Je viens d'avoir une conversation avec quelqu'un affirmant avoir trouvé un arbitrage simple sur Polymarket. OUI à 0,62 $, NON à 0,33 $, ce qui fait 0,95 $... un profit facile de 0,05 $, non ? Faux. Au moment où ils passent ces ordres, l'arbitrage réel a déjà disparu. Voici pourquoi.

Alors que les traders particuliers font des calculs basiques, les systèmes quantitatifs scrutent simultanément 17 218 conditions de marché sur 2^63 combinaisons possibles de résultats. Ils détectent des contradictions de prix en millisecondes en utilisant la programmation entière plutôt que l'énumération par force brute. Ils calculent la taille optimale des positions en tenant compte de la profondeur du carnet d'ordres. Ils exécutent tout en parallèle. Puis ils passent à la prochaine opportunité. La différence ne réside pas dans la vitesse. C’est dans l’infrastructure mathématique.

J’ai passé du temps à comprendre comment cela fonctionne réellement, et c’est bien plus sophistiqué que ce que la plupart pensent. Laissez-moi décomposer la mécanique réelle.

D’abord, le piège d’arbitrage évident. Vous voyez deux marchés avec des dépendances logiques. Marché A : Trump gagne la Pennsylvanie à 0,48 $ OUI. Marché B : les Républicains gagnent par plus de 5 points en Pennsylvanie à 0,32 $ OUI. La somme des deux fait 1,00 $, ils semblent propres. Mais voici le truc—si les Républicains gagnent par plus de 5 points, c’est un sous-ensemble de la victoire de Trump. Le prix du sous-ensemble ne peut pas dépasser celui du super-ensemble. Quand les marchés violent cette règle, il y a arbitrage. Sauf que trouver ces relations manuellement est impossible. Pour seulement 305 marchés sur l’élection américaine, il y a 46 360 combinaisons possibles de dépendances. L’équipe de recherche a utilisé DeepSeek AI pour un premier filtrage, puis trois couches de vérification. Résultat : 40 057 paires indépendantes, 1 576 paires dépendantes, 374 répondant à des conditions strictes, 13 exploitables réellement.

Ensuite, le problème mathématique dont personne ne parle. Quand vous repérez une mauvaise tarification, comment calculez-vous la transaction optimale ? La réponse intuitive—minimiser la distance euclidienne au prix équitable—est fausse. Elle traite un déplacement de 0,50 $ à 0,60 $ comme identique à 0,05 $ à 0,15 $. Mais ce n’est pas du tout pareil. Le second est un changement massif dans la probabilité implicite. C’est comme prendre 10 kg en pesant 70 kg contre 30 kg. Même changement, signification totalement différente.

Polymarket utilise la tarification LMSR (Logarithmic Market Scoring Rule), ce qui signifie que les prix représentent des distributions de probabilité. La bonne métrique de distance ici est la divergence KL—elle mesure la distance d’information entre deux distributions de probabilité. Contrairement à la distance euclidienne simple, la divergence KL pèse automatiquement davantage les mouvements proches des prix extrêmes. Un déplacement de 0,05 $ à 0,15 $ paraît beaucoup plus éloigné avec la divergence KL. Cela correspond à la réalité—les mouvements de prix extrêmes signalent des chocs d’information plus importants.

Voici l’intuition : le profit maximum que vous pouvez extraire est égal à la distance de divergence KL entre l’état actuel du marché et la frontière sans arbitrage. Cette distance vous indique quoi acheter, quoi vendre, et combien vous pouvez gagner.

Ensuite, comment calculer cela concrètement. Le problème, c’est que calculer directement la projection de divergence KL est impossible en pratique pour de grands marchés. L’espace sans arbitrage possède un nombre exponentiel de sommets. Impossible de tous les vérifier. La solution : l’algorithme de Frank-Wolfe. Au lieu de tout résoudre d’un coup, il fonctionne par itérations. On commence avec un petit ensemble de résultats valides. On optimise sur cet ensemble. On utilise la programmation entière pour trouver un nouveau résultat valide. On l’ajoute à l’ensemble. On répète jusqu’à convergence. Après 100 itérations, on n’a suivi que 100 sommets au lieu de 2^63 combinaisons.

