VYUŽITÍ PREDIKTIVNÍHO TRHU PRO AGREGACI INFORMACÍ Gangur Mikuláš Katedra ekonomie a kvantitativních metod, Fakulta ekonomická Západočeské univerzity v Plzni, Hradební 22, Cheb,Česká republika
[email protected] Abstract:
1
Příspěvek představuje prediktivní trhy jako jeden z moderních nástrojů dolování, shromažďování a analýzy informace, rozprostřené mezi účastníky trhu, a na jejím základě následné určení předpovědí budoucích neurčitých událostí bez nutnosti dalšího statistického zpracování. Uvedená metoda je srovnávána s ostatními metodami sběru a analýzy informací a jsou ukázány výhody použitého přístupu. V úvodu je uveden stručný přehled z historie vývoje prediktivních trhů, oblasti jejich použití a uvedení některých praktických aplikací z vybraných oblastí. Poté jsou zmíněny některé teoretické problémy fungování takových trhů jako je tvorba ceny, likvidita, věrohodnost výstupů, ovlivňování výstupů a následně jsou ukázána vybraná řešení uvedených problémů. V dalším je představena univerzální struktura trhu, postup při jeho implementaci a jsou popsány různé přístupy, řešící problém likvidity trhu. Nakonec je prezentována konkrétní implementace prediktivního trhu na Fakultě ekonomické ZČU v Plzni, je popsán způsob zapojení obchodování na trhu do výuky vybraných předmětů, jsou ukázány vlastní nástroje, zvyšující likviditu trhu, a poté jsou prezentovány výstupy trhu na příkladu vybraných událostí a jejich srovnání s výsledky výzkumu hodnocení těchto událostí jinými metodami z jiných zdrojů.
ÚVOD
Již přes 20 let patří elektronické virtuální trhy mezi alternativní nástroje sběru informací, rozložených mezí více experty v dané oblasti. Elektronické virtuální trhy se používají pro hodnocení úspěšnosti zadaných předpovědí – predikcí. Proto se také lze setkat s termínem prediktivní trh (PM). Jedná se o spekulativní trh, simulující činnost burzy, na kterém jsou obchodované tituly svázané s předpovědí konkrétní události (např. Václav Klaus se stane příštím prezidentem České Republiky) nebo s hodnotou odhadovaného parametru (např. Průměrná velikost nájmů bytů v lednu 2008 v Plzni nepřekročí 6000 Kč). Hodnota titulů je dána velikostí důvěry prodávajících a kupujících v danou událost či hodnotu parametru. Aktuální tržní cenu titulu je možné interpretovat jako odhad (předpověď) pravděpodobnosti události či očekávané hodnoty parametrů. Tento trh je také označován jako informační trh (information market), rozhodovací trh (decision market), virtuální trh (virtual market). Prediktivní trhy využívají mechanismů klasické akciové burzy pro obchodování na základě informací sdílený jednotlivými účastníky burzy prostřednictvím ceny akcií. Proces obchodování na PM zjišťuje a agreguje pravdivé ohodnocení událostí účastníky trhu, které se odráží v ceně akcie. Tato schopnost PM je založena na hypotéze efektivních trhů, kdy všechny dostupné informace se v kterémkoliv okamžiku plně odráží v ceně akcie (Fama, 1991). Vzhledem k této hypotéze je tržní mechanismus na kompetitivních trzích nejefektivnějším nástrojem k agregaci asymetricky rozložené informace mezi účastníky trhu (Hayek, 1945). Pokud je trh efektivní, umožňuje agregovat individuální hodnocení obchodníků. V takovém případě cena konkrétní akcie odhaluje všechny informace i s ohledem na budoucí výstup trhu a proto může sloužit jako předpověď. PM umožňují propojení velkého množství expertů (manažerů i spotřebitelů)m kteří přes vzniklou virtuální síť interagují a obchodují se svými informacemi a očekáváními. Zatímco jednotlivý obchodník může být zaujatý popř. může učinit nesprávný závěr, agregace založena na tržním mechanismu je schopna detekovat takové chyby a stanovit "správnou" cenu. Základní myšlenkou PM je propojení skupiny účastníků (expertů) přes Internet a nechat je obchodovat s akciemi na virtuální burze. Akcie reprezentují "sázku" na výsledný stav vybrané události v budoucnu a hodnota akcie závisí na realizaci (naplnění) dané události. Jakmile je zřejmý výsledný stav dané události, každá akcie obdrží odpovídající platbu s ohledem na splnění či nesplnění události. Základní idea virtuální akciové burzy je korespondence ceny akcie události s agregovaným očekáváním celého trhu s ohledem na danou událost. Účastníci trhu používají individuální očekávání naplnění dané události k odvození individuálního odhadu (očekávání) ceny akcie, svázané s danou událostí.
Účastníci trhu, kteří nakupují na nižší cenu a prodávají za vyšší, jsou „odměněni“ ziskem za svou důvěru v danou předpověď, jejíž hodnota na trhu roste. Ti, kteří nakupují za vyšší cenu a prodávají za nižší, doplácí za pokles důvěry v danou předpověď a tím klesající cenu na trhu. Je možné říci, že výsledky prediktivního virtuálního trhu jsou stejně přesné jako průzkumy ostatních institucí vzhledem k dané události a podobnému vzorku účastníků. Příkladem prediktivních trhů jsou: IntradeTradeSports, The Iowa Electronic Markets, NewsFutures, Bet2Give, Hollywood Stock Exchange, The simExchange, Popular Science Pedictions Exchange, Inkling Markets, FT Predict, IdeaWorth.com Futures Market. Hollywood Stock Exchange je virtuální tržní hra založená v roce 1996, ve které hráči nakupují a prodávají akcie filmů, herců, režisérů a ostatních událostí svázaných s filmem. Účastníci tohoto trhu správně předpověděli 32 ze 40 nominací v hlavních Oskarových kategorií pro rok 2006 a 7 z 8 vítězů Oskarů v hlavních kategoriích. Účastníci jiných virtuálních trhů např. také „rozhodli“ o výsledku války v Iráku a o osudu Saddáma Hussaina (Surowiecki, 2003). Proč je prediktivní trh tak úspěšný? Je velmi efektivní při sběru a agregaci informací ze skupiny obchodujících. Vychází také z hypotézy, že skupina je chytřejší než její nejchytřejší člen (Surowiecki, 2003). Obchodníci vyhledávají nejkvalitnější informace. Také absence jakékoliv hierarchie (trhy nemají víceprezidenty) zajišťuje, že žádná jednotlivá osoba nemá příliš mnoho vlivu.
