Acabo de tener una conversación con alguien que afirma haber encontrado un arbitraje simple en Polymarket. SÍ a $0.62, NO a $0.33, suman $0.95... ¿fácil ganancia de $0.05, verdad? Equivocado. Para cuando colocan esas órdenes, el arbitraje real ya desapareció. Aquí te explico por qué.

Mientras los traders minoristas hacen cálculos básicos, los sistemas cuantitativos escanean simultáneamente 17,218 condiciones de mercado en 2^63 posibles combinaciones de resultados. Encuentran contradicciones en los precios en milisegundos usando programación entera en lugar de enumeración por fuerza bruta. Calculan tamaños de posición óptimos considerando la profundidad del libro de órdenes. Ejecutan todo en paralelo. Luego pasan a la siguiente oportunidad. La diferencia no es velocidad. Es infraestructura matemática.

Pasé tiempo entendiendo cómo funciona realmente esto, y es mucho más sofisticado de lo que la mayoría piensa. Déjame desglosar la mecánica real.

Primero, la trampa obvia del arbitraje. Ves dos mercados con dependencias lógicas. Mercado A: Trump gana Pensilvania a $0.48 SÍ. Mercado B: Los republicanos ganan por 5+ puntos en Pensilvania a $0.32 SÍ. Ambos suman $1.00, así que parecen limpios. Pero aquí está lo importante—si los republicanos ganan por 5+ puntos, eso es un subconjunto de que Trump gane. El precio del subconjunto no puede exceder el del superconjunto. Cuando los mercados violan esto, tienes arbitraje. Excepto que encontrar estas relaciones manualmente es imposible. Para solo 305 mercados de elecciones en EE. UU., hay 46,360 combinaciones posibles de dependencias. El equipo de investigación usó DeepSeek AI para el filtrado inicial, luego tres capas de verificación. Resultado: 40,057 pares independientes, 1,576 pares dependientes, 374 cumplen condiciones estrictas, 13 realmente explotables.

En segundo lugar, el problema matemático del que nadie habla. Cuando detectas un precio incorrecto, ¿cómo calculas la operación óptima? La respuesta intuitiva—minimizar la distancia euclidiana al precio justo—es incorrecta. Trata un movimiento de $0.50 a $0.60 igual que de $0.05 a $0.15. Pero son completamente diferentes. La segunda es un cambio masivo en la probabilidad implícita. Es como ganar 10kg cuando pesas 70kg versus 30kg. Mismo cambio, significado totalmente distinto.

Polymarket usa precios LMSR (Regla de Puntuación Logarítmica de Mercado), que significa que los precios representan distribuciones de probabilidad. La métrica de distancia correcta aquí es la divergencia KL—mide la distancia desde el punto de vista de la información entre distribuciones de probabilidad. A diferencia de la distancia euclidiana simple, la divergencia KL pondera automáticamente los movimientos cercanos a precios extremos más fuertemente. Un cambio de $0.05 a $0.15 parece mucho más lejos usando divergencia KL. Esto se alinea con la realidad—los movimientos extremos de precios indican shocks de información mayores.

Aquí está la clave: la ganancia máxima que puedes obtener equivale a la distancia de divergencia KL desde el estado actual del mercado hasta el límite sin arbitraje. Esa distancia te dice qué comprar, qué vender y cuánto puedes ganar.

En tercer lugar, cómo calcular esto realmente. El problema es que calcular directamente la proyección de divergencia KL es computacionalmente inviable para mercados grandes. El espacio sin arbitraje tiene vértices exponencialmente muchos. No puedes verificarlos todos. Aquí entra el algoritmo Frank-Wolfe. En lugar de resolver todo de una vez, funciona iterativamente. Comienza con un conjunto pequeño de resultados válidos. Optimiza en ese conjunto. Usa programación entera para encontrar un resultado válido nuevo. Lo añade al conjunto. Repite hasta converger. Después de 100 iteraciones, solo has rastreado 100 vértices en lugar de 2^63 combinaciones.

