<div class="key-takeaways"><ul><li>การเรียงลำดับราคา Ask ของ Polymarket อาจทำให้สับสนระหว่างราคาที่ดีที่สุดกับแย่ที่สุด</li><li>การคำนวณต้นทุนต้องใช้ราคาเฉลี่ยจากการเดินไต่ระดับความลึก (Walk the ladder) ไม่ใช่แค่มองราคาบนสุด</li><li>ค่าธรรมเนียมแปรผันตามความน่าจะเป็น (p) สามารถกินกำไรส่วนต่างทั้งหมดได้</li><li>การจับคู่ตลาดต่างแพลตฟอร์มด้วยข้อความที่คล้ายกันมักนำไปสู่ความผิดพลาดเรื่องทิศทางราคา</li></ul></div><p>หลังจากใช้เวลาหลายเดือนในการดึงและตรวจสอบข้อมูลสมุดคำสั่งซื้อ (Order-book) และ Oracle จากแพลตฟอร์มตลาดทำนายผลอย่าง Polymarket และ Kalshi สำหรับงานวิจัยส่วนตัว นักพัฒนาพบว่าตัวเลขผลกำไรจากการทำ Arbitrage ข้ามแพลตฟอร์มที่เคยคำนวณไว้นั้นไม่ถูกต้อง โดยมีสาเหตุจากข้อผิดพลาด 4 ประการที่ดูเรียบง่ายแต่ทรงพลังในการสร้างผลลัพธ์ที่ดูน่าประทับใจแต่ใช้งานจริงไม่ได้เลย</p><p>ข้อผิดพลาดจุดแรกเกิดขึ้นจากรูปแบบการส่งข้อมูลของระบบ CLOB บน Polymarket ที่ส่งรายการราคา Ask เรียงจากมากไปหาน้อย หากนักพัฒนาอ่านค่าจาก asks[0] โดยคาดหวังว่าจะได้ราคาที่ดีที่สุด จะกลายเป็นการหยิบราคาที่แพงที่สุดในระบบมาแทน ความผิดพลาดนี้มีความอันตรายเพราะระบบทำงานล้มเหลวโดยไม่มีการแจ้งเตือนและชวนให้เข้าใจผิดว่าถูกต้อง ในเครื่องมือสแกนตัวหนึ่งเคยทำให้ตลาดดูเหมือนไม่มีสภาพคล่องเพราะราคา Ask สูงถึง 0.99 จนโปรแกรมรายงานว่าไม่มีโอกาสทำกำไรเลยตลอดหลายวัน</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/4_arbitrage_prediction_market_ms6p1w0t_inline_1_f3e3847b14.jpg" alt="order book depth chart financial data" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ข้อผิดพลาดจุดที่สองเกี่ยวข้องกับการคำนวณขนาดคำสั่งซื้อ ภาพหน้าจอส่วนใหญ่เปรียบเทียบเฉพาะราคาที่ดีที่สุด (Best price) ซึ่งมักจะมีปริมาณหุ้นรองรับอยู่เพียงเล็กน้อยเท่านั้น หากต้องการลงทุนด้วยเงิน 100 ดอลลาร์ ตัวเลขที่แท้จริงที่ต้องสนใจคือราคาเฉลี่ยหลังจากเดินไต่ระดับราคาลงไปในสมุดคำสั่งซื้อ (Walking the ladder) บนตลาดที่มีสภาพคล่องน้อย ความแตกต่างระหว่างราคาบนสุดกับเงินลงทุน 100 ดอลลาร์มักจะมีค่ามากกว่าส่วนต่างกำไรทั้งหมดที่คาดหวังไว้เสียอีก</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1%</span><span class="stat-label">ส่วนต่างราคา 1% บนตลาด 50/50 อาจถูกกินหมดด้วยค่าธรรมเนียมทั้งสองขา</span></div></div><p>จุดที่สามคือเรื่องของค่าธรรมเนียมที่เครื่องมือสาธารณะหลายตัวยังคงคิดว่าเป็นศูนย์ ทั้ง Polymarket และ Kalshi ต่างเรียกเก็บค่าธรรมเนียมจากผู้เล่นตามสูตรความแปรปรวน โดยอัตราของ Polymarket จะขึ้นอยู่กับหมวดหมู่ตลาด เช่น คริปโตจะเสียค่าธรรมเนียมสูงสุด กีฬาอยู่ในระดับรองลงมา และการเงินกับการเมืองเสียต่ำที่สุด ส่วน Kalshi ใช้สูตรคำนวณลักษณะเดียวกันและปัดเศษขึ้นเป็นเซนต์ถัดไป ทำให้โอกาสทำกำไรที่เป็นบวกกลายเป็นติดลบได้เมื่อคำนวณค่าธรรมเนียมอย่างตรงไปตรงมา</p><div class="ai-insight"><p>การทำความเข้าใจกลไกโครงสร้างเบื้องหลังตลาด Prediction Market ช่วยให้เห็นภาพชัดเจนว่าเหตุใดโอกาสทำกำไรแบบไร้ความเสี่ยง (Arbitrage) จึงหายากมากในทางปฏิบัติ ผู้สร้างสภาพคล่อง (Market Maker) มักจะตั้งราคาซื้อและขายห่างกันเพียงแค่หนึ่งทิก (One tick) และอ้างอิงราคาจากโมเดลภายในที่มีความสอดคล้องกัน ดังนั้น ตลาดที่มีสภาพคล่องน้อยจึงไม่ได้หมายความว่าราคาจะไร้ระเบียบเสมอไป</p></div><p>ข้อผิดพลาดจุดสุดท้ายที่สร้างความประหลาดใจมากที่สุดคือการจับคู่ตลาดผิดพลาด เมื่อเปรียบเทียบตลาดระหว่างสองแพลตฟอร์ม การใช้ความคล้ายคลึงกันของข้อความ (Fuzzy string similarity) เพียงอย่างเดียวมักจะจับคู่ผิดพลาดเสมอ กลไกการจับคู่ที่ดีจึงต้องมีระบบคัดกรองที่เข้มงวด เช่น หน้าต่างเวลาการตัดสินผล ความทับซ้อนของตัวเลขสตรีค และคำปฏิเสธทิศทาง พร้อมทั้งใส่คะแนนความเชื่อมั่น (Confidence score) ลงไปในทุกแถวข้อมูล</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/anton41/four-ways-prediction-market-arbitrage-numbers-lie-kao" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Polymarket's Ask sort order can trick scripts into reading the worst price instead of the best.