El estudio sobre mercados de predicción recomienda una aplicación equilibrada del uso de información privilegiada

El profesor asistente de finanzas de la Stevens Institute of Technology, Balbinder Singh Gill, publicó un documento de investigación el 2 de junio que examina la aplicación de la normativa sobre operaciones con información privilegiada en mercados de predicción. El estudio concluyó que los reguladores deberían adoptar un enfoque de aplicación equilibrado, en lugar de imponer prohibiciones totales, ya que la prohibición completa podría reducir la precisión del mercado al eliminar información valiosa. La investigación llega en medio de un aumento del escrutinio regulatorio: en abril, la Commodity Futures Trading Commission advirtió que los operadores con información privilegiada podrían enfrentar acciones de cumplimiento, y en mayo legisladores de EE. UU. lanzaron investigaciones sobre plataformas que incluyen Kalshi y Polymarket por preocupaciones de operaciones con información privilegiada y manipulación del mercado.

La investigación de Gill identifica efectos duales del uso de información privilegiada

Gill desarrolló un modelo económico formal que examina cómo el uso de información privilegiada afecta a los mercados de predicción. La investigación encontró que las operaciones con información privilegiada pueden mejorar la precisión del mercado al introducir información valiosa, ya que los operadores con información privilegiada a menudo cuentan con datos que pueden ayudar a que los precios reflejen probabilidades del mundo real con mayor rapidez. Sin embargo, el estudio también halló que una actividad excesiva de información privilegiada puede desincentivar la participación y reducir la liquidez, ya que los participantes comunes podrían optar por no participar en el mercado.

Gill describió esta dinámica como una paradoja, señalando que la misma operación de un insider que mejora la precisión del precio a corto plazo puede, en última instancia, reducir la participación necesaria para mantener mercados precisos en el futuro. Su modelo encontró que la precisión del mercado sigue una relación de “forma de joroba” con la intensidad de la aplicación. Una aplicación demasiado baja permite que los insiders dominen el mercado y desplacen a otros participantes, mientras que una aplicación excesiva elimina información valiosa que los insiders pueden aportar. Gill concluyó que el nivel óptimo de aplicación se encuentra en algún punto intermedio, en lugar de en cualquiera de los extremos.

El estudio recomienda una aplicación escalonada según la fuente de información

El documento sostiene que los reguladores deberían diferenciar entre distintos tipos de información privilegiada. La información obtenida a través de investigación y análisis legítimos debería enfrentar restricciones mínimas, porque refleja esfuerzo y contribuye a la eficiencia del mercado. La información adquirida mediante filtraciones, apropiación indebida o acceso a datos confidenciales debería estar sujeta a medidas de aplicación más estrictas.

El estudio afirma que la supervisión más estricta debería aplicarse a personas que tienen la capacidad de influir en el resultado de un evento mientras, simultáneamente, negocian con él, como candidatos políticos que apuestan por sus propias elecciones. Gill concluyó que la aplicación en mercados de predicción debe calibrarse en lugar de ser máxima.

La CFTC y los legisladores aumentan el escrutinio de los mercados de predicción

La Commodity Futures Trading Commission advirtió en abril que los operadores con información privilegiada podrían enfrentar acciones de cumplimiento. Legisladores de EE. UU. lanzaron investigaciones en mayo sobre plataformas que incluyen Kalshi y Polymarket por preocupaciones sobre operaciones con información privilegiada y manipulación del mercado.

Kalshi introduce requisitos de divulgación y un sistema de puntuación de riesgo

Kalshi anunció nuevas medidas para reducir los riesgos de operaciones con información privilegiada. La plataforma introdujo un requisito para que los usuarios que participen en mercados sensibles divulguen a sus empleadores. Kalshi también introdujo un sistema de puntuación de riesgo para mercados que podrían ser vulnerables a información privilegiada o a la manipulación. Los cambios siguen recomendaciones de un comité independiente de auditoría y una presión creciente de reguladores y responsables de políticas que buscan salvaguardas más sólidas para los participantes de los mercados de predicción.

Preguntas frecuentes

¿Qué encontró la investigación de Balbinder Singh Gill sobre el uso de información privilegiada en mercados de predicción?

La investigación publicada el 2 de junio halló que el uso de información privilegiada tiene efectos duales sobre los mercados de predicción. Si bien las operaciones con información privilegiada pueden mejorar la precisión del mercado al introducir información valiosa, una actividad excesiva de insiders puede desincentivar la participación y reducir la liquidez. El modelo de Gill encontró que la precisión del mercado sigue una relación “en forma de joroba” con la intensidad de la aplicación, y que la aplicación óptima se sitúa en algún punto intermedio, en lugar de en cualquiera de los extremos.

¿Qué medidas de aplicación introdujo Kalshi en respuesta a la presión regulatoria?

Kalshi anunció nuevas medidas que exigen que los usuarios que participen en mercados sensibles divulguen a sus empleadores. La plataforma también introdujo un sistema de puntuación de riesgo para mercados que podrían ser vulnerables a información privilegiada o a la manipulación. Estos cambios siguen recomendaciones de un comité independiente de auditoría y una presión creciente de reguladores y responsables de políticas.