El equipo de investigación usó el solucionador Gurobi como motor de programación entera. Las primeras iteraciones (pocas partidas resueltas): menos de 1 segundo. La etapa media (30-40 partidas): 10-30 segundos. La etapa final (50+ partidas): menos de 5 segundos. ¿Por qué más rápido al final? El espacio de soluciones factibles se reduce a medida que los resultados se aclaran. Menos variables, restricciones más ajustadas, resolución más rápida.

Pero hay un problema técnico. Los precios LMSR se acercan a valores extremos (cerca de $0 o $1), y las derivadas explotan. La solución: Barrier Frank-Wolfe. En lugar de optimizar en toda la frontera, se optimiza en una versión ligeramente reducida. El parámetro de reducción disminuye de forma adaptativa—al principio más lejos de la frontera (estable), luego acercándose a la frontera verdadera (precisa). En la práctica, 50-150 iteraciones logran la convergencia.

En cuarto lugar, la ejecución mata la mayoría de las estrategias. Calculaste la operación óptima. ¿Y ahora? Polymarket usa CLOB (Libro de Órdenes de Límite Central), lo que significa que las órdenes se ejecutan secuencialmente, no de forma atómica. Tu plan de arbitraje: comprar SÍ a $0.30, comprar NO a $0.30, costo total $0.60, recuperar $1.00 sin importar el resultado, ganancia $0.40. La realidad: la orden de SÍ se ejecuta a $0.30. Tu orden movió el mercado. La orden de NO ahora se ejecuta a $0.78. Costo total $1.08, recuperación $1.00, resultado real: pérdida de $0.08. Estás expuesto.

Por eso, la investigación solo considera spreads superiores a $0.05. Los más pequeños se comen el riesgo de ejecución. Los traders reales calculan VWAP (precio medio ponderado por volumen) de todas las transacciones en cada bloque. Si la suma se desvía más de $0.02 de $1.00, se registra como oportunidad. VWAP tiene en cuenta la profundidad real del libro de órdenes. Si quieres 10,000 tokens pero solo hay 2,000 a $0.30, 3,000 a $0.32, 5,000 a $0.35, tu VWAP es $0.326, no $0.30.

El sistema completo combina cinco capas. Datos en tiempo real vía WebSocket desde la API de Polymarket. Datos históricos desde consulta a nodos de Alchemy sobre eventos del contrato. Detección de dependencias usando filtrado con LLM más tres capas de verificación. Optimización en tres niveles: restricciones lineales simples (milisegundos), programación entera con Frank-Wolfe y Gurobi (motor principal), validación de ejecución contra el libro de órdenes actual. La gestión de tamaño de posición usa una fórmula Kelly modificada ajustando la probabilidad de riesgo de ejecución basada en la profundidad del libro, limitada al 50% de la profundidad disponible.

Los resultados de abril 2024 a abril 2025: arbitraje de una sola condición extrajo $10.58M, reequilibrio de mercado extrajo $29.01M, arbitraje de portafolio cruzado extrajo $95K. Total $39.69M. Los 10 principales arbitrajistas capturaron $8.13M (20.5%). El principal arbitrajista ganó $2.01M en 4,049 operaciones, promediando $496 por operación$40M .

Mientras los traders leen artículos sobre técnicas de predicción, los sistemas cuantitativos examinan dependencias usando programación entera, calculan operaciones óptimas con proyección de divergencia KL, ejecutan algoritmos Frank-Wolfe, estiman deslizamiento con VWAP, operan en paralelo y extraen sistemáticamente $40M ganancias garantizadas.

La diferencia no es suerte ni timing. Es infraestructura matemática. El artículo es público. Los algoritmos son conocidos. Las ganancias son reales. La pregunta es si los traders minoristas pueden construir esta infraestructura antes de que se cierre la próxima oportunidad.