2
PŘEHLED LITERATURY
PM byly poprvé aplikovány ve formě politické burzy k předpovědi výsledků prezidentských voleb v USA Bush vs. Dukakis v roce 1988. Tato burza byla spuštěna jako Iowa Electronical Market (IEM) (Forsythe et al, 1992). Popis principů prediktivních trhů se objevuje též v članku R. Hansona z roku 1992 (Hanson, 1992). První elektronické virtuální trhy jsou použity zejména pro predikci politických událostí (výsledků voleb). Nejznámějším jsou již zmíněné Iowa Eletronic Markets (Forsythe et al, 1994, Forsythe et al, 1992, Forsythe et al, 1999, Berg et al, 1996, Berg et al, 1997). Od roku 1988 tento trh předpověděl výsledky voleb amerického prezidenta přesněji než tradiční průzkumy v 75 % případů (Surowiecki, 2003). Politické volební trhy byly provozovány i v ostatních zemích. V Německu (Beckmann et al, 1996, Kuon, 1991), v Rakousku (Ortner et al, 1995), ve Švédsku (Bohm et al, 1999) nebo v Kanadě (Antweiler et al, 1998). V České republice bylo využití prediktivních trhů pro predikci volebních výsledků popsáno v (Hlavacek et al, 2002) a (Cahlik et al, 2003). Později byly PM použity k řešení problémů v podnikatelské a obchodní oblasti. Použití prediktivních trhů jako predikčního nástroje v průmyslovém podniku Siemens, Rakousko, je popsáno v (Ortner, 1997) a (Ortner, 1998). V dalším PM použil C. Plott (Plott, 2000) pro předpověď objemu prodeje nového produktu, B. Skiera a M. Spann (Skiera et al, 2004) pro předpověď úspěchu nového produktu na trhu. Objevují se i práce o využití PM ve výuce. P. Buckley et al. využívají principu PM ve výuce předmětů z oblasti sociálních věd a ekonomie k rozvoji schopností orientace a rozhodování v široké škále problémů (Buckley et al, 2011), D.L. Passmore et al. používají PM při řešení problémů, souvisejících s vývojem a zaváděním inovací v technologii vzdělávání (Passmore et al, 2005). Největším přínosem v problematice prediktivních trhů jsou práce D.M. Pennocka (Pennock, 2004), týkající se principu dynamických pari-mutuel trhů, práce R. Hansona (Hanson, 2003, Hanson 2007), představující kostrukci kombinatorických informačních trhů a použití automatického tvůrce trhu, dále již zmíněná práce o použití virtuálních trhů pro predikci nového produktu na trhu (Spann et al, 2003), práce Berga a Rietze (Berg et al, 2003) a Wolferse a Zitzewitze (Wolfers et al, 2004. Wolfers et al, 2006). Shrnující monografie prací editorů R. Hahna a P. Tetlocka „Information markets: A new way of making decisions“ (Hahn et al, 2006) je výborným průvodcem v problematice prediktivních trhů a otevírá také celou řadů problémů a nedořešených otázek v této oblasti. Dle (Tziralis, 2007) lze práce o prediktivních trzích rozdělit na příspěvky obsahující a) b) c) d)
Popis principů fungování trhů Teoretické práce Aplikace využívající prakticky principy prediktivních trhů Problémy prediktivních trhů, související s právními předpisy
ad a) práce obsahují popis základů PM, analýzy různých aspektů využití PM a otevřené dosud neřešené problémy, související s PM. Mezi tyto práce patří také příspěvky zabývající se možností využití PM ve výuce. ad b) práce, obsahující teoretické otázky z oblasti konstrukce a modelování PM a analýzy jejich funkce, z oblasti procesu agregace informace, konvergence a vlastností equilibra procesu agregace informace. Dále obsahují práce z oblasti analýzy a interpretace cen. ad c) práce zabývající se praktickými experimenty s PM v akademickém či jiném prostředí, práce věnující se pouze Iowa Electronic Markets a práce týkající se ostatních politických trhů v dalších zemích. Mezi dalšími jsou aplikace PM v sportovních akcích, srovnání sázkařských trhů s reálnými a hracími penězi. ad d) práce o legálnosti a regulačních opatřeních souvisejících s činností PM, vliv PM na politická rozhodnutí a ostatní politické otázky, PM aplikace implementované jako podpora politických rozhodnutí v oblasti mezinárodních vztahů a terorismu. Nejvíce prácí je z oblasti praktických aplikací principů prediktivních trhů.