L’équipe de recherche a utilisé Gurobi comme moteur de programmation entière. Les premières itérations (quelques jeux résolus) : moins d’une seconde. À mi-parcours (30-40 jeux) : 10-30 secondes. En fin de processus (50+ jeux) : moins de 5 secondes. Pourquoi plus rapide à la fin ? L’espace de solutions réalisables se réduit à mesure que les résultats deviennent plus clairs. Moins de variables, contraintes plus serrées, résolution plus rapide.

Il y a toutefois un hic technique. Les prix LMSR approchent des valeurs extrêmes (près de $0 1$), et les gradients explosent. La solution : Barrier Frank-Wolfe. Au lieu d’optimiser sur la frontière complète, on optimise sur une version légèrement rétrécie. Le paramètre de rétrécissement diminue de façon adaptative—initialement plus éloigné de la frontière (stable), puis s’approchant de la vraie frontière (précise). En pratique, 50-150 itérations suffisent pour converger.

Enfin, l’exécution tue la plupart des stratégies. Vous avez calculé la transaction optimale. Et après ? Polymarket utilise un carnet d’ordres centralisé (CLOB), ce qui signifie que les ordres s’exécutent séquentiellement, pas atomiquement. Votre plan d’arbitrage : acheter OUI à 0,30 $, acheter NON à 0,30 $, coût total 0,60 $, récupérer 1,00 $, peu importe le résultat, profit 0,40 $. La réalité : l’ordre OUI s’exécute à 0,30 $. Votre ordre a déplacé le marché. L’ordre NON s’exécute maintenant à 0,78 $. Coût total 1,08 $, récupération 1,00 $, résultat réel : perte de 0,08 $. Vous êtes exposé.

C’est pourquoi la recherche ne considère que les spreads supérieurs à 0,05 $. Les plus petits sont mangés par le risque d’exécution. Les vrais traders calculent le VWAP (prix moyen pondéré par le volume) de toutes les transactions dans chaque bloc. Si la somme dévie de plus de 0,02 $ de 1,00 $, c’est considéré comme une opportunité. Le VWAP prend en compte la profondeur réelle du carnet d’ordres. Si vous voulez 10 000 jetons mais que seulement 2 000 sont disponibles à 0,30 $, 3 000 à 0,32 $, 5 000 à 0,35 $, votre VWAP est de 0,326 $, pas 0,30 $.

Le système complet combine cinq couches. Données WebSocket en temps réel via l’API Polymarket. Données historiques via un nœud Alchemy interrogeant les événements du contrat. Détection de dépendances avec un LLM en screening plus trois couches de vérification. Optimisation à trois niveaux : contraintes linéaires simples (millisecondes), programmation entière avec Frank-Wolfe et Gurobi (moteur principal), validation d’exécution contre le carnet d’ordres actuel. La taille des positions utilise une formule Kelly modifiée, ajustée pour le risque d’exécution en fonction de la profondeur du carnet, plafonnée à 50 % de la profondeur disponible.

Les résultats d’avril 2024 à avril 2025 : arbitrages à condition unique ont extrait 10,58 millions de dollars, la rééquilibration du marché 29,01 millions, l’arbitrage de portefeuille inter-marchés 95 000 dollars. Total : 39,69 millions. Les 10 plus grands arbitragistes ont capté 8,13 millions (20,5%). Le plus grand arbitragiste a réalisé 2,01 millions avec 4 049 transactions, en moyenne $496 par transaction$40M .

Tandis que les traders lisent des articles sur les techniques de prédiction, les systèmes quantitatifs examinent les dépendances via la programmation entière, calculent les trades optimaux avec la projection divergence KL, exécutent des algorithmes de Frank-Wolfe, estiment le slippage avec le VWAP, opèrent en parallèle, et extraient systématiquement $40M des profits garantis.

La différence ne réside pas dans la chance ou le timing. C’est dans l’infrastructure mathématique. L’article est public. Les algorithmes sont connus. Les profits sont réels. La question est : les traders particuliers peuvent-ils construire cette infrastructure avant que la prochaine opportunité ne se ferme ?