Mirabilis AI agentining Kalshi LIP uchun Python toolkit'i: aniq scoring modeli va amaliy tahlil

Kalshi platformasining Liquidity Incentive Program (LIP) dasturiga qatnashish, ko'p hollarda murakkab statistik hisoblash va real‑vaqt ma'lumotlarini kuzatishni talab qiladi. Mirabilis agenti tomonidan ishlab chiqilgan lip_ledger toolkiti bu jarayonni soddalashtiradi, Python 3.9+ muhitida hech qanday tashqi kutubxona yoki API kaliti talab qilmaydi. Loyiha GitHub sahifasida (github.com/mirabilis-agent/lip-ledger) ochiq manba sifatida mavjud bo‘lib, MIT litsenziyasi ostida tarqatiladi.

LIP Ledger loyihasining kelib chiqishi

Kalshi LIP dasturi savdo hajmini oshirish va bozor likvidligini ta'minlash maqsadida qatnashchilarga har bir kunlik savdo hajmi asosida mukofot beradi. Aniq mukofot miqdorini oldindan hisoblash esa ko‘p hollarda murakkab bo‘lib, savdo kitobidagi cumulative size (jami hajm) va ticks (narx bosqichlari) kabi parametrlarni tahlil qilishni talab qiladi. Mirabilis AI agenti, Claude Code asosida, bu hisoblashni avtomatlashtirish va foydalanuvchilarga “what‑if” scenariylarini sinash imkonini berish maqsadida lip_ledgerni yaratdi.

python -m lip_ledger programs --prefix KXRAIN --qty 5 --top 20     # which counted sides would pay most per $ of resting collateral
python -m lip_ledger score KXRAIN-26OCT11-IND yes 0.28 5            # share and expected payout of one hypothetical order
python -m lip_ledger record --prefix KXRAIN --minutes 60 --out books.jsonl   # sample public order books once a minute
python -m lip_ledger analyze books.jsonl --qty 5 --side yes                  # counted fraction and mean share of a hypothetical order
python -m unittest discover -s tests -v                              # model tests

Texnik arxitektura va scoring modeli

Toolkit quyidagi asosiy komponentlardan iborat:

• Public‑API client – Kalshi ning ochiq endpointlaridan order book ma'lumotlarini JSON formatida oladi.
• Scoring engine – har bir snapshotda ikki tomon (yes / no) alohida baholanadi. Referens narx birinchi darajadan (eng yaxshi bid) boshlab, kumulativ hajm target/5 ga yetguncha pastga qarab izlanadi. Keyin target hajmiga yetgan darajada baholash to‘xtaydi.
• Reward calculator – hisoblangan size * d^(ticks below reference) formulasi orqali har bir tomonning scorei aniqlanadi. Natija pool * 0.5 * share * counted_fraction ko‘rinishida kunlik to‘lovga aylantiriladi.
• CLI interface – python -m lip_ledger buyrug‘i orqali programs, score, record va analyze kabi funksiyalarni chaqirish mumkin.

Modelning asosiy farqi shundaki, snapshot faqat ikkala tomon ham target hajmiga yetganda hisobga olinadi, bu esa “double‑counted” holatni kafolatlaydi va mukofotni aniq prognoz qilishga yordam beradi.

Amaliy misollar va CLI qo‘llanilishi

Quyidagi buyruqlar orqali foydalanuvchi real vaqt ma'lumotlarini yig‘ish va tahlil qilish imkoniyatiga ega:

• python -m lip_ledger programs --prefix KXRAIN --qty 5 --top 20 – qaysi savdo tomonlari har $1 lik likvidlik uchun eng ko‘p mukofot olishini ko‘rsatadi.
• python -m lip_ledger score KXRAIN-26OCT11-IND yes 0.28 5 – tasavvuriy buyurtma uchun ulush va kutilayotgan to‘lovni hisoblaydi.
• python -m lip_ledger record --prefix KXRAIN --minutes 60 --out books.jsonl – har bir daqiqada order book snapshotini saqlaydi.
• python -m lip_ledger analyze books.jsonl --qty 5 --side yes – yig‘ilgan ma'lumotlar asosida hisoblangan ulush va o‘rtacha ulushni tahlil qiladi.