2.1
Teoretické otázky
Některé akademické výzkumy se soustředily na potenciální nedostatky myšlenky a fungování prediktivních trhů. Ch. F. Manski z Northwestern University publikoval článek (Manski, 2005), ve kterém se pokouší matematicky prokázat s ohledem na celou řadu předpokladů, že tyto trhy úzce nekorespondují s reálnou pravděpodobností důvěry účastníků trhu, pokud není pravděpodobnost blízká 0 nebo 1. Manski doporučuje přímé dotazování skupiny respondentů, kteří odhadem pravděpodobnosti poskytují lepší výsledky. Na druhou stranu Gjerstad ve svém článku (Gjerstad, 2004) ukázal, že cena akcií prediktivního trhu je dosti často blízko představám o důvěře účastníků trhu, pokud rozdělení této důvěry je hladké (např. normální rozdělení). Wolfers a Zitzewitz (Wolfers et al, 2007) došli k podobnému závěru spolu s analýzou dat z trhu. V praxi bylo potvrzeno, že ceny na binárních prediktivních trzích (nastane událost nebo ne) jsou úzce svázané s frekvencemi událostí v reálném světě (Pennock et al, 2001a, Servan-Schreiber et al, 2004). Mezi ekonomy a finančními odborníky panuje obecné přesvědčení, že prediktivní trhy založené na fiktivních penězích nejsou schopny generovat hodnotné předpovědi. Na druhou stranu shromážděná data toto vyvrací (Pennock et al, 2001a). Analýza dat z Hollywood Stock Exchange a Foresight Exchange ukázala, že tržní cena předpovídá události v reálném světě. Srovnání výsledků prediktivního trhu s výsledky NFL NewsFutures' s ekvivalentním trhem Tradesports, ve kterém se obchodovalo s reálnými penězi, ukázalo shodné výsledky na obou trzích. V tomto případě použití reálných peněz nevedlo k přesnějším předpovědím (Servan-Schreiber et al, 2004). Tvůrce Hollywood Stock Exchange Max Keiser říká, že tyto trhy nejsou méně přesné v předpovědích než jejich reálné protějšky jako New York Stock Exchange a London Stock Exchange, ale snížením nepředvídatelnosti trhu se zároveň snižuje i risk a tím se i snižuje množství spekulativního kapitálu nutného k udržení fungujícího a likvidního trhu.
3
STRUKTURA PREDIKTIVNÍHO TRHU
Návrh univerzální struktury PM lze nalézt například v (Skiera et al, 2004). Tvůrci prediktivních trhů musí rozhodnout o náplni položek v následujících třech oblastech: Volba cíle předpovědi o Předpověď o Výplatní funkce o Termíny obchodování o Přístup: Otevřený x uzavřený veřejnosti Motivační systém účasti na trhu a pobídky k poskytnutí relevantní informace o Struktura startovního portfolia /Dotace o Poskytnutí půjček o Systém pobídek o Nepeněžní ocenění o Použití reálných peněz nebo hracích peněz o Časový interval
o Závislost ocenění na aktivitě účastníka Struktura finančního trhu o Typ aukce o Čas obchodování o Obchody na krátko: Ano nebo Ne o Typ příkazů o Poplatky za obchodování o Omezení pozic, omezení ceny
Důležitou roli v činnosti správně fungujícího trhu hraje druhá oblast tj. motivační systém a schéma pobídek účastníkům trhu. Dále popisovaný praktický přiklad implementace prediktivního trhu využívá specifika univerzitního prostředí a jeho evaluačního systému.
4
FREEMARKET – PRAKTICKÝ PŘÍKLAD PREDIKTIVNÍHO TRHU
Elektronický virtuální prediktivní trh je provozován pod jménem FreeMarket na Fakultě ekonomické, ZČU v Plzni od listopadu 2007 (FM, 2010). Do dnešního dne se do systému registrovalo kolem 1200 uživatelů, z nichž cca 450 účastníků finančních kurzů se registrovalo každý zimní semestr 2009/2010, 2010/2011. V zimním semestru 2009/2010 aktivně obchodovalo (koupilo nebo prodalo aspoň 1 akcii) 407 účastníků, v zimním semestru 2010/2011 to bylo 252 účastníků. Od roku 1997 bylo v systému emitováno 2000 nových titulů (událostí). Akcie (události) jsou rozděleny do 4 oblastí:
Politika Sport Zábava Ekonomika
Portfolio každého účastníka je založeno počáteční dotací 5000 bodů (peněžních jednotek) při jeho registraci nebo 10000 bodů, pokud úspěšně složil závěrečnou zkoušku, stane se makléřem FM trhu a obdrží licenční číslo makléře FM trhu. Účastník může složit zkoušku spolu s praktickým nácvikem obchodování v systému v e-learningovém kurzu, který je doplňkem FM systému. Následující hodnoty základní struktury prediktivního trhu definují FreeMarket:
Volba cíle předpovědi o Předpověď: různé události související s uvedenými oblastmi o Výplatní funkce: nesplněná předpověď – 0 bodů, 100 bodů. – splněná předpověď o Termíny obchodování: nepřetržitě o Přístup: Uzavřený veřejnosti – určeno studentům finančních kurzů Motivační systém účasti na trhu a pobídky k poskytnutí relevantní informace o Struktura startovního portfolia /Dotace: 5000 bodů (10000 bodů) o Poskytnutí půjčky: Bez půjček o Systém pobídek: Převod bodů na kredity do kurzu o Nepeněžní ocenění: Bez ocenění o Použití reálných peněz nebo hracích peněz: Hrací peníze o Časový interval: po celou dobu trvání trhu o Závislost ocenění na aktivitě účastníka: Ne Struktura finančního trhu o Typ aukce: Průběžná dvojitá aukce (CDA) s otevřeným seznamem vložených příkazů o Čas obchodování: 24/7/365 o Obchody na krátko: Ne o Typ příkazů: Nákup x Prodej. Množství a cena o Poplatky za obchodování: Bez poplatků o Omezení pozic, Omezení ceny: Bez omezení
4.1
On-line kurz k získání makléřské licence
V červnu 2008 byl vytvořen e-learningový veřejně dostupný kurz podpory pro uživatele systému FreeMarket (FM_kurz, 2009). Účastnící kurzu zde najdou popis principů prediktivních trhů, s pomocí flashových animací jsou vysvětleny základní principy obchodování na burze s konkrétními příklady v systému FreeMarket a pomocí praktických úloh, vycházejících z funkcionality systému, jsou procvičeny jednotlivé transakce v systému (nákup a prodej akcií). Celá tato online podpora je pojata jako příležitost k získání makléřské licence a úspěšní absolventi tohoto kurzu, kteří splní závěrečnou makléřskou zkoušku, obdrží certifikát makléře v systému FreeMarket spolu s registračním číslem makléře. Toto registrační číslo lze použít při registraci do systému FreeMarket a jeho nositel obdrží větší množství vstupních kreditů a do budoucnosti větší možnosti obchodování v systému. Přihlášení do systému je realizováno pod jednotným univerzitním single sign-on systémem. Tento systém zajišťuje existenci právě jednoho obchodního účtu pro každého studenta a tím brání studentům vytvářet další „černé“ účty a pomocí nic realizovat černé obchody. V minulosti, kdy nebyl tento přihlašovací mechanismus využíván, kontrolní systém detekoval několik studentů, kteří si vytvořili více účtu a potom převáděli body z těchto účtu na svůj oficiální účet s pomocí nelegálních obchodů.