</li><li>Execution pricing requires walking the order book ladder rather than just looking at top-of-book.</li><li>Fee structures scaling with variance terms can entirely consume gross spreads.</li><li>Fuzzy string matching across venues often pairs directional bets instead of true arbitrage.</li></ul></div><p>After spending several months capturing and auditing order-book and oracle data from prediction markets like Polymarket and Kalshi for independent research, a developer discovered that calculated cross-venue arbitrage figures were fundamentally incorrect due to four boring yet powerful reasons that generate confident, completely useless results.</p><p>The first pitfall stems from Polymarket's CLOB returning asks in descending price order. Reading asks[0] expecting the best price inadvertently retrieves the most expensive one in the book. This issue is particularly insidious because it fails silently in a plausible direction, causing scanners to misinterpret markets as having zero liquidity and reporting no arbitrage opportunities for days simply due to a sort order issue.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/4_arbitrage_prediction_market_ms6p1w0t_inline_1_f3e3847b14.jpg" alt="order book depth chart financial data" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The second error involves execution pricing assumptions. Nearly every spread screenshot compares top-of-book prices which typically cover only a handful of shares. For a 100-dollar stake, the relevant metric is the average price after walking the ladder. On thin markets, the discrepancy between top-of-book and an actual fill routinely outweighs the entire claimed edge.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1%</span><span class="stat-label">A 1% gross spread on a 50/50 market can be completely consumed by fees</span></div></div><p>The third surprise involves trading fees that many public tools incorrectly assume to be zero. Both venues charge takers a fee shaped like a variance term where Polymarket rates vary by market category, highest in crypto and lowest in politics, while Kalshi applies a similar formula rounded up to the next cent. Honest fee accounting quickly turns several perceived arbitrage opportunities solidly negative.</p><div class="ai-insight"><p>Understanding the structural mechanics of prediction markets clarifies why true risk-free arbitrage is exceptionally rare. Single market makers typically quote both sides of binary options tightly apart, pricing entire ladders from internally consistent models. Consequently, a thin market does not inherently imply an inconsistent or mispriced market.</p></div><p>The final and most instructive error relates to cross-venue market matching. Relying solely on fuzzy string similarity to pair markets across platforms will mistakenly couple directional bets disguised as arbitrage. Robust matching requires stringent hard gates covering resolution windows, numeric strikes, and event stages, accompanied by a confidence score for every row.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/anton41/four-ways-prediction-market-arbitrage-numbers-lie-kao" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_4-arbitrage-prediction-market-ms6p1w0t.jpg

small_4-arbitrage-prediction-market-ms6p1w0t.jpg

thumbnail_4-arbitrage-prediction-market-ms6p1w0t.jpg

Inewgen

Inewgen

#Arbitrage

Four ways prediction-market arbitrage numbers lie

Inewgen