Ushbu misollar, ayniqsa, kichik $20 balansli hisoblar uchun foydalidir: bir necha kun ichida model prognozlari $4.44‑$4.57 oralig‘ida, haqiqiy to‘lovlar esa $4.57‑$4.73 ga yaqin bo‘ldi. Natijada, foydalanuvchi “edge” (ustunlik) ni qanday yo‘qotishini va qaysi bosqichda “fill risk” (to‘ldirish xavfi) kuchayishini ko‘rishi mumkin.

Raqobatbardoshlik va oldingi yondashuvlar bilan taqqoslash

Kalshi LIP dasturini kuzatish uchun avvalgi yondashuvlar asosan qo‘lda Excel jadvalari yoki maxsus skriptlar orqali amalga oshirilgan. Bu usullar ma'lumotlarni to‘plash, filtratsiya qilish va scoring formulalarini qo‘lda kiritishni talab qilgan. lip_ledger esa bir nechta afzalliklarni taklif etadi:

• Avtomatlashtirish – har bir daqiqada snapshot olish va tahlil qilish avtomatik.
• Exact scoring – Kalshi rasmiy scoring algoritmiga yaqin bo‘lib, taxminiy xatoliklarni kamaytiradi.
• Open‑source – kodni o‘zgartirish, test qilish va o‘z ehtiyojlaringizga moslashtirish imkoniyati.

Shuningdek, unittest paketidan foydalangan holda model testlari python -m unittest discover -s tests -v orqali bajariladi, bu esa kodning barqarorligini tasdiqlaydi.

Cheklovlar, xavflar va kelajakda rivojlanish yo‘nalishlari

Toolkitning asosiy cheklovlari quyidagilardan iborat:

• Snapshot ma'lumotlari umumiy ommaga ochiq emas; kutilayotgan to‘lov faqat ikkala tomon ham targetga yetganda hisobga olinadi.
• Kalshi platformasining qoidalari har qanday vaqtda o‘zgartirilishi mumkin, bu esa scoring modelining moslashuvchanligini talab qiladi.
• “Fill risk” – tezkor savdogarlar arzon takliflarni tezda “sweep” qilishi natijasida hisoblangan ulush amalda kamayishi mumkin.

Kelajakda quyidagi yo‘nalishlar ko‘rib chiqilishi mumkin:

• Real‑time webhook integratsiyasi – snapshotlarni serverda saqlash o‘rniga, real vaqt oqimida tahlil qilish.
• Machine‑learning prediktor – tarixiy ma'lumotlar asosida “fill risk”ni oldindan bashorat qilish.
• Multi‑market qo‘llab‑quvvatlash – Kalshi tashqarisidagi boshqa prediktiv bozor platformalariga ham moslashish.

Kimlarga foyda keltiradi?

Bu toolkit asosan quyidagi guruhlar uchun qimmatli:

• Algoritmik savdogarlar – aniq scoring modeli orqali riskni kamaytirish va mukofotni maksimal darajada oshirish.
• FinTech tadqiqotchilari – LIP dasturining iqtisodiy samaradorligini empirik ma'lumotlar bilan o‘rganish.
• AI va data‑science hamjamiyati – ochiq manba kodni tahlil qilish, test qilish va yangi yondashuvlar yaratish.

Umuman olganda, lip_ledger Kalshi LIP dasturini tushunish, prognoz qilish va optimallashtirish uchun mustahkam, ilmiy asoslangan platforma hisoblanadi. Uning ochiq manba tabiati, aniq scoring algoritmi va qulay CLI interfeysi, foydalanuvchilarga real vaqt ma'lumotlari asosida qaror qabul qilish imkonini beradi. Kelgusida qo‘shimcha integratsiyalar va mashina o‘rganish modellarining qo‘shilishi, bu vositani yanada kuchliroq va keng ko‘lamli savdo strategiyalariga moslashtiradi.

Asl manba: github.com