4.2
Propojení mezi FM a LMS Moodle
Pro snadný online přenos získaných bodů z trhu do finančních kurzů, jejichž doplňkem FreeMarket je, bylo implementováno propojení mezi LMS Moodle a systémem FreeMarket. Před napojením přihlašovací procedury na jednotný univerzitní systém sloužilo toto spojení také pro kontrolu počtu vytvořených účtů studenty kurzů. Schéma propojení je ukázáno na obrázku č. 1 Propojení s LMS Moodle patří do pobídkového systému FreeMarket, který byl implementován na Fakultě ekonomické ZČU. Díky tomuto spojení mohou studenti online automaticky převádět své body, získané obchodováním ve FreeMarket, do kurzu na kredity, které zvyšují celkový počet kreditů získaných za úkoly plněné v rámci cvičení a tím umožňují získat zápočet. Body na zápočet jsou převáděny v kurzu 1:5000, body, které studentům zbývají navíc po získání zápočtu, jsou převedeny v kurzu 1:50000 a přispívají studentům k získání lepšího hodnocení u zkoušky. Každý účastník trhu si určuje sám, kdy během semestru a jaké množství bodů převede do kurzu a přispěje k celkovému výsledku kurzu. Celý proces probíhá automaticky bez nutnosti zásahu administrátora systému FreeMarket nebo administrátora či učitele kurzu v LMS Moodle. Body jsou převedeny jako kredity do LMS Moodle v podobě hodnocení offline úkolu FreeMarket v daném kurzu. V příslušném kurzu v Moodle jsou tedy vytvořeny dvě „umělé“ offline aktivity
FreeMarket kredity FMC Bonusové kredity ke zkoušce BCE
Následující předpisy určují celkový počet kreditů kurzu (ACT) s ohledem na hodnocení jednotlivých studijních aktivit, mezi které patří také kredity z FreeMarketu a bonusové kredity ke zkoušce (BCE). Je využita jedna z užitečných funkcionalit LMS Moodle a to možnost vlastní definice výpočtu hodnocení studenta pomocí matematických formulí na základě bodového ocenění všech studijních aktivit z celého kurzu. Hodnocení jednotlivých studijních aktivit – úkolů v kurzu je označeno (AS-n) a FMC ACT=sum([[AS1]];….; [[AS-n]];[[FMC]])/200*100 BCE=max([[FMC]]-max(180-sum([[AS1]];…;[[AS-n]]);0);0)*5000/50000
(1) (2)
180 je minimální počet kreditů z celkových možných 200 kreditů, nutných k získání zápočtu 5000 je převodní kurz k převodu bodů a získání bonusových kreditů k zápočtu 50000 je převodní kurz k převodu bodů a získání bonusových kreditů ke zkoušce Hodnoty ACT a BCE jsou součásti celkového hodnocení kurzu pro každého studenta a slouží jako základní dokumentace k závěrečné zkoušce celého kurzu. Generování těchto přehledů je realizováno další aplikací, které se připojuje k databázi LMS Moodle a pro každý zvolený zkouškový termín vytváří seznam studentů s informací o získání/nezískání zápočtu a bonusových kreditech ke zkoušce.
Obrázek 1: Princip propojení FM a LMS Moodle (Zdroj: vlastní).
