième : compare le prix exécutable du carnet à ta probabilité et vérifie que l’écart justifie le risque une fois les coûts déduits.

Demander au modèle de citer ses identifiants de source rend l’analyse vérifiable : tu peux ouvrir la source, contrôler la date et voir si elle dit vraiment ce qu’il prétend. Cette méthode ne produit pas une prédiction correcte. Elle rend ton raisonnement traçable et t’empêche de prendre une belle réponse pour une preuve statistique.

Un prompt réutilisable, sans promesse de gain

Le prompt ci-dessous structure l’analyse. Remplace les crochets par tes données et n’attends pas de lui qu’il prédise le résultat ni qu’il promette un profit. Il sert à organiser les faits, pas à trancher à ta place.

Limites : règles, sources et incertitude

Les règles de résolution varient selon le marché. UMA résout les marchés de prédiction ordinaires, tandis que Chainlink TWAP résout les marchés Up/Down. Pour un marché Up/Down, on suit le même flux d’actif et le prix moyen pondéré dans le temps (TWAP) au début et à la fin : une valeur finale supérieure ou égale à la valeur initiale donne UP, sinon DOWN. Des bougies d’échanges différents peuvent produire des résultats différents. Ne généralise donc pas ces règles à toutes les durées ni à toutes les sources : lis les règles réelles du marché que tu regardes.

Le prix affiché n’est pas un prix d’exécution garanti. Un écart large ou une faible profondeur augmentent le glissement. De son côté, une réponse convaincante d’un modèle n’est pas un avantage démontré : les sources qu’il cite doivent être vérifiées indépendamment, et le fait qu’il affirme quelque chose avec assurance ne prouve pas que ce soit exact. Recalculer toi-même et distinguer observation et supposition restent tes 2 garde-fous.

Pour continuer

Si tu découvres ces outils, commence par le guide IA pour comprendre les usages et les limites des modèles de langage. Pour interroger une plateforme de marché de façon programmatique, ouvre le guide API, qui décrit les points d’accès et les formats de réponse. Et pour transformer un prix en probabilité et calculer une espérance, lis le guide sur l’espérance mathématique appliquée aux marchés.