4.3
Likvidita trhu a FreeMarket inflace
Správná funkcionalita prediktivního trhu – přesná předpověď – závisí na počtu aktivních účastníků trhu tj. na objemu obchodů na trhu tj. likviditě trhu. Proto je potřeba motivovat účastníky trhu (studenty finančních kurzů) ke zvýšení jejich obchodních aktivit neboli zvýšení likvidity trhu. Jinými slovy správný návrh a realizace celého pobídkového systému je klíčové pro úspěch celého trhu. Problém likvidity trhu byl v historii prediktivních trhů řešen různými přístupy. R. Hanson v (Hanson, 2003), (Hanson, 2007) navrhl a popsal automatického tvůrce trhu (Automatic Market Maker - AMM), který umožňuje kupujícímu (resp. prodávajícímu) obchodovat bez nutnosti online přítomnosti prodávajícího (resp. kupujícího) na trhu. AMM automaticky realizuje příkazy k nákupu (resp. prodeji) od účastníků a automaticky stanoví cenu aktiva. Aplikace AMM zahrnuje v sobě důležitý prvek tržního oceňovacího pravidla (Market Scoring Rule – MSR), jehož použití v AMM bylo poprvé představeno R. Hansonem v (Hanson, 2007). Při konstrukci MSR se vychází mj. z prácí J.E. Mathesona a R.L. Winklera (Matheson et al, 1976) a J.B. Kidda (Kidd, 1975). Nevýhodou použití AMM je riziko ztráty finančních prostředků, které AMM „pumpuje“ do systému. Dynamický Pari-mutuel Market Maker (DPM) je dalším řešením, které navrhl D.M. Pennock v (Pennock, 2004). Pari-mutuel označuje systém sázek, který pouze přerozděluje vybrané vklady mezi výherce. Princip DPM propojuje výhody systému průběžné dvojité aukce (CDA) a principu pari-mutuel trhu. Odstraňuje tak nevýhodu nízké likvidity CDA a na druhé straně problém pari-mutuel trhu, který neumožňuje reagovat změnou ceny na nové informace (účastníci vloží jednorázově své sázky a poté čekají na výsledek viz dostihové sázení). Současně řeší problém rizika ztráty peněz na straně provozovatele PM v případě použití AMM. Problém nízké aktivity obchodníků s ohledem na jejich nepřítomnost řeší také zavedení záznamu a uchovávání příkazů k obchodu (book orders - BO) a tím možnost asynchronního obchodování bez nutnosti stálé přítomnosti na trhu. Propojením obou přístupů AMM a BO se zabývají práce Ch. Hibbera (Hibber, 2006) a (Hibber, 2007). V případě FreeMarket se po spuštění systému převodu bodů na kredity kurzu objevily některé problémy, které zapříčinily nefunkčnost systému zejména v otázce kvality předpovědí. Nízká aktivita účastníků systému
byla jedním z těchto problémů. Většina účastníků trhu, studentů finančních kurzů, se pouze zaregistrovalo do FM a tím jejich aktivita v systému skončila. Těmto studentům stačilo přidělených 10000 startovacích bodů (2 kredity k zápočtu) a dále již neměli potřebu na trhu obchodovat. Proto byla do systému zavedena „inflace“. Nejedná se o klasickou inflaci, ale o nástroj, který v systému FM svou funkcí snižuje hodnotu volných peněz na účtech obchodníků a nutí je tyto volné peníze investovat na trhu. Velikost inflace závisí tedy na poměru volných a investovaných finančních prostředků a motivuje účastníky k investování svých volných prostředků do aktiv na trhu, tím zvyšovat objem obchodů, zvyšovat likviditu trhu a konečně snižovat hodnotu inflačního poměru a chránit tak své body. Implementovaná FM inflace snižuje denní nominální hodnotu volných bodů obchodníků. Tento proces ukazuje následující předpis CM = CM*(1-Rf/360)
(3)
kde CM jsou volné body na účtech účastníků Rf je inflační poměr S ohledem na popsané důvody a nastavení zdrojů FM inflace, je inflační poměr zkonstruován dle následující formule Rf = max(0,(TC – TD)/TS – 1)
(4)
kde TC je celkový objem volných finančních prostředků na všech účtech TD je celková poptávka = počet poptávaných akcií * nákupní cena TS je celková nabídka = celková hodnota nově emitovaných akcií (počet nově emitovaných akcií * jejich aktuální cena) + celková hodnota držených akcií (počet držených akcií* jejich aktuální cena) 11. září 2009 byla zveřejněna první zpráva o inflaci ve FM systému. Hodnota Rf je zveřejňována každý den. Během měsíčního období se inflace snížila z počáteční hodnoty 296% na většinou nulovou inflaci. Vývoj FM inflace v průběhu zimního semestru 2009/2010 je ukázán na obrázku 2.
Obrázek 2 FM inflace pro období 10/2009-01/2010 (Zdroj: vlastní).
Obrázek ukazuje prudké snížení inflačního poměru na začátku semestru po zveřejnění zprávy o zavedení inflace do systému. Dále také ukazuje opětovné zvýšení inflace na konci semestru, kdy většina účastníků trhu převedla své volné finanční prostředky na kredity do kurzu a skončila s obchodováním. Část volných
finančních prostředků byla sice odčerpána ze systému, ale vliv snížení množství zadávaných příkazů k obchodování byl příliš velký. S ohledem na některá doporučení účastníků trhu byl do systému zaveden další motivační nástroj v oblasti nové emise akcií. Toto automatické navyšovaní počtu poptávaných akcií podporuje zvýšení obchodů i likvidity trhu. Byl navržen a implementován systém automatické emise nových kusů již obchodovaných titulů. Systém každý den automaticky odpovídá na poptávku po daných akciích, pokud je nikdo nenabízí včetně administrátora, který uvádí na trh nové emise holandskou dražbou. Cena těchto nových akcií je stanovena jako maximum z 95 a maxima všech poptávaných cen. Množství nových akcií je určeno s ohledem na celkovou hodnotu všech, akcií poptávaných za maximální cenu a určenou cenu nových akcií. Například pokud někdo poptává 10 kusů akcií za maximální cenu 70, celková hodnota poptávaných akcií je 700 a množství nově emitovaných kusů je vypočítáno jako round (700/95) + 10.
4.4
FM index trhu
Z důvodu průběžného sledování objemu obchodů na trhu byl navržen FM index. Hodnoty indexu I jsou aktualizovány jednou denně a jsou počítány dle následujícího předpisu, který byl odvozen z algoritmu, dle kterého je stanoven index Pražské burzy (Burza, 2009a), (Burza, 2009b). I(t+1) = I(t)*KT(t+1)/KB(t+1)
(5)
kde KT(t+1) = Mcurr(t+1)/Mcurr(t) je koeficient změny tržní kapitalizace. Čas t se uvádí ve dnech. KB(t+1) = Mopen(t+1)/Mopen(t) je koeficient změny kapitalizace báze. Čas t se uvádí ve dnech. Mcurr(t+1) – aktuální tržní kapitalizace aktiv uvedených na trhu ke dni t s ohledem na jejich aktuální tržní cenu tj. počet akcií násobený jejich aktuální cenou. Mopen(t+1) – tržní kapitalizace aktiv uvedených na trhu ke dni t s ohledem na jejich emisní cenu tj. počet akcií násobený jejich emisní cenou. Vývoj FM indexu v zimním semestru 2009/2010 je ukázán na obrázku 3. Jak je patrno, index roste na začátku semestru a strmě roste po 11/10/2009 kdy byla do systému implementována inflace. Index znovu vzrostl ke konci zkouškového období, kdy někteří studenti potřebovali získat další bonusové body ke zkoušce. Výsledky ukazují vliv FM inflace na zvýšení objemu obchodů. Zvýšení FM indexu tj. zvýšení objemu obchodů koresponduje se snížením FM inflace. (viz Obr. 2).
Obrázek 3 FM index pro období 10/2009-01/2010 (Zdroj: vlastní).
5
PŘÍKLAD VÝSTUPU PREDIKTIVNÍHO TRHU FREEMARKET
V této části jsou představeny konkrétní výstupy ze systému FreeMarket spolu se srovnáním dosažených výsledků s výsledky jiného výzkumu v dané oblasti. Podobné srovnání PM s alternativními výzkumy lze nalézt např. v pracích (Pennock et al, 2001b) a (Rosenbloom et al, 2006). Cílem průzkumu byla predikce výsledků Českého slavíka 2010 v kategoriích Zpěvák a Zpěvačka a Skupina. Průzkumu se účastnilo ve FreeMarket 72 účastníků tj. těch, kteří koupili nebo prodali aspoň jednu akcii, týkající se predikce výsledků Českého slavíka. Akcie (události) byly popsány dle kategorií Zpěvák, Zpěvačka a Hudební skupina textem „Vítězem Českého slavíka 2010 v kategorii
se stává “. Počáteční ceny jednotlivých akcií byly nastaveny subjektivním odhadem administrátora systému. Vzhledem k systému volby vítěze Českého slavíka na základě hlasů diváků, mezi něž se řadí také obchodníci ve FreeMarket, ukazují následující srovnání schopnost prediktivního trhu získat od malé skupiny respondentů výsledky odpovídající názorům všech hlasujících v anketě Český slavík neboli výsledkům alternativního výzkumu. Účastníci trhu – studenti - mohou být považováni za experty v oblasti predikce výsledků hlasování v této anketě. Tabulka 1: Výsledky průzkumu realizovaného ve FreeMarket Interpret/Skupina
Počáteční cena
Karel Gott Petr Kolář Daniel Landa Lucie Bílá Lucie Vondráčková Ewa Farna Aneta Langerová Kabát Olympic Monkey Business Divokej Bill Kryśtof Čechomor Nightwork
70 80 80 80 85 90 80 80 50 60 60 35 60 70
Poslední aktuální cena 100 79 -* 99 -* 86 76 99 -* -* 56 33 -* 64
Pořadí
1. 2. 1. 2. 3. 1. 3. 4. 2.
* akcie nebyly obchodovány. Obchodníci o tyto akcie neměli zájem, tj. nikdo nevěřili ve vítězství těchto interpretů. Z tabulky č. 1 je patrná velká důvěra účastníků trhu ve vítězství Karla Gotta, Lucie Bílé a skupiny Kabát. Stejně tak určují svými preferencemi interprety na druhém místě a kromě zpěváků i na místě třetím. Rozložení takto emitovaných akcií neumožňuje účastníkům průzkumu na trhu obchodovat s akciemi interpretů, jež nebyly emitovány, a tím nejsou závěry zcela úplné. Vždy může existovat interpret, který má důvěru účastníků průzkumu, ale není zařazen mezi tituly obchodované na trhu. Pro tyto případy systém FreeMarket umožňuje každému účastníkovi trhu navrhnout emisi nových akcií s daným interpretem. Takové akcie mohou být po schválení administrátorem systému uvedeny na trh. Tím je tato nevýhoda částečné odstraněna. Tabulka č. 2 ukazuje skutečné výsledky ankety Český slavík 2010. V určení pořadí na prvním místě se účastníci jednoznačně shodují ve všech třech kategoriích. V ostatních kategoriích účastníci trhu určují pořadí více méně stejné jako skutečné výsledky ankety. Pořadí se nejvíce shoduje v kategorii Skupina. Účastníci trhu určili správně pořadí u všech čtyř obchodovaných skupiny a hodnoty ceny akcií příslušných skupin se nejvíce shodují s procentuálním poměrem počtu hlasů dané skupiny vůči bodům získaným vítězem kategorie. Až na výjimky (Lucie Vondráčková na 2. místě a Daniel Landa na 3. místě) ukazují výsledky možnosti prediktivního trhu, ve kterém relativně menší skupina 72 účastníků určila pořadí na předních místech v anketě v souladu se skutečnými výsledky 138551 diváků, hlasujících v anketě Český slavík 2010. Účastníci trhu svými obchody nehlasují o své oblíbené zpěvačce, zpěvákovi či skupině, ale obchodují s informacemi, které získávají od potenciálních hlasujících ze svého okolí. Z tohoto pohledu nemá význam zadávat do systému akcie všech soutěžících v anketě. Většina z nich by vzhledem k uvedenému nebyla obchodována. V případě použití principu kombinatorických trhů je možné získávat od účastníků trhu názor na konkrétní pořadí na dalších místech. V takovém
případě by bylo nutné pro každého soutěžícího emitovat jeden akciový titul pro každé ze sledovaných pořadí. Pokud bychom např. chtěli určit konkrétní pořadí na 1-10. místě, musíme emitovat pro každého ze sledovaných soutěžících 10 akciových titulů. Tabulka 2: Výsledky Zlatého slavíka 2010 Interpret/Skupina Karel Gott Petr Kolář Daniel Landa Lucie Bílá Lucie Vondráčková Ewa Farna Aneta Langerová Kabát Olympic Monkey Business Divokej Bill Kryśtof Čechomor Nightwork
Body 47232 17732 9769 54060 36646 20548 15754 28400 9781 2607 12779 12098 8229 16681
% 100 37,54 20,68 99 67,11 37,63 28,85 99 34,10 9,09 44,55 42,17 28,69 58,15
Pořadí 1. 2. 3. 1. 2. 3. 4. 1. 5. 7. 3. 4. 6. 2.
Třetí sloupec tabulky ukazuje procentuální vyjádření počtu bodů vzhledem k počtu bodů vítěze dané kategorie. 99% hodnoty jsou pro výpočet převzaté z konečných výsledků FreeMarket. V kategorii Zpěvačka a Skupina skončilo obchodování s akciemi vítězů na hodnotě 99. Následující grafy ukazují vývoj cen vybraných akcií, které doplňují výsledky v tabulce č. 1.
Obrázek:4: Karel Gott se stane vítězem Českého slavíka
Obrázek:5: Lucie Bíla se stane vítězem Českého slavíka
Obrázek:6: Kabát se stane vítězem Českého slavíka
Obrázek:7: Nightwork se stane vítězem Českého slavíka
Obrázek:8:Ewa Farná se stane vítězem Českého slavíka
Obrázek:9: Divokej Bill se stane vítězem Českého slavíka
Obrázky 4, 5 a 6 ukazují jasnou důvěru účastníků trhu v pozdější vítěze ankety ve svých kategoriích. Průběh vývoje ceny soutěžících na druhém místě popř. třetích místech (Obrázek 7 popř. Obrázky 8 a 9) představují zajištovací strategii obchodníků, kteří nemají velkou důvěru v konečné vítězství uvedených soutéžících, ale jejich důvěra není zcela nulová. Uvedené tituly byly obchodníky odkoupeny po emisi v Holandské dražbě a dále se s nimi již neobchodovalo. Toto chování účastníků trhu a jejich důvěra zařadily soutěžící do správného konečného pořadí.
6
ZÁVĚR
V příspěvku je představen alternativní nástroj pro sběr informací, které jsou rozprostřeny mezi více expertů. Jsou popsány základní principy prediktivních trhů spolu s přehledem literatury, věmující se této porblematice. Současné s tím jsou zmíněny i některé teoretické otázky a problémy prediktivních trhů. Samostatná část je věnována popisu základní struktury takového trhu. Nastavením hodnot v položkách této struktury lze definovat konkrátní implementaci prediktivního trhu. Hlavní částí příspěvku je prezentace konkrétní aplikace prediktivního trhu FreeMarket. Trh je popsán nastavením hodnot definované struktury a jsou objasněny principy zapojení tohoto trhu jako podpora výuky na Fakultě ekonomické ZČU v Plzni. Důležitým faktorem pro správnou funkcionalitu trhu je jeho likvidita tj. objem obchodů. Klíčové ve struktuře prediktivního trhu se ukazuje nastavení motivačního systému, podporujícího obchodování tj. snižujícího likviditu trhu. Popsaný motivační systém, implementovaný v systému FreeMarket, tj. těsné automatické online propojení výsledků obchodování na trhu s celkovým hodnocením studentů v relevantních kurzech, zavedení FreeMarket inflace do systému a automatická emise nových akcií poptávaných titulů ovlivňuje pozitivně objem obchodů na trhu a zvýšení likvidity trhu. Prezentovaný praktický příklad použití FreeMarket na predikci výsledků soutěže Českého slavíka 2010 i přes ne zcela přesné výsledky ve všech kategoriích ukazuje schopnost prediktivního trhu agregovat správné informace od malého počtu účastníků a predikovat správné výsledky. Po již 4 letém užíváním prediktivního trhu s 1200 účastníky, kteří trhem prošli, a 2000 emitovanými tituly lze jen souhlasit s G. Tziralisem (Tziralis, 2007), že výzkum a aplikace prediktivních trhů nepochybně poroste.
REFERENCE ANTWEILER, W. , ROSS, T.W. (1998) 'The 1997 Ubc Election Stock Market' Canadian Business Economics 6 pp 1522. BECKMANN, K., WERDING, M. (1996) ''Passauer Wahlborse': Information Processing in a Political Market Experiment' Kyklos 49 pp 171-205. BERG, J., FORSYTHE, R., RIETZ, T.A. (1997) 'The Iowa Electronic Market' in D. Paxson and D. Wood (eds) Blackwell Encyclopedic Dictionary of Finance (Oxford UK, Blackwell, 1997) pp 111-113. BERG, J., FORSYTHE, R., RIETZ, T.A. (1996) 'What Makes Markets Predict Well? Evidence from the Iowa Electronic Markets' in A. W, G. W, H. P, M. B and v. D. E (eds) Understanding Strategic Interaction: Essays in Honor of Reinhard Selten (New York, Springer, 1996) pp 444-463.
BERG, J.E., RIETZ,T.A. (2003) 'Prediction Markets as Decision Support Systems' Information Systems Frontiers 5 pp 79-93. BOHM, P., SONNEGARD, J. (1999) 'Political Stock Markets and Unreliable Polls' Scandinavian Journal of Economics 101 pp 205-222. BUCKLEY, P., GARVEY, J., MCGRATH, F. (2011) A case study on using prediction markets as a rich environment for active learning, Computers & Education 56 pp. 418–428 CAHLIK, T., GERSL, A., HLAVACEK, M., et al. (2003) 'Predictions using experimental markets', in: Politická ekonomie, Volume: 51 Issue: 6 Pages: 838-850 FAMA, E. F. (1991). Efficient Capital Markets: II. Journal of Finance, 46 (5), 1575-1617. FORSYTHE, R., NELSON, F., NEUMANN, G., WRIGHT, J. (1994) 'The 1992 Iowa Political Stock Market: September Forecasts' The Political Methodologist 5 pp 15-19. FORSYTHE, R., NELSON, F., NEUMANN, G.R., WRIGHT, J. (1992) 'Anatomy of an Experimental Political Stock Market ' American Economic Review 82 pp 1142--1161. FORSYTHE, R., RIETZ, T.A., ROSS, T.W. (1999) 'Wishes, Expectations and Actions: A Survey on Price Formation in Election Stock Markets' Journal of Economic Behavior & Organization 39 pp 83-110. GJERSTAD, S. (2004) 'Risk Aversion, Beliefs, and Prediction Market Equilibrium' HAHN, R.,TETLOCK, P. (Eds.). (2006). Information markets: A new way of making decisions. Washington D.C./Blue Ridge Summit PA: AEI-Brookings Joint Center for Regulátory Studies. Distributed to the trade by National Book Network. HANSON, R. (1992) 'Idea Futures: Encouraging an Honest Consensus' Extropy 3. HANSON, R. (2002) Logarithmic Market Scoring Rules for Modular Combinatorial Information Aggregation. George Mason University Working Paper. HANSON, R. (2003) 'Combinatorial Information Market Design' Information Systems Frontiers 5 pp 107-119. HANSON, R. (2007) ‘Logarithmic Market Scoring Rules for Modular Combinatorial Information Aggregation‘ The Journal of Prediction Markets, 1(1) pp. 3-15. HAYEK, F.A. (1945) ‘The use of knowledge in society’, American Economic Review, Vol. 35(4), pp.519–530. HIBBER, CH. (2007) Integrating Book Orders and Market Makers [on-line] [cite 7.4.2011] Dostupné na: HIBBER, CH. (2006 ) Market Design: Book and Market Maker [on-line] [cite 7.4.2011] Dostupné na: HLAVACEK, M., GERSL, A., CAHLIK, T., et al. (2002) 'Use of experimental markets for predictions' in: Finance a úvěr, Volume: 52 Issue: 11 Pages: 625-625, 2002 KIDD, J.B. (1975) Scoring Rules for Subjective Assessment Operational Research Quarterly (1970-1977) Vol. 26, No. 1, Part 2 (Apr., 1975), pp. 183-195 KUON, B. (1991) 'Typical Trading Behavior in the German Election Markets 1990 ' Universität Bonn Discussion Paper No. B-204. MANSKI, CH. F. (2005) 'Interpreting the Predictions of Prediction Markets', Northwestern University. MATHESON, J.E., WINKLER, R.L. (1976) 'Scoring Rules for Continuous Probability Distributions'. Management Science, Vol. 22, No. 10 (Jun., 1976), pp. 1087-1096 ORTNER, G., STEPAN, A., ZECHNER, J. (1995) 'Political Stock Markets. The Austrian Experiences' Zeitschrift für Betriebswirtschaft pp 123-135. ORTNER, G. (1997) 'Forecasting Markets - an Industrial Application, Part I' Technical University of Vienna, Department of Managerial Economics and Industrial Organization Working paper. ORTNER, G. (1998) 'Forecasting Markets - an Industrial Application, Part Ii' Technical University of Vienna, Department of Managerial Economics and Industrial Organization Working paper. PASSMORE, D.L., CEBECI, E.D., BAKER, R.M. (2005) 'Potential of Idea Futures Markets in Educational Technology' The ICFAI Journal of Derivatives Market October pp 56-66. PENNOCK, D.M., LAWRENCE, S., GILDA, C.L., NIELSEN F.A. (2001a) 'The real power of artificial markets'. In: Science 291: 987–988. February. PENNOCK, D.M., WELLMAN, M.P. (2001b) 'A Market Framework for Pooling Opinions' PENNOCK, D.M. (2004) 'A Dynamic Pari-Mutuel Market for Hedging, Wagering, and Information Aggregation' Proceedings of 5th ACM conference on Electronic commerce ACM Press, New York, USA, pp 170-179. PLOTT, C. (2000) "Markets as information gathering tools," Southern Economic Journal (67:1), pp 1-15. ROSENBLOOM, E.S., NOTZ, W. (2006) 'Statistical Tests of Real-Money Versus Play-Money Prediction Markets' Electronic Markets 16 pp 63-69. SERVAN-SCHREIBER, E, WOLFERS, J, PENNOCK, D.M., GALEBACH, B. (2004) 'Prediction Markets: Does Money Matter? ' Electronic Markets, 14-3. SKIERA, B., SPANN, M. (2004) 'Opportunities of Virtual Stock Markets to Support New Product Development' in S. Albers (ed) Cross-Functional Innovation Management (Wiesbaden, Verlag Gabler, 2004) pp 227-242. SPANN, M., SKIERA, B. (2003) 'Internet-Based Virtual Stock Markets for Business Forecasting' Management Science 49. SUROWIECKI, J. (2003) 'Decisions, decisions', The New Yorker, March 24, 2003 TZIRALIS, G. (2007) 'Prediction Markets: An Extended Literature Review, ' The Journal of Prediction Markets). WOLFERS, J., ZITZEWITZ, E. (2004) 'Prediction Markets' Journal of Economic Perspectives 18 pp 107-126. WOLFERS, J., ZITZEWITZ, E. (2006) 'Prediction Markets in Theory and Practice' in S. Durlauf and L. Blume (eds) The New Palgrave Dictionary of Economics (McMillan, 2nd ed., 2006)
WOLFERS J., ZITZEWITZ, E. (2007) 'Interpreting Prediction Market Prices as Probabilities' Burza (2009a) Burza cenných papíru Praha a.s. - Burzovní indexy [online] [cit. 2009-10-25] Dostupné na: Burza (2009b) Burza cenných papíru Praha a.s. - Manuál indexu PX [online] [cit. 2009-10-23]. Dostupné na: FM_kurz (2009) FreeMarket – kurz pro uživatele systému [online] [cite: 14. 4. 2009] Dostupné na: FM (2010) FreeMarket – Prediktivní trh Fakulty ekonomické ZČU [online] [cit. 2010-10-8] Dostupné na: