公開前に封印：AI金融市場予測の計測可能な標準

このペーパーをダウンロード

• SSRN（推奨される引用）: ssrn.com/abstract=7653679 · DOI 10.2139/ssrn.7653679
• Zenodo（アーカイブ、オープンアクセス）: doi.org/10.5281/zenodo.23552697
• OSF（第8セクションの登録予測）: doi.org/10.17605/OSF.IO/9Q86N
• GitHub（全文および附録Bの検証コマンド）: https://github.com/vadimchernets/papers/tree/main/sealed-before-the-open
• 分析リリース（このバージョンが読み込むファイル、冷凍、SHA-256マニフェスト付き）: doi.org/10.5281/zenodo.23552700
• ライブリーグとオープンデータ（CC BY 4.0）: trends.polyhelper.ai/markets/ · trends.polyhelper.ai/api/v1/

3つのステップでシールを確認（附録B）：本と10月20日のスタンプをダウンロード、スタンプ付きプレフィックスをハッシュ化、アンカーを検証します。

curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt.ots
head -n 159 council-book.jsonl | shasum -a 256   # 59673b9e...a7d9, as in 130025Z.txt
ots verify 130025Z.txt.ots                       # Bitcoin block 972,334

Bitcoinノードなしでは、ots info 130025Z.txt.otsはブロック972,334への証明を表示し、そのマークルルートは任意のブロックエクスプローラーに表示されます（付録B、ステップ6）。ステップ10はSigstoreRekorログのスタンプをチェックします。

SSRN論文前刷りを引用してください。スコア付きセッションは2026年10月20日時点で読み込まれ、2026年10月21日の02:42～05:33 UTC間に生成されたオープンファイルから読み込まれます。最初のカウント実行は2026年10月21日で、22:16 UTC時に生成されたファイルから読み込まれます。表5は2026年10月21日15:05 UTCで読み込まれた適合状態、要件1の適合チェックは22:33 UTCで、要件3のRekorエントリは2026年10月22日00:00:16 UTCで示されています。

キーワード： AI予測；大規模言語モデル；金融市場；予測評価；ブライアスコア；キャリブレーション；先読みバイアス；信頼できるタイムスタンプ；OpenTimestamps；独立した声の有効数；予測市場；登録予測

JEL： G17; C53; C52; G14; D84

抄録

AIモデルが金が上昇すると言うとき、読者はそれを終値で採点することはできますが、通常はそれがいつ作成されたかを確認することはできません。バックテストは記憶とスキルを混ぜ、トレーディング・シーズンは市場を通るひとつの経路です。私は金融市場のAI予測を測定するための番号付き要件の標準を提案し、その参照実装である、PolyHelperが運営するオープン・リーグAI Council · Marketsを文書化し、要件ごとの公開ステータスを示します。米国とアメリカおよび中国の研究所からそれぞれ7つずつ、計14の大規模言語モデルが共有の価格スナップショット上で同じ質問に答え、それぞれ独自のアカウントを持ちます。そのうち11個は4つの地平線で12個の指標を各ニューヨークオープン前に予測します。数えられた各回答はSHA-256ハッシュ・チェーンに密閉され、参照価格の前にあり、OpenTimeStampsを通じてビットコインに固定されます。2026年10月21日から、数えられた実行は事前に宣言され、独立したRFC 3161当局がすべてのタイムスタンプ記録に署名し、Sigstore Rekor透明性ログにも入ります。その最初の数えられた朝、数えられたすべての回答は09:30 ETオープンの前に署名され、そのうち8つはそれより29分前でした。要求されたイベントのBrierスコアは50%ベンチマーク、気候学的ベース・レートおよび予測市場価格に対して設定され、合意は独立した声の数として報告されます。10月19日および20日の開発朝には、モデルの確率像は約1.6個の独立した予測者のものと同じくらい似ていました。10月20日には、最も近い4つのペアのうち3つが米国と中国の研究所に参加しました。23のAI予測およびトレーディング努力の日付付きマップに対して、このリーグはこれらの要素を組み合わせた金融指標上の最初のライブAIリーグです。また、7つの米国および7つの中国のモデルが、モデルを見る前または後に予測するために一度だけランダムに割り当てられた読者の隣に1つのプロトコルの下で取引する最初のAI市場アリーナです。30個の日付付き予測は、投稿前にOSFに登録され、日付付き改訂で採点されます。

エグゼクティブサマリー

価格予測は、予測者が結果を知らなかった場合、予測がそれより前に存在していた場合、および採点された予測が他の試みが何を言おうとも計数される場合に限り、スキルの証拠です。AIモデルはこの3つすべてに課題があります。訓練中に結果を読んだ可能性があり、数秒で再度質問できますし、その記録は通常、質問した者によって保持されています。各条件を読者が確認できる要件として記述しました。PolyHelperが運営するAI Council · Marketsがリファレンス実装です。

すべての質問はまだ来ていない結果に関するもので、モデルのメモリーから外れます。市場は自己更新するテストです。毎朝新しい質問をし、同じ午後に答えるので、モデルが答えを読むことはできません。2つの予測は同じ物に賭ける場合にのみ比較され、単位はあらかじめ固定されたイベント契約です。各答えは、それが採点される開始価格の前にハッシュチェーンに封印されます。開始値の動きを見た予測は異なる質問に答えるためです。記録をその管理者への信頼に基づかせたくなかったので、チェーンはBitcoinに固定され、2026年10月21日からは独立したタイムスタンプ機関によって署名されています。セッションごとに1つの実行がカウントされます。10月21日から、それを選ぶルールは事前に宣言され封印され、他の実行は公開され、ラベル付けされたままになります。

スコアは質問されたイベントのブリアスコアです。これは固有のスコアなので、予測者はその信念以外のものを述べることで何も得られません。リーグはそれをコイン、イベントの基本レート、予測市場価格に対して読み、スキルの3つの異なる基準があります。相関するモデルは別の証人ではなく、それらの間の合意は独立した声の数として報告されます。7つの米国モデルと7つの中国モデルは質問、スナップショット、期限、ルールを共有するため、両者間の違いは1つのタスクで測定されます。読者は1回ランダム化され、モデルが予測する前または後に表示され、そのグループに留まります。モデルが人々を助けるか、それとも単に彼らを引きずるだけかを測定します（F28、F29）。

2つの開発朝は、これらのメジャーが読むものを示しています。1日の視点では、開始前に封印されたモデルの確率図は、2未満の独立した予測者の確率図と同じくらい似ていました。それらは6か月で最も決定的であり、その予測が最後に解決され、10月20日に最も近い4つのペアのうち3つが米国と中国の研究室に参加しました。登録された1つの主要なテストと30の予測は、公開データとコードで日付が記入された改訂版で採点されます。

1. 導入

月曜日の朝、ある人がAIモデルに金を買うべきかどうか尋ねます。そのモデルはある程度の信頼度でイエスと答え、理由を述べます。終値までに金は下落しました。モデルは間違っていたのか、それとも運が悪かったのか、それともそれはその朝に与えた複数の答えの1つだったのか。答えは09:00に存在していたのか、それとも正午に作成されたのか。その人には判断できません。セクション7で検証した大部分の評価では、予測の時刻はオペレーターの記録に基づいています。ここで説明するリーグは、その記録をオペレーターの外に保持しています。2026年10月20日火曜日、市場前に、8つのモデルはPolymarketの日次契約で金が上昇で終値する確率を平均45%と予測し、そのコントラクト上の群衆は29%と値付けしました。両方の数字は09:30 ET開場前にシールされ、誰でもそれらを読み戻すことができます(付録B)。

モデルが実際の金銭を取引するアリーナは2025年に広い関心を集め(Forklog, 2025a, 2025b)、LLM予測ベンチマークはメインの機械学習会場に到達しました。ICLR 2025のForecastBench(Karger et al., 2025)、FutureX(Zeng et al., 2025)、およびICLR 2026のProphet Arena(Yang et al., 2025)です。取引ベンチマークでは、ほとんどのエージェントが買い持ちを上回らず(Y. Chen et al., 2025; Yu et al., 2025)、流動的な予測市場ではAIの強力な予測システムは依然として市場コンセンサスに遅れていましたが、この2つの組み合わせは両方を上回りました(Alur et al., 2025)。

これらの取り組みは依存性を共有しています。予測がその結果に先行したという証拠は、評価を実施した者によって保持されています。バックテストはそれをまったく提供できません。モデルはすでに結果を知っているかもしれないからです(Lopez-Lira et al., 2025; Paleka et al., 2026)。ライブベンチマークはオペレーターの記録を通じてそれを提供し、Prophet Arenaは各予測の塩漬けSHA-256シールを追加し、オプションの署名付き領収書をプラットフォーム独自のクロックで時間指定します(Prophet Arena, 2026)。Foresight Arenaはポリゴンチェーンに資産価格に関するものを含むPolymarketイベントのハッシュ化された予測をコミットし、期限前に市場価格に対してスコアします。改訂版はシミュレーション結果を報告し、ライブ版を延期します(Nechepurenko & Shuvalov, 2026a)。Prediction Arenaはフロンティアモデルに対してKalshiおよびPolymarketで実際の資本を与え、コミットメントなしでオペレーターログを保持しました(Zhang et al., 2026)。AI外では、金融バブルの予測は2010年と同じくらい早くチェックサムによってシールされ、遅延開示されました(Sornette et al., 2010)。市場外では、あるAIのフットボール確率は2026年7月からビットコインに固定されています(NeuPortal, 2026)。オペレーターの外部にその記録を固定する固定パネルの金融指標上のAI予測のライブリーグを見つけませんでした(セクション7)。私の研究質問は、AI市場予測の測定が読者に対して、オペレーターの制御外のクロックに対して、何が予測されたか、いつまでに、そしてどの予測が数えられたかをチェックできるようにするために何が必要かということです。

私はその測定の標準を提案します。これはMUSTおよびSHOULDの要件のチェックリストとして書かれています(セクション3.13)。そして、それの実装を文書化します。trends.polyhelper.ai/marketsで実行されているPolyHelperによる公開ライブリーグであるAI Council · Marketsです。米国の7つのラボと中国の7つのラボから14のモデルが、同じ質問、スナップショット、ルール上でシミュレートされたポートフォリオを実行し、そのうち11がコウンシルに座って確率を与えます。毎朝ニューヨーク開場前に、コウンシルは12の金融指標を、株価指数、レート、ドル、ボラティリティ、コモディティ、ビットコイン全体で予測し、1日から6ヶ月までの4つの期限で予測します。すべての答えはOpenTimestampsを通じてビットコインに固定されたヘッドを持つハッシュチェーンボックでシールされます。各答えは最初の価格からスコアリングされ、ブックはスコアリングコードとデータで公開されます。2026年10月21日から、独立したRFC 3161タイムスタンピング権限も各タイムスタンプされたレコードに署名します。これにより、読者はオペレーターの制御外のクロックに対して、カウント対象の答えがそれらがスコアリングされた開場価格の前に存在していたことをチェックできます(セクション3.2)。シールされたレコードは、ファイナンスのための新しい種類のオープンデータでもあります。同じイベント上の多くのAIモデルからの確率の日次パネル。開場前に固定され、それらの不一致とその値を測定できます。

イベントコントラクトはスキーマとして公開されており、チェッカーを持っているため、他のリーグは独自のファイル上で実行できます(セクション3.13)。私が貢献するのは標準とそれの実装です。読者がチェックできます。最初のセッションは生成するデータを示し、セクション8の登録テストがスキルを決定します。セクション3は標準を述べ、セクション4はライブ市場設定のためのスコアリング設計を述べます。セクション5はライブデータ上の独立した声の実効数を測定し、セクション6はAIの前の人間のための設計を規定し、セクション7はAI市場アリーナの日付付き地図を作成します。セクション8は登録予測を保有し、セクション9は強い異議と各規則を保有し、セクション10は各主張のリーチを保有しています。セクション7.4は何が新しいかを述べます。レビューされたAI市場アリーナのうち3つの主張と3つのさらなる設計は最初であり、リーグが構築するもの。それぞれ最も近い前例を持っています。付録Eはセル単位で証拠を提供します。

2. 後知恵がAI市場予測を破綻させる理由

人間の予測トーナメントは、登録期限と信頼できる主催者によって、エグゼクティブサマリーの3つの条件を守っている。AIモデルはそれぞれの防御をすり抜ける。モデルは訓練から結果を知っているかもしれず、1分間に何度も質問されることができ、それが何を言ったかという記録は、原則として質問した人によって保持されている。最初の3つのサブセクションはこれらを順番に取り上げ、4番目は予測記録の代わりに取引季節が成り立たない理由を説明する。

2.1 モデルが記憶すること

AIモデルを財務予測で評価する最も安価な方法はバックテストであるが、モデルの訓練データには既に何が起こったかが含まれているかもしれない。Lopez-Lira et al. (2025)は、大規模言語モデルが訓練カットオフ前のマクロ経済系列と金融系列の正確な値を想起すること、後の知識を使用しないという指示がその想起を取り除かないこと、そして想起が訓練カットオフ後に停止することを示した。訓練期間内では、スキルと記憶は区別されない。

Gao et al. (2025)は先読みバイアスのテスト、先読み傾向を構築した。ニュースヘッドラインのモデルスコアが株式リターンを予測するという結果の再現では、先読み傾向が高い観測ではモデルスコアが高まった。カットオフ後、生の信号は残ったが、記憶化に関連する交互作用は有意性を失った。Glasserman and Lin (2023)はGPT感情バックテストの2つのサンプル内バイアス、先読みと企業名についてモデルが知ることによる注意散漫を分離し、2番目が大きいこと、特に大企業で大きいことを発見した。20年間のデータについて、FINSABERフレームワークは、生存者バイアス、データスノーピング、先読みを制御すると、LLM投資戦略に報告された利点が急激に縮小することを発見した(W. W. Li et al., 2025)。履歴シミュレーションに基づくベンチマーク、例えばInvestorBench(H. Li et al., 2025)も同じエクスポーチャーを継承している。

文献はこれを2つの方法で修正している。1つはモデルを制限する。時系列一貫性言語モデルは各予測日の前に利用可能なテキストのみで訓練される(He et al., 2025)。もう1つは時間を制限する。すべての強度とサーチを備えたあらゆるモデルが、まだ来ていない結果について質問され、その答えは検証可能に、結果が存在する前に固定される。私は時間を制限し、モデルを最大限の強度に保つことを選択した。2つの経路は相補的である。時系列一貫性モデルは封シーズンに入ることができるから。

2.2 漏洩のルート

ライブの質問に移動すると最大の漏洩が除去されるが、すべての漏洩ではない。Paleka et al. (2026)は、言語モデル予測者の評価における時間的漏洩がしばしば微妙であること、そして評価でのパフォーマンスが世界での予測に引き継がれないかもしれないことを示す。FutureXは同じファミリーの失敗モード、偽のウェブページと時間的妥当性が間違った答えを報告する(Zeng et al., 2025)。マクロ財務予測では、意思決定時に利用可能だったものにモデルの入力を制限すると、漏洩したベンチマークが報告する見かけのスキルの多くが除去される(Guan & Chen, 2026)。1つの名前付きの形式は日中のイベント漏洩である。収益報告の翌日の記事は既に市場の反応を持っており、より早い日の入力に入られば、結果は予測に漏洩する(Zhang & Zhang, 2026)。参考価格の前に封シールされた予測は、それ以後に書かれたテキストから描くことができない。

金融市場では、タイミングの問題は具体的である。09時29分に記録された日の予測と09時45分に記録された予測は異なるオブジェクトである。2番目は開場の動きを見ることができるから。予測がいつ作成されたかの記録が演算子のみによって保持されている場合、読者はより後の答えがより早いものの代わりに立っていないことを信頼しなければならない。事前登録は、仮説の生成をそのテストから分離し、データが存在する前に公開記録に固定することによって(Nosek et al., 2018)。封シールされた予測は自動毎日の登録であり、信頼されたタイムスタンピングにより第三者がその時間を確認できる(Haber & Stornetta, 1991; Todd, 2016)。

2.3 多くの実行、1つのスコア

トーナメントの予測者は通常、期限までに1つの答えを提出する。モデルは、わずかに異なる文言またはわずかに異なる分で10回質問され、その答えは変わる。10個の中から最高のものを保つか、失敗後のパイプラインを再実行して再実行を保つ評価者は、単一の予測を変更することなくスキルをインフレートし、インフレーションは各実行が記録され、どの実行がカウントされるかのルールが事前に固定されない限り見えない。したがって、送信するすべての実行を封シールし、事前に書かれたルールでセッションごとに1つの実行をカウントし、他のものをラベル付き参照計算として保つ標準を書いた(Section 3.4)。

2.4 1つの軌跡は測定ではない

モデルがお金を取引するアリーナは、どの決定がお金を稼いだであろうかに答えるが、季節以上のポートフォリオのリターンは、市場が取ることができるパスの1つの描画である。Alpha Arenaの最初の2つのシーズンの報道は、ランキングの逆転を報告する。最初のシーズンで勝ったモデル、暗号通貨永続先物では、2番目で最弱の1つであった。新しいフォーマットとレバレッジを持つトークン化された米国株式(Forklog, 2025a, 2025b; Yahoo Finance, 2025)。資産、フォーマット、およびモデルはシーズン間で変更されたため、逆転は、それらのアカウントがそれを報告するように、運を特定しない。それは1つのシーズンが1つの軌跡として予測するものである。StockBenchは、約4ヶ月間ダウ株を取引するほとんどのエージェントが買いと保持を打ち負かさなかったことを発見した(Y. Chen et al., 2025)。LiveTradeBenchは、約50のライブ日にわたって、一般的なチャットリーダーボードが取引結果を予測しなかったことを発見した(Yu et al., 2025)。PredictionMarketBenchは、素朴なエージェントが再生されたKalshiオーダーブックの手数料と決済に失うことを発見した(Arora & Malpani, 2026)。Prediction Arenaは、フロンティアモデルのコホートに57日間の実資本を与え、同じモデルはKalshiで平均−22.6%、Polymarketで−1.1%の平均リターンを達成した(Zhang et al., 2026)。会場は平均結果を20ポイント以上移動させた。モデルが市場について何かを知っていたかどうか誰も言うことができない。なぜなら、リターンはコールの方向、その大きさ、その時間、その費用、および市場のパスを1つの数字に混ぜるから。

確率は予測の方向と信頼度を分離します。金が今日上昇する確率が70%であると述べるモデルは、厳密に適切なルール（Brier, 1950; Gneiting & Raftery, 2007）によって、その声明だけで評価できます。4つの時間軸にある12の市場は、モデルあたり1日あたり多くのそのような声明をもたらしますが、1日の12の市場は1つのセッションを共有します（セクション4.6）。モデルの訓練後に解決した規制された予測市場からの質問について、5つのフロンティアモデルは過度に自信があり、より拡張された推論はキャリブレーションを悪化させました（Nel, 2025）。

2.5 3つの条件が要求するもの

予測はモデルのカットオフ後に、まだ来ていない結果について行われなければなりません（2.1）。その時間は、第三者が後の変更を検出できる記録内で結果の前に固定されなければなりません（2.2）。どの予測がカウントされるかについてのルールは、実行前に固定されなければなりません（2.3）。スコアは、尋ねられたイベントの適切なスコアであり、スキルを幸運な経路から区別するのに十分な独立したセッションで集計され、キャリブレーションチェック付きでなければなりません（2.4）。そしてモデル間の一致は、それがエビデンスとして読まれる前に、それらのエラーの相関について割り引かれなければなりません（Clemen & Winkler, 1985; Kim et al., 2025; Chernets, 2026a）。セクション3は5つをチェックリストとして書きます。

3. プロトコル

プロトコルは予測の時点を第三者が検証できる事実にし、その事実のどの層が誰の責任かを明示します。以下のすべては、リーグのオープンファイルに公開されています（AI Council · Markets、2026）：プロトコルはarena-protocol.jsonとして、封印された帳簿はcouncil-book.jsonlとして、質問テキストはasks/配下に、OpenTimestampsプルーフ付きのスタンプリストは1日1ページで（/markets/proof/<day>/）です。ここでは2026年10月20日時点で有効だったルールを説明し（プロトコルarena-3、スコアリング方法論バージョン2）、その朝の実行である2026-10-20-amを作業例として使用します。それについて引用されるすべての時刻とハッシュは、オープンファイルから読み返すことができます（付録B）。各シールは有効な方法論のバージョンを含み、後のルール変更も、その前に封印されたものはそのままにしておきます。

イベント契約。 標準はイベントを測定します。モデル、実行、またはリーダーボード行はそれらの集合であり、各イベントを質問が出される前に固定された契約で定義します（表1）。2つの予測が同じイベントに属するのは、すべてのフィールドが一致する場合のみです。オープン後に封印されたラインなど、独自の参照を持つ予測（3.3項）は、別のイベントの予測です。そのイベントでスコアリングされ、モデルを共通イベントで比較するすべての統計から除外されます（要件4）。

このリーグで「利回り」という言葉は3つの別々のイベントを指します。予測は10年利回り自体について、利回りの単位で、その参照から終値15:00 ETまでです。クラウド契約は、質問がリストする場合、財務省の15:30 PM ET等価利回り（始値から終値）で解決され、その条件でスコアリングされます（4.9項）。ポートフォリオは米国債ファンド（IEF）を保有しており、利回りが低下すると上昇します（4.7項）。10月20日、クラウドは利回りの契約を前の等価利回り5.15％に対して7％で価格付けし、その価格にはすでに市場前の下落が含まれていました。リーグ自身の利回りに関する質問は09:30の参照から始まり、別のことを問いかけます。1つの正しいコールは、他のものについて自体は何も言いません。VIXは同じ方法で分割されます：予測はインデックスについて、通常のポートフォリオはそれを保有できず、プロリーグはできます。

表1。 イベント契約の最小フィールドと、リファレンス実装がそれぞれをどこで固定するか。

注：括弧内のフィールド名は、オープンファイルのフィールド名です（arena-protocol.json、各実行ラインのmethodologyフィールド、council-stats.json、council-calibration.json、council-forecasts.csvの列）。利回りの15:00 ETウィンドウは、10月20日の封印された実行ラインに記載されています。

3.1 リーグの1日

図1は、スナップショットからスコアまでの1つのリーグの日を追跡します。

スナップショット。質問が配信される前に、エンジンは12の市場の価格スナップショットを1つ取得します：S&P 500、Nasdaq-100、ダウ・ジョーンズ、半導体指数（SOX）、米国10年物利回り、ドルインデックス（DXY）、VIX、金、WTI、ブレント、銅、ビットコイン（表2）。各行には価格、最近の変化、52週間レンジ、および読み込まれた分が含まれます。公開前は株価指数と利回り行は前営業日のデータを保持し、その他の行はライブです。スナップショットのSHA-256は実行行に書き込まれ（snapshot_sha256）、モデルが異なる価格を見たという後の主張は検証できます。

質問。14の座席がトレードし、そのうち11個は確率も提供し理事会を構成します。米国の研究室から5個、中国の研究室から6個、ベンチに3座席のみ（表8）。理事会のすべてのモデルに1つの質問が送られます。単語ごとに同じですが、各モデルに独自のアカウントを与える1つのブロックを除きます。共通テキストのSHA-256は実行行に書き込まれ（ask_sha256）、各回答行で繰り返され、テキストはasks/<sha256>.mdとして公開されます。各モデルが受け取ったテキストのハッシュ、その独自のアカウントを含める、送信時に封印されます（asks.jsonl）。10月20日、質問は08:30 EDTにオープンし、その公開ファイルは実行行の値にハッシュ化されます（77d3c627…6f07）。また、株価指数先物の公開前変化を提供し、モデルがそれらを使用できることを伝えました（セクション3.3）。

09:30 ETまでに封印。各回答はハッシュチェーン化された帳簿の1行として記録されます。10月20日、カウントされた8つの回答は12:31:11Z～12:42:02Zの回答時間を含みます。実行行と回答は1つのバッチで帳簿に入り、回答にはbooked_at 13:00:25Z、バッチは13:00:25Z（09:00:25 ET）にタイムスタンプされました。バッチシールはバッチに時間をつけます。要件12は到着時に各回答を封印し、10月21日の朝は両形式を示します。最初の8つのカウント回答（12:32:52Z～12:44:59Z）は13:00:19Zの1つのバッチで記録され、2つの外部機関がそのスタンプ付きリストに署名した2番目のバッチです。9番目は13:23:37Zで記録され、到着後14秒、3つの機関が次のリストに署名した2番目の時点です（セクション3.2）。10月20日の証拠ページは「スコアの受付はTue, Oct 20, 2026, 9:30 AM ET（2026-10-20T13:30:00Z）で閉じられた」と記録しています。4つのスタンプはその日13:00:25Z、15:00:12Z、15:36:05Z、16:52:54Zで取得され、ブロック972,334、972,344、972,354、972,359にアンカーされました。最初のものは1～159行をカバーし、実行行（151）と8つのカウント回答（152～159）を保持します。

オープン。ビットコイン以外のすべての市場の基準価格は09:30 ET以降の最初の価格です。24時間取引されるビットコインの場合、ラインのシール時刻以降に開始する最初の1分バーのクローズです。基準は常にシール後に取得されます（セクション3.3）。

引け後のスコア。16:00 ET引け後、エンジンは同じ帳簿にスコア行を記述し、各市場の基準値、終値、変化、ドローフラグ、各モデルが与えた確率を含みます。10月20日、スコア行（184行）は20:30:36Zで記録され、その日の最後のスタンプの後だったため、次のスタンプ、10月21日の最初のスタンプでカバーされます。より長い期間は、ウィンドウが閉じるときに独自の行としてスコアされます。

図1。リーグの1日：スナップショット、質問、封印、オープン、スコア。

注：時刻は実行2026-10-20-amからcouncil-book.jsonlおよび証拠ページ/markets/proof/2026-10-20/で読み込まれたものです。ETはニューヨーク時間です。ビットコインブロック時間はブロック972,334のヘッダー時間であり、13:00:25Zスタンプのアンカーを保持します。ヘッダー時間はマイニング時間を実用的境界によって制限します（セクション3.11）。その日の2番目のスタンプ15:00:12Z（11:00:12 ET）は、スタンプが1日中続くことを示すためにマークされています。20:30:36Zのスコア行は翌日の最初のスタンプでカバーされます。

表2では、各市場について、そのイベントが解決される価格シンボル、1日イベントの終了、ポートフォリオリーグがそれを保有するファンド、および2026年10月20日に質問とともに封印されたクラウドコントラクトを示しています。

表2。12の市場：価格シンボル、基準値および1日イベントの終了、ポートフォリオリーグでのトレード方法、2026年10月20日に封印されたクラウドコントラクト。

注記：2026年10月20日および21日の実行の予測行から（price_provider、price_symbol、reference_rule、event_end_at）、arena-protocol.json（assets、indicators_only）およびcouncil-book.jsonlの151行目の実行から（crowd.odds、crowd.kalshi）。すべての行はプロバイダーyahoo_finance_chart_v8_1mとルールfirst_1m_bar_at_or_after_reference_at__last_1m_bar_at_or_before_end_at__v1を指定しています。1週間、1ヶ月、6ヶ月の期限は5、21、126セッション（ビットコイン7、30、182日；表1）です。ドローバンドはセッションごとに設定され（表1）、リストされていません。主要なクラウド比較は、最低$1,000の封印ボリュームを持つ契約を認めています（セクション4.9）。

価格は質問の前に存在し、質問は答えの前に存在し、答えはそれらが採点される価格の前に存在し、結果はそのすべての後に存在します。各「前」はハッシュとして本に書き込まれ、本の先頭はオペレータの制御外で固定されています。

3.2 シールとは何か

このブックは JSON 行の列 $\ell_1, \ell_2, \dots, \ell_m$ から構成されており、一度書き込まれたら、そのまま保持されます。すべての行には4つの簿記フィールドがあります：その位置 n、前の行のハッシュ prev、その内容のハッシュ seal、そしてそのチェーンハッシュ link です。$H$ を SHA-256（National Institute of Standards and Technology, 2015）とし、$J(\cdot)$ を、Python の json.dumps(o, sort_keys=True, ensure_ascii=False) が書き込むのと同じ方法でソートされたキーを持つ JSON オブジェクトのシリアル化を UTF-8（付録 B、ステップ 4）としましょう。そして行 $i$ について、その内容を $c_i$（4つ以外のすべてのフィールド）とします：

$$s_i = H\big(J(c_i)\big), \qquad \lambda_i = H\big(J(c_i \cup \{n{=}i,\ \mathit{prev}{=}\lambda_{i-1},\ \mathit{seal}{=}s_i\})\big), \qquad \lambda_0 = \text{""}.$$

シール$s_i$は行が何を述べるかを固定します。リンク$\lambda_i$は、どこに立っているか、およびその前のすべてを含めて、それが何を述べるかを固定します。2026年10月20日現在のこの本の全211行について両方のハッシュを再計算しました。すべてのsealとすべてのlinkが再現され、すべてのprevがその前の行のlinkと等しくなっています。

実行行は質問のハッシュ、価格スナップショットのハッシュ、側別の名簿、有効なスコアリング方法論、および質問が出された時点で記録された予測市場価格を保持します。回答行はモデル、そのモードおよび12市場と4つの期間に対する全体の解析済み回答を保持し、own_sha256（生回答のハッシュ）とask_sha256を含みます。スコア行は結果を保持します。3つすべては同じ方法でシール化されます。

チェーン単独で順序と内容を証明します。ファイルを制御するオペレーターは丸一日でチェーン全体を再構築できるため、私は外部から時間を取得します。各実行時にエンジンは各書籍について行数、その正確な行のSHA-256、および最後の行のリンクを名付けた短いタイムスタンプ付きリストを記述します。2026年10月20日13:00:25Z時点でのこの書籍は「159行、sha256 59673b9e…a7d9、最後のリンク378273fd…7175b2c」と表示されます。このリストはOpenTimestamps（Todd, 2016）でタイムスタンプされており、これは多くのハッシュをマークルツリーに集約し、その根をパブリックカレンダーサーバーを通じてビットコイントランザクションにコミットします。リストの横に公開されている.ots証明は、リストのSHA-256からマークルツリーの根のいずれかのブロックヘッダーへの操作ハッシュのパスを保持しており、ここではブロック972,334、ヘッダー時刻13:55:20Zです。この構成はHaberとStornetta（1991）のリンク済みタイムスタンピングとビットコインチェーン（Nakamoto, 2008）を証人として使用しています。

タイミング証拠を、読者が誰を信頼する必要があるかで段階付けします。オペレーターの記録から署名済みタイムまでです。

• レベル1、オペレーターの記録。各行はチェーンにシールされます（at、prev、link；回答行はbooked_at（バッチシールの秒）を追加）、参照価格はシール後に取得されます。チェーンは順序と内容を固定します。シールの分はオペレーターが記録した分です。
• カレンダーへの送信。チェーンヘッドを保持するリストは、公開OpenTimestampsカレンダーに送信されます（証明はalice.btc.calendar.opentimestamps.orgとbob.btc.calendar.opentimestamps.orgと名付けられています）。保留中の領収書はハッシュが受け入れられたことを示しますが、読者が検証できる時刻は含まれません。
• レベル2、ビットコイン基準。カレンダーはハッシュをビットコインブロックにコミットします。アンカーされたプリフィックスはブロックヘッダー時刻の数時間以内に存在していません。実用的な限界（セクション3.11）による実際上の制限であり、それより後のその中の行の書き直しは、以前の証明を保持している人なら誰でも検出できます。ブロックは09:30 ET以降にマイニングできます。10月20日に、09:00:25 ETのスタンプはヘッダー時刻09:55:20 ETのブロックに達しました。
• レベル2+、署名済みタイム。2026年10月21日から、独立したRFC 3161タイムスタンピング認証局（Adams et al., 2001）、FreeTSAとDigiCertが、その日の第3リストからSectigoに参加して、スタンプされた各リストに署名し、それがカバーする各行が存在する秒を固定します。読者はオペレーターではなく認証局とその証明書を信頼し、独立した認証局があれば一つで十分です。トークンはバッチを時間設定します。各回答の到着は要件12の対象です。

行はチェーンに入るときにシールされ、チェーンヘッドはカレンダーに送信されるときにスタンプされ、ブロックに到達するときにアンカーされます。ブックは成長するだけなので、159行目で取得されたスタンプはその後のどの長さでも検証されます。今日のファイルのhead -n 159はスタンプされたバイトを変更せず、その朝スタンプされた値にハッシュされるため、プリフィックスは行数で取得されます。行を書き直すフィルタではありません。各スタンプされたリストはそれがハッシュするバイトルールを出力します。ファイルが格納されたとおり、バイトオーダーマークなしUTF-8で、再エンコードされたものは何もなく、各行はその最終LFで数えられ、最後の行はそのLFが書き込まれたら一度数えられます。

開示時刻とシール時刻。シール時刻は行がチェーンに入るときです。開示時刻はそのテキストが公開されるときです。リーグはその日のスコア後にラインテキストを発行し、座席、シール、および時刻はその前に見える（証明ページ）。遅延開示、Sornette et al.（2010）の性質は、第三者がオープンシールされた確率を使用するのを防ぎます。テキストを保持するオペレーターをバインドするそれをブックするためには、P1bとP2の作業です（セクション3.11）。バッチ内でチェーンはブッキングの順序を記録します。10月20日、ラン行はその回答の前に立ち、到着後にそれらでブックされました。

3.3 シール後の参照価格

参照価格は各市場のルールに従ってシール後の最初の価格です。予測はそれが固定された後に始まる価格パスについてのみスコアリングされます。参照前に存在する情報は許可されます。質問は事前オープン先物を運ぶことができます（10月20日、S&P 500、Nasdaq-100、ダウおよびRussell 2000先物は前日終値比）、およびモデルはその回答までニュースを検索できます。プロトコルが除外するのは参照価格とそれ以降のすべてです。

オープン後にシールされた行は保持されます。それは独自の参照を受け取ります。独自のシール後の最初の価格であり、遅延としてマークされます（スコア行のlate_ref）。クローズ後にシールされた行はそのセッションについてはスコアリングされません（counted）。そのような行は異なる質問に答えます。10月20日のブックでは、オープン後にシールされた行の独自の参照は、その9つの1日セルの6つでスコア付き移動の符号を反転させました。したがって、私はそれを一般的なイベントでモデルを比較するすべてのものから除いています。コンセンサス、共有エラーのカウント、最も近いモデル、有効な音声の数、およびすべての一対一の比較（要件4）。スコア行は行をマークし、リーグの統計のカウント済みシリーズはそれを除外します（表5）。

同じルールは共通イベントごとに1つの参照を修正します。ビットコインを含む。参照実装では、ビットコインの参照は行のシールで開始または開始される最初の1分間バーのクローズです（reference_rule、Yahoo Finance BTC-USD）。したがって価格は常にシールより後であり、オープンファイルはシールを2番目としてreference_atとして書き込み、価格設定されたバーの開始をreference_price_atとして書き込みます。後のバッチでシールされた行は独自のビットコイン参照を取得し、別のイベントです。10月21日に13:00:19Zでシールされた8つの回答は参照83,536.42を共有します。13:01Zバーのクローズ；9番目、13:23:37Zでシールされたものは独自のもの、83,677.08、13:24Zバーのクローズを持ち、別個にスコアリングされます（own_event、same_eventfalse）、一般的なビットコインイベントの外側。reference_atがシール秒に等しいため、「シール前reference_at」でカットすると、すべてのビットコイン行がドロップされます。代わりに、12市場すべてに1つのクロックを使用します。回答行は、セッションの09:30 ET参照の前にシールされた場合にのみ、共通イベント統計に入ります。ビットコイン行は同じ09:30 ETカットに従いますが、ビットコイン価格自体はランのシール後の最初の分から参照されます。これは発行されたカウント済みシリーズのルールです（n_eff.counted）とファイルされたスクリプトの解決。回答が到着時にシールされると（要件12）、24時間取引する市場の共通参照はランの取り込みのクローズでの価格です。カウント済みシールごとに。

3.4 セッションごとに1つのカウント済みラン

リーグは1日に複数回(朝のラン、夜のラン、週末のビットコインラン、日曜日のレーダー)要求されるため、複数のランが1つのセッションを目指すことができます。各モデルとセッションに対して正確に1つがカウントされ、標準ではそのランがランの前に宣言されたルール(要件6)によって固定されることが要求されます。「オープン前に最後に封印されたランである」という形式のルールは事後的に適用されます。これはオペレーターがオープン前に後のランを送信する自由を残し、ランの中から選択することができます。したがって、スケジュールをルールにしました。2026年10月21日から、カウント記録の開始として、スケジュール済みの朝のランがカウントされ、他のすべてのランは参照計算です。宣言は発信質問のチェーンの最初の行として封印され(asks.jsonl、2026年10月21日UTC04:16、朝のランの8時間前)、SHA-256(c24b0d4f…5df5)とインターネット・アーカイブキャプチャ(同日UTC05:35)とともに証明ページで公開されています。2026年10月21日UTC15:05にそこで読みました。2つの開発セッション(10月19日と20日)では、封印された方法論がセッションのオープン前に最後に封印されたランをカウント(session_run)し、ランの後に適用されるルールです。これらのセッションは主比較のウィンドウ外の開発セグメント(セクション8)を形成します。他のランは独自のページ(not_counted、earlier_run)でスコア付けされ、保存、公開、ラベル付けされ、誰もが宣言されたルールを封印されたタイムスタンプに適用できます(P3、セクション3.11)。ポートフォリオリーグの再試行(asked_again、付録A)は質問ハッシュで封印され、すべての予測スコアから除外されます。

3.5 方向、確率、および引き分け

モデルはprob_upを与えます。これはインジケーターがホライゾン末で参照価格より高い確率が0から100であるものです。10年利回りの場合、「買い」は利回りが上昇するベットです。VIXの場合、予想変動性が上昇します。

事前に固定されたルールによって小さな動きを引き分けとして扱います。バンドは$0.1 \times \overline{|r_{1\text{min}}|} \times \sqrt{390}$です。ここで$\overline{|r_{1\text{min}}|}$は参照前の4セッションの分単位バーでの1分の平均絶対パーセントリターンです。通常のリターンの場合、これはセッションの標準偏差の約0.08です(council-stats.json、draw_band)。先物(WTI、ブレント、ゴールド、銅)の場合、先月契約の記録された変更にわたる分単位の動きは除外されます。ロールは2つの契約間のジャンプだからです(noise_rolls)。標準では、スコア付けされたイベントが質問されたイベントであることが要求されます(要件7)。主要なブリアスコアはすべての行にわたって計算され、上昇は0より大きい変化を意味し、引き分けなしのスコアは2番目に報告され、ドロップする行数とともに報告されます。モデルは厳密な上昇の確率を求められ、引き分けルールは知らされていません。10月21日のセッションから、全行スコアはリーグの主要なスコア(フィールドpall)です。開発セッションは公開されたものとして、別のセグメント(要件15)として、引き分けを除外したスコアに立ちます。そのようなスコアはバンド外の動きを与えられた上昇の確率によって最小化されるため、質問されたイベントに対しては厳密に適切ではありません。

引き分けバンドと適切なスコアは一緒に行くことができます。1つの設計はバンド外の動きを与えられた上昇の確率を要求し、引き分けではない行でのみスコア付けします。もう1つは上昇、引き分け、および下降の3つの確率を要求し、3結果ブリアスコアでスコア付けされ、トリプルに対して厳密に適切です(Brier, 1950; Gneiting & Raftery, 2007):

$$B_3 = \tfrac12 \sum_{k \in \{\text{up},\, \text{draw},\, \text{down}\}} \big(p_k - \mathbf{1}\{Y = k\}\big)^2 .$$

ドローに0の確率を割り当てるフォアキャストは、ドローではない行に対して正確に二値Brierスコア$(p - o)^2$でスコアされます。各3分の1の均一フォアキャストは、二値コインの0.25に対して$1/3$でスコアされるため、3結果スコアは独自のベンチマークを必要とします。正確に50の確率はどちらの側も支持せず、Brierによってのみスコアされます。

3.6 事前に固定されたレベルとしての「下がったところで買う」

「弱気時に買う」(buy on dips) はレベルがなければスコアできないため、モデルが追加する参照以下のレベルであるentryを与えるbuy_dipsアクションを含む回答が必要です。セッション中に価格がそれに触れれば、ポートフォリオはエントリーで買い、そうでなければ何も買いません。いずれにせよ確率はスコアされます。許可された5つのアクションはbuy_strong、buy_dips、hold、trim、sellです。リスト外の単語はaction_wordとして保持され、その確率とレベルはスコアされ、トレードは行いません。

したがって各回答セルは1つのイベントに対して2つのシール済み回答を持ち、確率とアクションであり、最新の2つのカウント済みの朝にはそれらが一致します(図2)。2026年10月20日に参照前にシールされた8つのシートの384セルと2026年10月21日の9つのシートの432セル全体で、アクションフィールドは空ではなく、すべてのsellとtrimは50未満であり、holdはほぼ五分五分の確率(両朝の中央値52)で、中央値は段階的にbuy_strongに上昇しました。確率が50未満の弱気時買いを4つのセルで見つけました。10月20日のClaudeの3つの1日セル(S&P 500 48、Nasdaq-100 47、半導体46)と10月21日のMiMoのS&P 500の1週間セル(47)です。弱気時買いは参照以下に固定されたエントリーレベルでのみ成立する注文であるため、その隣の50未満の確率は一貫しています。表3はアクションを期間別に集計しています。holdは各朝の1日セルの64を埋めました(96と108セルのうち)、そして6ヶ月ではbuy_dipsが主導しました(37と38セル)。

図2。 同じ回答セルにシールされたアクション別の上昇確率: 実行2026-10-20-am(参照前にシールされた8つのシート)と2026-10-21-am(9つのシート)、4つの期間すべて。

注: 各ポイントは1つの回答セル(シート×市場×期間)で、わずかにジッターされています。棒グラフは中央値を示します(sell 35と38、trim 41.5と43、hold 52と52、弱気時買い58と58、強気買い60と63)。nは10月20日|21日のセル数を示します。items.<market>.<horizon>.actionにシールされたアクション、prob_upの確率。ソース: 2026年10月22日01:32 UTC保存のcouncil-forecasts.csv。第3から5章のシール済み回答から構築されたすべての図表のように、結果は示していません。

表3。 期間別にシールされたアクション: 実行2026-10-20-am(参照前にシールされた8つのシート、期間あたり96セル)と2026-10-21-am(9つのシート、期間あたり108セル)。

注: シールされたアクション別の回答セルの集計。ソース: 2026年10月22日01:32 UTC保存のcouncil-forecasts.csv。

3.7 4つの期間と年

すべての回答は各市場の4つの期間をカバーします: 次の営業日(1d)、週(1w)、月(1m)、6ヶ月(6m)、および年に関する1つのスコアなし文(years)。11の市場時間市場では長期はそれぞれ5、21、126営業日です。Bitcoinではそれぞれ7、30、182カレンダー日であり、その日はシール時刻からスコアリングセッションの16:00 ET終値までであり、朝の実行で約7時間です。各定義内で期間を比較します。1つの朝の1つのモデルは48の確率を生じ、それぞれ独自のウィンドウで解決され、すべて1つの情報セットの1分にシールされます。

3.8 ターゲットと「間違い条件」

各市場と期間について、モデルはまたtargetを与え、価格がどこに行くと予想されるか、およびinvalidationは「Wrong if」と表示され、その見方が間違っていることを認める水準です。主なリスクと見方を改める条件(risk、revise_if)があります。すべては確率と共にシールされるため、予測はモデル自身の用語で反証可能です。1つのシール済み回答は作動中のフィールドを示します。2026年10月19日、オープン前に、ChatGPT(GPT-6.1 Sol)はS&P 500に当日上昇する54%の確率を与え、ターゲット7,678.59、「Wrong if」は7,560、その後1週間42%、1ヶ月38%、6ヶ月61%。その述べられた見方は「AI支出の短期的なインフレ効果よりも最終的な生産性配当に重点を置く」であり、改定の条件は「SPXが8000を超えて好転している業績ガイダンスとともにクリアすれば、月次弱気見方を放棄する」(書籍行83)でした。これらの各レベルはモデルに何を意図したかを尋ねることなく価格経路と照合できます。図3では完全な回答を描きます。確率、アクション、ターゲット、各期間の「Wrong if」レベル、および6ヶ月のエントリーレベル7,350はその弱気時買いが成立する水準です。質問は前日終値7,659.44を示し、その日の参照価格7,700.34はシール後に取得されました。

図3。 1つのシール済み回答: S&P 500上のChatGPT、実行2026-10-19-am(council-book.jsonl、行83)、確率、アクション、ターゲット、「Wrong if」レベル、各期間のエントリーレベル。

注記: すべての値は答え行にシールされている（答え時刻 12:36:50Z、予約 13:24:17Z、09:30 ET基準より前）。点線は質問のスナップショット（asks/02577f9c….md）のS&P 500価格である。目標を通す線は読むための地平線を結ぶものであり、パスではない。エントリーレベルは答え行のitems.SPX.6m.entryフィールドであり、council-forecasts.csvのentry列はこのセルに対して空である。

3.9 空のセル

答えのすべてのセルがスコア付けされる。モデルが空のままにしたセルは50%にカウントされ、Brier 0.25、サイドなし（counted_50）。コインには勝てないが、難しい市場でのコイン以下のパフォーマンスを隠すことができるため、各スコアの隣に空のセルの数を報告する（要件8）。答え行を送信しないシートはno_answerとして記録され、その実行のスコアから除外される。満たされた0.25はシートのサービススコアに属する。コンセンサスと一致数は実際に与えられた確率から形成され、ofフィールドがそれらをカウントする。したがって、各シートは各地平線で3つの結果を持ち、それぞれが独自にランク付けされる: 述べられた確率に対するBrierスコア、期限までに答えられた予想セルのシェア、およびサービススコア。ポートフォリオはその独自のテーブルで4番目の結果である。1つの統合スコアは、シートが判断で失ったのか、正時性で失ったのか、取引で失ったのかを隠すだろう。

予想セルは答えの前に知られていなければならない。標準は、シート、市場、地平線、期限、および再試行ポリシーを備えた予想答えの名簿を要求し、実行の最初の質問の前にシールされる（要件13）。そのため、すべての予想セルは1つのステータスに解決される（counted、counted_50、no_answerまたは拒否）。実行行はサイドごとに名簿を伝達し、2026年10月21日から名簿は最初の質問の前にシールされ、発信される質問のチェーンにある（asks.jsonl）。名簿は宣言されたスケジュールに対する完全性をチェックする。送信されたときにシールされた各発信質問のハッシュは、送信された実行をチェックする（要件13）。

3.10 モデルバージョンの変更、修正、ルールの変更

シートは運用参加者であり、モデルバージョンは時間固有の実装であり、記録は両方を保持する。シートのバージョンが変わると、そのアカウント実行は続行され、変更は日付が付けられ、新しいバージョン以降の結果は別途表示される（new_model_version）。各バージョンは引き継いだ日からそれ自身のアカウントを取得する（_ver:<model>:<n>）。バージョンが変更された実行にはフラグが付けられる（seat_versions_in_run）。

修正は、それが関係する行に名前を付ける新しい行（of）であり、それが修正する行は書かれたままである。価格は同じルールに従う: プロトコルは2026年10月22日からシールされた修正参照または終値がそのソースと理由を備えた修正行として入力され、その前のスコア行は書き直されない宣言（price_correctionsin arena-protocol.json）。10月20日、本の211行のうち47行が修正された: いくつかは実行レシートから最初の実行の答えのモデルとモードを復元し、他の人は再シールされた答えが以前の行と等しいことを記録する（same_as、council-forecasts-copies.csv内の古いコピー）。標準は、答え行自体のモデル、バージョン、およびモード、または盲目の季節では、それらへの塩分を帯びたコミットメントを要求する（要件1）。

方法論の変更はタスクを変更し、新しい測定セグメントを開く（要件15）。確認スコア、ペアゲイン、またはポートフォリオ比較は1つの方法論バージョン内で計算され、またはバージョンは別個のセグメントとして報告される。新しいルールの下で再スコア付けされた古い予測は、代替分析としてラベル付けされる。レベル2以上の要素に基づく主張は、その要素がパブリックファイルに表示された後にシールされたものを対象とする。

3.11 事前証明: 3つのプロパティ

予測記録を事前証明と呼ぶのは、第三者がパブリックファイルとBitcainチェーンを使用して以下のプロパティを確立でき、記録がそれらのどちらが誰に基づいているかを示す場合である。予測$f$を書籍行$i$に保持し、参照価格を時刻$t_R$で、結果を時刻$t_E$で。スタンプ$k$は最初の$m_k$行をダイジェスト$D_k = H(\ell_1 \Vert \dots \Vert \ell_{m_k})$でコミットし、その証明はスタンプ付きリストをヘッダー時刻$T_k$を持つブロック$b_k$に配置する。実際のマイニング時間がヘッダー時間に従う可能性のあるマージンを$\tau$として書く: 実際にはわずか数時間、以下で議論された限界によって。

P1a. アンカーの後の再構成なし。 カウントされたすべての予測に対して、$k$ というスタンプがあり、$m_k \ge i$ を満たします。スタンプ付きプレフィックスは、実用的な制限により、$T_k + \tau$ 以前に存在し、その後のこのプレフィックス内の行の追加、削除、または書き直しは $D_k$ を変更するため、ブロック $b_k$ にコミットされたダイジェストと一致しなくなります。$T_k + \tau$ より後のすべての結果に対して、このルールはその結果の後に書かれた予測を除外します。

P1b. 参照前のコミットメント。 予測は $t_R$ の前に封印されました。2026年10月21日からこれはレベル2以上で、権限とその証明書のいずれかを受け入れる者全員に対して有効です：$t_R$ の前に署名された2つのRFC 3161トークンで、$m_k \ge i$ を含むスタンプされたリストに記載されています。10月21日、2つの権限が1から222行目、実行行（214）および8つのカウント済み回答（215から222）をカバーするリストに13:00:19 UTCで署名し、$t_R$ の29分41秒前であり、3つが9番目のカウント済み回答（224）をカバーするリストに13:23:37 UTCで署名し、$t_R$ の6分23秒前です（付録B、ステップ9）。Bitcoinの場合、参照は各行の封印後の最初の1分足の終値であり、バッチの場合は13:01Z、9番目の回答の場合は13:24Zであるため、順序は構成上そこで成り立っています。このバージョンがスコアリングする19および20日10月の開発セッションの場合、P1bはチェーンレコード（at、booked_at、prev、link）のレベル1にあります。10月20日、アンカリングブロックは $t_R$ の後に落ちました（セクション3.2）。

P2. 代替がない。 $\ell_j$ の任意のフィールドを $j \le m_k$ に対して変更すると、$s_j$ が変わり、したがって $\lambda_j$ とそれ以降のすべてのリンク、したがって $D_k$ が変わります。検出不可能な代替には、SHA-256の第2原像またはBitcoinチェーンの書き直しが必要になりますが、検証者がスタンプで公開された証明を保持している場合に限ります（以下の脅威モデル）。

P3. 公開されたシールされた実行の中での選択なし。各モデルおよびセッションについて、カウント対象の行は実行前に宣言されたルールによって固定され、シールされたタイムスタンプにのみ適用される。2026年10月21日からそのルールは公開スケジュールであり、実行前にシールされている。実行内では、各座席の最初の整形式の回答がセッション11からカウントされる（asks.jsonlの74行目で宣言）。セクション3.4は開発セッションのルールを示す。他のすべてのシールされた実行は記録に残り、ラベル付けされ、読者は何の行がカウントされるかを再計算できる。完全な形式はまた、質問され、シールされていないままの実行もカバーしている。各発信質問のハッシュは送信時にシールされる（レベル2以上）。2026年10月21日から、これらのハッシュはasks.jsonlでチェーンされている。

脅威モデル。タイムスタンプは、ダイジェストが存在したことを証明する。それは、その横にスタンプされた他のダイジェストについては何も述べない。記録とプルーフの両方をホストするオペレータは、各実行時に2つの記録にスタンプし、後で記録とプルーフを一緒に置き換えることができる。代替は、ビットコインに対しても、タイムスタンピング機関に対しても検証される。したがって、要件3により、各スタンプで、スタンプされた一覧のSHA-256を、オペレータが制御しない少なくとも1つの追記専用チャネル（アーカイブされた預託、公開版管理ホスト、またはウェブアーカイブキャプチャ）に公開し、プルーフページでチャネルを名前に挙げることはMUSTである。2026年10月22日から、各スタンプされた一覧はスタンピング時にSigstore Rekor透明性ログに入力され、より早い日付の一覧は2026年10月21日の23時45分から23時47分UTC間にそこに入力された（表5）。ログ内の一覧については、P1aおよびP2は、そのログ時刻からすべての関係者に対して成立し、その前の時刻以前には、より早いプルーフを保持していた、または独立したアーカイブから取得できる任意の関係者に対して成立する。

表4は、各プロパティをそれを与えるプロトコルの要素および読者がそれをチェックできるレベルに対して設定する。

表4。 証明前：プロトコルのどの要素が各プロパティを与え、どのレベルで与えるか。

P1aの解像度は時間単位であり、そのバウンドは実用的です。外部時刻はネットワークが受け入れたチェーン内のブロックの時刻であり、そのブロックのヘッダー時刻はマイナーによって設定されます。コンセンサスルールは、その下限を前の11ブロックの中央時刻によって制限し、上限をそれを受け入れるノードのネットワーク調整時計より約2時間先にしています（Bitcoin開発者ドキュメンテーション、n.d.）。どちらのルールも、ブロックがそのヘッダー時刻の後、実際にマイニングされたのがいつ長かを固定していません。通常の操作では中央値は実時刻より約1時間遅れているため、アンカーされたダイジェストは$T_k$の数時間後より遅くは存在しませんでした。コンセンサスルールだけからのバウンドが必要な検証者は、数ブロック後のブロックのヘッダー時刻を使用し、署名された暦時刻は各シールでのみタイムスタンプ認証局から来ます（レベル2以上）。ブロック972,334の場合、前の11ブロックの中央時刻は12:45:12Zで、そのヘッダー時刻より70分前でした。IETF Internet-Draftはユーザーがビットコインアンカーされた時間的プルーフをチェックする方法を指定しています（Fassbender、2026）。10月17日、19日および20日に、アンカーリングブロック（971,796、972,153および972,334）は予約時刻の1時間以内のヘッダー時刻を持ち、16:00 ETで解決される日の地平線については、そのマージン付きバウンドは結果の前に落ちました；より長い地平線については解像度は重要ではありません。セッション内のシールと参照の順序はP1bです。

3.12 信頼のはしご

「検証済み」AI予測に関する公開主張は3つのレベルで落ち、最後の上に4番目のステップがあります（図4）。レベル0では読者がオペレーターを信頼します。レベル1ではオペレーターが指紋またはチェーンされたレコードを保持し、後のテキストが前のハッシュと一致することを証明しますが、ハッシュがいつ作成されたかは証明しません。レベル2では指紋がオペレーターの外側にアンカーされ、書き換えられたり遡及的に日付を変更されたりすることなく検出でき、公開レコード内であり、オペレーターが制御しないツールでチェックされます。レベル2+はレベル2に加えて各シール上の第三者の署名された時刻です（セクション3.2）。

図4。 信頼のはしご：オペレーターを信頼、オペレーター指紋、オペレーターの外側のアンカー、および2つの認証局からの署名された時刻（レベル2+、RFC 3161、2026年10月21日から）。

注：レベルは読者がレコードの時刻について何を信頼する必要があるかを説明しています。レベル2+はRFC 3161トークンを追加し、2026年10月21日からのリーグ内であり、カウントされた回答を保持するレコードが09:30 ET開場前に署名された場合です。到着時のシール、シール後の参照価格、およびカウントされた実行ルールは別個の要件です（セクション3.13）。

参照実装では、アンカーはP1aおよびP2に対してレベル2を提供し、プルーフの独立したコピーを保持する任意の当事者に対して、およびRekorログに入力された各スタンプ付きリストに対してすべての人に対してです（セクション3.11）。P1bはカウントされたレコード内のレベル2+に立ちます（セクション3.11）。P3は、オペレーターのチェーンされたレコード上のレベル1に、および2026年10月21日から、事前に宣言されたカウントされた実行ルール上に立ちます。はしごは時計への信頼を測ります。読者が価格またはスキルについて主張してもよいことは、2番目のはしごである主張のはしご（表B1、付録B）を上がります：公開されたルール、再計算されたファイル、検証された外部コミットメント、独立した価格源で調整された結果、そのウィンドウの前に凍結された将来的なペアリング評価、および2番目のパイプラインによるレプリケーション。その2番目のはしごはセクション8の登録された比較で終わります。

3.13 提案された標準のチェックリスト

以下の要件を、アリーナ、ベンチマーク、またはファンドが標準に従うと主張している場合に採用する対象として書きます。MUSTは主張が成立しない要件をマークします；SHOULDはレベル2+仕様をマークします。

1. MUST 質問が配信される前に固定されたイベント契約によって各タスクを定義し、表1の少なくともフィールド（各指標の価格ソース（ベンダー、シンボル、バーサイズ、参照および終値のタイムスタンプルール）を含む）、将来にある予測結果、および回答行自体の中にモデル、そのバージョン、そのモードを封入する。ブラインドシーズンではラインは塩漬けSHA-256コミットメント$H(\mathit{salt} \Vert \mathit{model} \Vert \mathit{version} \Vert \mathit{mode})$ として携え、塩はシーズン後に公開されるため、身元はシールで固定され、シーズン終了まで隠された状態である。
2. MUST 追記のみ可能で、ハッシュ連鎖されたレコードを保持する。すべてのラインは到着時に封入され、質問テキストと価格スナップショットが実行にハッシュされ、質問が公開され、修正は関係するラインに名前をつけた新しいラインである。
3. MUST すべての実行（レベル2）でレコードのヘッドをオペレータの外部に固定し、証明を公開し、マージン付きの境界を述べ、スタンプされた各ダイジェストをスタンプ時にオペレータが管理しない少なくとも1つの追記のみ可能なチャネルで公開する。
4. MUST 共通イベント1つあたり1つの参照価格を、シール後に、各商品について公開されたルールによって取得する。後でシールされたラインは独自の参照を受け取り、別のイベントである。予測は、イベント契約のすべてのフィールドが合致する場合にのみプール（コンセンサス、合意、共有エラーのカウント、モデル間の比較）される。
5. MUST カウントされたかどうかに関わらず、すべての実行をそのラベルとともに公開する。
6. MUST 各セッションのカウント実行を、実行前に宣言されたルール（たとえば、公開スケジュール）で固定し、その宣言をそのハッシュとともにオペレータが管理しないチャネルで公開することが望ましい。後から作成された実行に適用されたルールはこれを満たさない。
7. MUST 厳密に適切なルールによってイベントをスコアリングする。すべての行にわたって厳密な上昇の1次Brierスコア（フィルタリングされたスコアを2番目とし、ドロップする行数を示す）、またはドローバンド付きの場合、バンド外の移動で与えられた上昇の確率を尋ねるか、3つの確率を尋ねて3結果Brierスコア（セクション3.5）でスコアリングする。
8. MUST 空のセルと欠落した回答を各スコアの隣に報告し、詳細な値をコンセンサスと合意のカウントの外に保ち、述べられた確率、カバレッジ、およびサービススコアの品質を個別の結果として報告する。
9. MUST 情報量のない50%ベンチマークと各資産およびホライズンについて同じイベントの気候学的基本料を、シーズン前に終了する固定ウィンドウで推定し、公開ハッシュで封入し、Brierスキルスコアを報告する。ベンチマークとして使用される予測市場価格は取引量とともに封入され、宣言された出来高下限が1次比較を定義する。
10. MUST ホライズンあたりの最小セッション数の後にのみランク付けし、セッションでクラスタ化された間隔と、1日より長いホライズンについては重複するウィンドウを尊重する間隔を使用する。比較は配対セッションレベルBrier差の精度のために計画され、差がないという主張は宣言された等価性マージン内の間隔を必要とする（セクション4.6）。
11. MUST すべてのスコアが第三者によって再計算できるようにデータおよびスコアリングコードを公開し、各論文リビジョンで、すべてのファイルのチェックサム付きの変更不可の分析リリースを引用する（付録C）。
12. MUST 到着時に各回答をシールし、バッチを待たずに、(レベル2+) 各シールに対してRFC 3161トークンを公開タイムスタンプ権限から取得することが望ましい。
13. SHOULD (レベル2+) 送信時に各発信質問のハッシュをシールし、期待される回答名簿をそのデッドラインと再試行ポリシーとともに実行の最初の質問の前にシールする。
14. MUST モデルの公開されたコンセンサスを、同じ表面で、それに入った述べられた確率の数、それらの平均ペアワイズ相関、およびセクション5.1の$N_{\text{eff}}$をその実行およびホライズン用に伴わせ、読者が合意の背後にどれだけの独立した声が立っているかを見ることができるようにする。
15. MUST 方法論の変更を新しい測定セグメントの開始として扱い、修正を元の場所を保持する追記ラインとして扱う。確認的スコアは1つのセグメント内で計算される（セクション3.10）。
16. MUST 読者がモデルと並んで予測する場所で、各読者に1回ずつランダムに割り当て、再割り当てしない。市場、識別子、セッション1つあたり最初の予測1つをカウントする。参照時に読者の予測をクローズする。リセット識別子を新しい読者として扱い、リセットの共有を報告する。最初のスコアリングされた予測の前にデータディクショナリでブラインドグループにラベルを付け、読者のアドレスを保存しない。最大で日付を使用した読者のアドレスの塩漬けハッシュのみを、繰り返し投票をキャップするために保存し、どちらも公開しない（セクション6）。
17. SHOULD セクション4～6の診断をスコアの隣に報告する。類似性マトリックスの最大固有値のシェアと参加率、各シートの2つの特異性カウント、ブロックとしての両側のテスト、重複カウントに入る各引用リンク用フェッチレコード、価格のみアーム、凍結パケット下の確率繰り返し、各クラウド行のビッド、アスク、最終取引時刻、および各アカウントの取引なし影との取引高と費用。

チェックリストの一部はコードとして実行されます。リーグはイベント契約をJSONスキーマ（event-contract.schema.json）およびPython標準ライブラリのみで記述されたスタンドアロンチェッカー（tools/conformance.py、データと同じアドレスの下、SHA-256 e1f929a9…63db2eは2026年10月21日22:33 UTCに取得したもので、tools/archive/conformance-e1f929a9.pyで変更されずに保管されている；environment.jsonはチェッカーのすべてのバージョンをその日付とハッシュとともに記載している）として公開しています。完全な契約は9つのキー、asset、horizon、reference time、end time、rule、resolver version、reference rule、price provider、price symbolであり、そのevent_id_v2はev2-の後に正規JSON（ソートされたキー、スペースなし、UTF-8）のSHA-256の最初の16進数16桁が続きます。最初の識別子であるevent_id（ev1-、最初の5つのキー）はその横に残るため、公開された識別子は決して変わりません。同じ契約を記述する2つのリーグは同じ識別子を取得するため、要件4のテストは結果を固定するすべてのフィールドの識別子の比較となり、スコアリングルールは同じ行に記載されたメソドロジーバージョンで固定されます。チェッカーは各行をスキーマに対して検証し、その識別子を再構築し、時間、確率範囲および結果フィールドをチェックし、2つのイベントに使用された1つの識別子を拒否し、各行のメソドロジーバージョン（要件15）が必要です。どのリーグでもpython3 conformance.py its.csvを独自のエクスポートで実行できます。2026年10月21日22:33 UTCのリーグの予測ファイルに対して、「3792行、OK」と報告され、両識別子はすべての行で再構築されました。合格は整形式の記録を示し、表5は要件ごとに適合性を読みます。

表5は各要件に対する参照実装の状態を示しています。要件に基づく主張は、その要件が満たされた日付から成立します。「満たされている」とは、2026年10月21日15:05 UTCに公開ファイルで見えることを意味し（注を参照）、「部分的に満たされている」とはその要件の一部がそこに見えることを、「進行中」とはその実装が進行中であり、すでに実施されている部分がその横に記載されていることを意味します。

表5. 参照実装の適合性、2026年10月21日時点で読み取った（要件3は2026年10月22日）。

注：2026年10月21日15:05 UTC時点での公開ファイルおよび証明ページで読み取られたステータス（council-stats.jsonは14:51:50 UTC生成、council-book.jsonlは230行）。要件1は同日22:33 UTC時点でチェックされたもの（セクション3.13）、要件3は2026年10月22日00:00:16 UTC時点でRekorログに入力されたもの（付録B、ステップ10）です。

4. 指標

プロトコルは何が言われたか、いつ言われたかを固定します。指標はその記録をスコアに変換します。一緒に、標準が要求する予測評価です。方法論（バージョン2）とリーグプロトコル（arena-3、プロリーグpro-1）で公開されている各指標を説明し、標準がさらに求める場合は、その要件を説明します。セクション5はライブデータの依存値を報告し、精度結果はこの論文の日付付き改訂版として到着します。

4.1 方向性

指標は地平線の終わりにおいて参照値より高かったか低かったか、そしてモデルの確率がその側を支持していたか。50以上は上昇を支持し、50未満は下降を支持し、正確に50はどちらでもありません。51%の予測と95%の予測は同じ的中を得るため、方向性は自信のあるモデルと躊躇するモデルを区別することはできず、主要な指標はブリアスコアです。

4.2 ブリア スコア

上昇の確率が$p$（パーセント）であると述べられた予測と結果$o \in \{0, 1\}$に対して、

$$B = \left(\frac{p}{100} - o\right)^2 ,$$

そしてモデルのスコアは、決済された$n$個の予測に対して、平均$\bar B = \frac{1}{n}\sum_{j=1}^{n} B_j$です（Brier、1950）。完全な予測では0から、最悪の予測では1までです。ブリア スコアは、それが計算される事象に対して厳密に固有です（Gneiting & Raftery、2007）。リーグの質問に対して、その事象はすべての行にわたる厳密な上昇です（セクション3.5、要件7）。

4.3 情報を持たない50%ベンチマークと気候学

常に50%と言う予測者は、すべての予測で0.25をスコアします。これは情報を持たない50%ベンチマーク（リーグのファイルの「コイン」）で、中立的な参照です。上昇のベースレートを知っている予測者は、その日について何のスキルもなく0.25以下のスコアを出すことができます。長期的な地平線ではベースレートが0.5からはるかに離れることができるため、気候学的ベンチマーク（要件9）を追加します。各資産と地平線について、同じ事象の厳密な上昇の頻度は、シーズンの前に終わり、方法論に封印された固定ウィンドウで推定され、ブリア スキル スコアは

$$\mathrm{BSS} = 1 - \frac{\bar B}{\bar B_{\text{clim}}}$$

同じ行にあります。同じ事象とは、契約がスコアする事象、すなわち、この日について参照から表1の価格源ルールによる最終価格までです（09:30から16:00 ET、利回りは15:00 ET、ビットコインはシール分から16:00 ET）。より長い地平線の場合、同じセッション数またはカレンダー日数にわたって実行されます（セクション3.7）。異なる事象のベースレートはベンチマークを偏らせます。

参照実装では、固定気候学はcouncil-calibration.jsonのclimatology_fixedフィールドです。資産と地平線ごとに、p_upは2016年から2025年にかけてのすべての行をカウントした厳密な上昇の頻度、p_up_ex_drawは引き分けを除いた同じもの、カウントnとn_independent、ウィンドウとルールです。主要なベンチマークは$q$ = p_upです。主要なブリア スコアはすべての行をカウントするためです。p_up_ex_drawはリーグ自身の引き分けなしのスキル スコア（bss_reference）に役立ちます。このフィールドはcouncil-clim-window.jsonによって封印され、データアドレスの下に公開され、2810d11e…3cabb7、その内容のSHA-256：Pythonのjson.dumpsオブジェクト（sha256キーなし、ソート済みキーとデフォルト設定付き）です。ファイル スクリプトはそれが$q$を読む前に、このコンテンツ ハッシュを再計算します。フィールドは2026年10月21日08:54 UTCにライブ ファイルに入り、そのコンテンツ ハッシュはチェック（sha256_ok）され、主要な比較のベンチマークです。ライブ ウィンドウに毎日の履歴がない場合、最も近い毎日のイベントが代わります。金、WTI、ブレント、銅、ドル指数の毎日のバー、10年利回りの毎日のクローズ、ビットコインのUTC日、そして1週間から移動。4つの米国株価指数はそれを自身の09:30から16:00 ETセッションの毎日のバーから取得し、モデルが答える事象、そして主要なテストもそれらの4つだけで報告されます（セクション8）。近似値は$q$を偏らせ、予測はそのままです（セクション10）。

4.4 キャリブレーションと鮮鋭性

キャリブレーション（較正）とは、述べられた確率がその率で実現するかどうかを問うものです。リーグは方向性信頼度キャリブレーションを報告します。解決された各確率は、それが支持する側に折り畳まれます（$p < 50$は結果が反転して$100 - p$になり、ちょうど50は除外されます）。折り畳まれた予測は4つのビンに分かれます。[50, 60)、[60, 70)、[70, 80)、[80, 100]です。各ビンは述べられた確率の平均と実現した割合を示し、20の予測から描かれます（calib_min）。折り畳みは、支持される側への信頼が、その側のヒット率と一致しているかどうかを測定します。上昇の生確率のキャリブレーションはオープン行からも計算できます。ブライアースコアはキャリブレーション項と解像度項に分かれます（Murphy、1973）。ビンはその分割に対する読みやすい副次的な指標です。

ビンには多くの予測が必要であるため、各議席についてコンセンサスと各期間ごとに、ロジスティックキャリブレーション適合$\operatorname{logit} P(Y=1) = a + b \operatorname{logit}(p)$を尋ねられたイベントのすべての行に対して追加します（Cox、1958）。スロープ$b$が1未満であることは、述べられた確率が1/2から遠すぎることを意味し、1を超えることは近すぎることを意味します。$a$は上昇または下落への傾きを測定します。スロープはすべての予測を使用し、セッションを一緒に保つことで計算された標準誤差を持ちます（セクション4.6）。同じ適合は、イベント別にクラスタリングされた区間を使用して、Polymarket価格に適用されています（Walker、2026）。

キャリブレーションはシャープネスと一緒に判断されます。常に50%と言う予測者はキャリブレートされていますが情報を与えていないからです（Gneiting et al.、2007）。各議席、コンセンサス、期間ごとに以下も求めます。

$$K = \frac{2}{n}\sum_{j=1}^{n} \left| p_j - 50 \right| ,$$

0（常に50%）から100（常に確実）まで、述べられた確率のみに対して。また$K_{\text{clim}}$はセクション4.3の気候学的確率を50の代わりに使用します。1/2に対するシャープネスは、長期的な基盤率が1/2から遠い期間で成長することが期待されます。気候学に対するシャープネスは予測者自身のものです。どちらも結果は不要です。2026年10月20日にカウントされた実行では、基準前に封印された8つの議席は、1日で9.2、1週間で14.1、1か月で13.9、6か月で20.3のKを持ちました（図5。セル自体は図6Bにあります）。彼らは1日の50%の約5ポイントにいて、最後に解決される期間で最も決定的でした。その一部は$K_{\text{clim}}$が削除する基盤率です。2026年10月21日、9つの議席は10.1、12.5、14.6、19.9を与えました。述べられた確率のほとんどは40から60の間にありました。1日でそれは10月20日で93%、10月21日で95%に当てはまり、6か月でも半分以上（58%と61%）に当てはまります。

図5。期間別上昇の述べられた確率：2026-10-20-am実行（基準前に封印された8つの議席）と2026-10-21-am実行（9つの議席）。

注：2ポイントのステップのヒストグラム、等しい面積にスケール。網掛けバンドは40から60まで実行されます。K = (2/n)Σ|p − 50|（セクション4.4）。10月21日、9番目の答えの4つのビットコインセルは独自の基準を持ちます（セクション3.3）。この実行のすべてのプール読み取りから除外されます（432個中428個のセル）。ソース：council-forecasts.csvは2026年10月22日、01:32 UTC保存。

4.5 ベースライン

リーグは同じ行を固定ベースラインに対してスコア付けします。

• コイン（すべての予測で0.25）。
• モメンタム：同じインジケーターの前日の方向を固定55%で、コンセンサスと同じ行でスコア付けします。リーグの公開フィールドは引き分けを除外し、登録されたF15はすべての行でスコア付けします（セクション8.1）。
• 買いと保持（_hold_all）、S&P 500（_spy）、60/40（_passive）、キャッシュ（13週間財務省短期証券）（_cash）、ランダム（リーグのルール内）（_random）。

最初の2つは確率スコアのベースラインであり、他の5つはモデルと同じコストと実行の下で実行されたポートフォリオです。Momentumは自明なルールをチェックします。結果が昨日とは無関係に均等な確率である場合、固定55%は$0.5 \times (0.45^2 + 0.55^2) = 0.2525$の期待値でスコアを得ます。気候学的ベンチマークは標準が要求するバーです。方法論はまた、ノーチェンジベースラインも名付けます。これは確率のない点予測であり、Brierの比較の外にとどまります。理事会のコンセンサスもベースラインです。モデルの確率の平均で、5つ以上の回答がある場合は最高値と最低値をドロップし、同じファミリーの第2席を3分の1で重み付けし、結果を2%から98%の範囲内に保ちます。

平均化は技能ではないゲインをもたらします。結果$o$と1に合計する重み$w_i \ge 0$を持つ1つのイベントの場合、加重平均$\bar p = \sum_i w_i p_i$のBrierスコアは、メンバーのスコアの加重平均から彼らの加重分布を引いたものに等しいです(Krogh & Vedelsby, 1995):

$$(\bar p - o)^2 = \sum_i w_i (p_i - o)^2 - \sum_i w_i (p_i - \bar p)^2 .$$

したがってコンセンサスは、それが保持するメンバーの平均に共通のイベントで敗北することはできません。その技能がどうであれ、結果を2%から98%の範囲内に保つことは1行で最大0.0004の費用がかかります。コンセンサスが平均メンバーを上回るという調査結果は機械的に予想されます。その技能はコイン、気候学的ベースレート、群集、および前の期間の最良の単一モデルに対して判断され、分布項はセクション5.3でコンセンサススコアの隣に報告されます。

4.6 30/10ルール:少なくとも10営業日での30の予測

モデルがその地平線で少なくとも30の解決された予測を持ち、各地平線で少なくとも10の営業セッションで少なくとも1つの解決された予測を持つ場合のみ、モデルはその地平線のテーブルに入ります。シールされた方法論は、1つのフィールドでルールとその理由を述べます:「1日の12個のインジケーターが一緒に動きます:リーグは予測の隣に営業日を表示し、モデルは少なくとも10営業日での30の解決された予測の後にランク付けされます」(independence)。ルールは予測がこれらのセッション全体にどのようにばらばらに落ちるかを制限しないため、テーブルはスコアの隣に各モデルのセッション数を表示します(days)。第2の条件が拘束力を持つものです。セッション内の予測が相関$\rho$を共有する場合、1つのセッションからの$k$個の予測は、約$k/(1 + (k-1)\rho)$個の独立したものの情報を持ちます。これはクラスターサンプリングの設計効果です(Kish, 1965)。$k = 12$および$\rho = 0.2$の場合、1つのセッションは3.75の独立した予測の価値があり、3つの朝からの30の予測は約11です。10営業日を要求することで、サンプルは異なるニュースにまたがることを強制します。地平線内で、リサンプリングの単位はセッションです。30/10ルールは適格性を決定し、パワーは以下で扱われます。2026年10月30日のセッション後の最初のテーブルは暫定的な記述的順序であり、最初の10セッションのいずれかを見逃したモデルは後で適格になります。

統計ファイルは5つのスコア付きセッション（セッション平均に対するStudent t）から取得した区間と、セッション全体で20回のブートストラップから取得した区間を公開し、1日の12の指標を1つのクラスタとして扱っています（council-stats.json、sample.note）。5セッション未満では区間は表示されず、行に対して計算された区間は1日の12の市場を独立として扱うため狭すぎます。1日より長い期間では、連続した予測はほとんどの結果ウィンドウを共有するため、期間 $h$ （セッション単位）について、異分散性と自己相関に一貫した区間にラグ $h-1$ を設定する必要があります（Newey & West, 1987）、もしくは少なくとも $h$ セッションのブロックを持つブロックブートストラップを使用します（Künsch, 1989）。また $5h$ セッション未満では区間を表示しません（要件10）。126セッションのシーズンでは、このルールはセッション25から1週間後に区間を提供し、セッション105から1か月後に提供します。6か月の間隔は630が必要なため提供されません。確認的主張は1日（主要な期間）、および1週間と1か月に基づいており、ルールが満たされています。このシーズンでは6か月の結果と日次区間は記述的です。スキルの主張は登録済みチェック日時（セクション8）で読まれ、その間のセッション数がどうであるかは関係ありません。

パワーは主張される比較、すなわちペアのBrier差分に属しています。予測者 $A$ とベンチマーク $C$ が同じイベントについてある場合、$G_s$ をセッション $s$ のイベント全体の平均とし、$B_{C} - B_{A}$ とします。セッション平均の標準偏差 $\sigma_G$ と宣言された最小効果 $\delta$ を用いて、5%の両側検定で80%のパワーを得るには約 $n \approx 7.85\,\sigma_G^2/\delta^2$ 個の独立したセッションが必要です。永続性は数を増加させ、登録された分析は連続したセッションをまとめています（Diebold & Mariano, 1995; Künsch, 1989）。126セッションで、ファイルのBrier計算（power_brier）はコインを0.0105以下に低下させることを検出でき、0.005の低下には554セッションが必要です。これは171個の2セッションの予測から外挿しています（ファイルは2026年10月21日 05:33 UTCに生成され、10月20日のデータ上にあります。ライブフィールドは実行のたびに再計算されます）。その予測レベルの標準偏差0.062と $\rho = 0.41$ を5セッションがスコア付けされるまでのプロキシとして使用しています。セッション30でセッションレベルのデータ上で再計算され、登録済みテストはそれに依存しません。ファイルのヒット率計算（power）は55%と50%を区別するのに209セッション必要で、$\rho = 0.2$ を想定しています。二項予測市場の質問の独立した分析は同じ順序に達しています。市場に対するBrierエッジ0.02を検出するには約350の解決した予測が必要です（Nechepurenko & Shuvalov, 2026a）。

否定的な結果には独自のルールが必要です。小さな推定差、決定するには広すぎる区間、および差異がないという証拠は3つの知見です。確認的比較のすべてについて、±0.01 Brierという1つの同等性マージンを宣言し、ペアの差の90%区間（5%での2つの片側検定）がそれに完全に含まれる場合のみ「実質的な差異はない」と読みます。マージンは選択しました。これは2セッションの外挿が126セッションが解決できると言う内容に近く（上記のpower_brier）、その外挿が再計算されるときに移動しておらず、スコアリング許容値であり、経済的閾値とは異なります。

4.7 ポートフォリオリーグ

確率は判断を測定します。ポートフォリオは二次的な尺度で、モデルがそれを用いて何をするかを示します。14のモデルのそれぞれが同じルールの下で$100,000のシミュレーション資金を運用しています。11の取引ファンドは市場を表しており（VIXは指標のみ）、ポジションはロングのみで5%から25%、現金は13週間のトレジャリー・ビルで収益を生み、変動するすべてのドルは0.1%のコストがかかり、決定は封印後の最初の営業時間に取引されます（東部時間09:30から09:45の最初の価格）。「ホールド」は取引のない、コストのない決定です。ルールを破る決定は拒否され、ポジションは保有されたままです。各アカウントは市場終値でリターンと最大ドローダウンでマークされ、20セッションからシャープレシオとソルティノレシオが計算されます（Sharpe, 1994; Sortino & Price, 1994）。完全なルールはプロトコルファイルにあります（付録A、表A1）。アカウントは商品先物ファンドの利回りとファンドのトレジャリーファンド、および各商品先物ファンドを計測するため、より低いブリアスコアはより高いアカウント値を確立しません。アカウントは同じコストの下で受動的なベースラインと比較され、1つのルールバージョン内です。

4.8 プロリーグ

各モデルはプロリーグ（pro-1）に第2の$100,000アカウントを保有しており、これは5%から30%の株式の署名付き加重および100%から200%の総エクスポージャーを持つロングショートブックで、最大2倍のレバレッジです。VIXはここで取引できます。そのベースラインはロング保有されたS&P 500とショート保有されたS&P 500です。

4.9 AIと群衆に対して

12の市場のうち最大8つについて、予測市場はリーグに近い日次質問を取引しています。各実行の質問はそれらを完全な解決ルールとともにリストし、各モデルに対して答えラインの別フィールド（crowd_up）で各質問の「上」の独自の確率を求めます。Polymarket、Kalshiまたは任意のベッティングオッズを検索しないという指示は質問で封印され、モデルの検索が返したものは封印の外にあります。Polymarketがマーケットを掲載している場合、モデルはPolymarketの質問に答え、Kalshi質問はPolymarketが掲載していないマーケットについてのみ求められます（council-calibration.json、method.crowd_window）。群衆の価格および取引量（vol）は質問が出たときに記録され、実行ライン（Polymarketの場合はcrowd.odds、Kalshiの場合はcrowd.kalshi）で封印されます。10月20日に12:30:06Zで記録され、最初のモデルが回答を開始する前です。価格を隠すのは設計上です。市場価格を示されてそれを修正するよう求められるモデルはいくつかの契約で市場を打ち負かす可能性があります（S. Kim et al., 2026）が、その回答は群衆から独立した証拠ではなくなります。リーグは両者を分離します。封印された回答は価格に盲目であり、群衆との組み合わせは採点前に封印された別個の戦略です（セクション5.3）。各比較はその情報クロックに名前を付けます。封印された価格は質問時点での群衆であり、キャリブレーションファイルは各モデルの回答と群衆の価格をそのモデル自身の回答分で比較し、両方とも群衆の解決で採点されます。解決後、リーグは質問ごとに、モデルの確率と群衆の確率、各モデルのブリアスコア、および各側が正しく取得したもの（ブックラインのcrowd、council-league.json、フィールドcrowd）を報告します。

10月20日、Polymarketは6つの日次「上または下」質問（S&P 500、ダウ、金、WTI、ドル指数、ビットコイン）をリストし、Kalshi は5つ（S&P 500、Nasdaq-100、10年利回り、金、WTI）をリストしました。8つの市場、そのうち3つは両方のプラットフォームにあります。両方のプラットフォームが市場をリストしている場合、私はPolymarket契約、モデルが答えた契約を使用します。そうでなければKalshi契約を使用します。各群衆確率は1つの契約から来ます。Kalshi質問はストライクで設定され、その価格は2つの隣接するストライク間の補間（実行ラインのlo、hi）により「前の終値を上回る」に変換されます。補間価格は2つの取引価格からそのイベントの確率を近似し、両側はその契約が名付ける出所によってその合成イベントで採点されます。封印されたボリュームが質問が出たときに少なくとも$1,000である場合、私は契約を一次比較に認め、より細い契約を別に報告します。閾値は契約で取引されたお金を示します。要件17は各群衆行の入札、質問、および最後の取引の時間を求めています。Polymarketではスプレッドは起こりそうにない結果でより広いためです（Dubach, 2026）。

群衆の質問はリーグに近く、それらのクロックは異なります。リーグの日は09:30参照から16:00 ET（利回りは15:00 ET）まで実行されます。群衆の質問はクローズに近く、複数の解決は他の時間および他のソース（金およびドル指数は17:00 PM ET Pythローソク足、WTIはアクティブな先物契約の日次終値、利回りはTreasuryの15:30パーイールド、ビットコインはBinanceで正午から正午）から。したがって、私は質問ごとに比較を行い、群衆の独自の条件に基づいており、個別に引き出された確率を使用します。予測市場価格は強力なベースライン（Wolfers & Zitzewitz, 2004; Berg et al., 2008）であり、Kalshiのマクロ経済契約は市場予想調査とBloombergコンセンサスと同程度の精度で予測しています（Diercks et al., 2026）。シャープさ（セクション4.4）は同じ契約で、モデルごとに、crowd_upから比較されます。群衆はprob_upのイベントを価格設定しません。

イベントの不一致がスコアをどの程度動かせるかは正確に述べることができます。指数が前日に100で終値、本日に98で始値、99で終値したとします。それは前日の終値から下落し、始値から上昇しました。2つのバージョンのイベントが$N$行の$d$シェアで反対の結果に解決され、確率と行が固定されているとします。フリップされた行で、予測$p$のBrierスコアが$(1-p)^2 - p^2 = 1 - 2p$だけ変わります。絶対値で最大1ですので、平均Brierスコアは最大$d$だけ移動します。予測者$p$と$q$の間のギャップはその行で$2(q - p)$だけ変わりますので、ギャップは最大$\frac{2}{N}\sum_{j \in D} |p_j - q_j| \le 2d$だけ移動します。ここで$D$はフリップされた行の集合です。上界は固定サンプルの固定予測に対して成立します。2つのルールが従います。予測は1つのイベント、1つの参照価格でのみ共通スコアに入ります（要件4）。また、クラウドとの各比較は、2つの質問が反対の符号で解決される市場セッションのシェア$d$を報告します。$2d$以下のギャップはどちらかの側の優位性として読み込まれません。

4.10 グリッド: モデル × 市場 × 時間軸

カウントされたすべての回答は3方向グリッドの1つのセルを満たします。最大11のCouncilモデル、12市場および4つの時間軸です（図6）。各セルは独自のBrierスコア、ヒット率、キャリブレーションおよび先鋭性を蓄積します。グリッドは単一のリーダーボードでは答えられない質問に答えます。どの市場がどの時間軸で予測可能か、モデルのエッジが1つの資産クラスにあるか、月が日よりも簡単か（各々独自のベースレートに対して測定される場合）です。周辺ビューはcouncil-league.json（models、by_asset、by_horizon）で公開され、完全な行はcouncil-forecasts.csvにあります。

図6. 測定グリッド。(A) デザイン: モデル × 市場 × 時間軸。(B) グリッドの記入: カウントされたある朝の封印された確率、2026年10月20日。

注: (A) セルはcouncil-forecasts.csvの計数された行から詰め込まれます。セルはセクション4.6のルールの下でのみランク付けされます。(B) 2026年10月20日の09:30 ET基準前に回答が封印された8つのシート(実行2026-10-20-am)、マーケットとホライズンごとに1つのセル、上昇の確定確率で色付けされ、50%に中心化されています。シートは国ではなく、確率画像の第1主成分への負荷でソートされています。ソース: council-forecasts.csv、2026年10月21日読込。

日次予測は各セッションで解決します。スコアリングリーグの最初の週の予測は2026年10月26日に解決され、最初の月の予測は2026年11月19日付近で、最初の6ヶ月の予測は2027年4月に解決されます。

4.11 再現性

すべてのスコアは公開ファイルから再計算できます。ポートフォリオエンジンのコードはテキストとして公開されており、19ファイルとリーグの設定があり、それぞれが SHA-256 ハッシュ値を持っています (arena-code.json)。再計算スクリプト (replay.py) は、すべての取引と価格からすべてのアカウントの価値、キャッシュシェア、手数料およびウェイトを再計算します。2026年10月20日時点のファイルについて、145アカウントの公開された253行すべてを公開の丸め処理内 (付録 B、ステップ 7) で再現しました。2番目のスクリプト (tools/replay_brier.py) は同じアドレスで、council-forecasts.csv から数えられたすべての予報の Brier スコアと座席、予測期間およびモデル方法論バージョン別の合計を再計算し、公開された数値と比較します。2026年10月22日 00:09 UTC の生ファイルについて、公開された9,318個のすべての数値と完全に一致しました。council-forecasts.csv のすべての予報行は、それを確定するブックラインを名前で示しており (line)、各スコアは確定した回答へトレースでき、そこからスタンプ付きプレフィックスとBitcoinブロックへトレースできます (付録 B)。スコア行はそれの直後の最初のスタンプで担保されています。

誰もが公開出力を再計算できます。チェーンとアンカーは確定した回答、その時刻およびその質問を固定します。生モデルコール、価格フィード、およびデプロイされたコードは、オペレーターが提供したハッシュ値とともに公開されています。参照価格と終値を2番目の独立した情報源と照合することは、主張のはしご (表 B1) の結果ランクです。生ファイルは毎回の実行で変更されるため、各リビジョンは Zenodo (10.5281/zenodo.23552700) 上の不変の分析リリースを引用しており、すべてのファイルの SHA-256、サイズおよび取得時刻 (付録 C) のマニフェストが含まれます。

5. 何個の独立した声

リーグは11個の予測席を持っています。このサイズの評議会は同じ数の意見を持つように見え、リーグはそれが何個保有しているかを数えるために構築されています。N人の予測者の誤差が共通のρで相関している場合、それらの平均は以下の証拠を持ちます

N_eff = N / (1 + (N − 1)ρ)

独立した予測者のうち、Nが増加すると、N_effは1/ρに接近して停止します。この式はクラスターサンプリングの設計効果です(Kish、1965)。従属する専門家の価値の飽和は、予測の組み合わせについてClemenとWinkler(1985)によって示されました。関連論文がこれをAIモデルのパネルに適用しています(Chernets、2026a)。上限はいくつのモデルが尋ねられたかに依存しません。ρ = 0.5では1000個のモデルは2人の目撃者の価値があり、評議会が1/ρより大きくなると、ρを低下させることはメンバーを追加するよりも多くを得ます。入力は測定されます。2つの言語モデルが両方とも間違っている場合、特にアーキテクチャやプロバイダー内で、同じ間違った答えを与えることが多くあります(Kim et al.、2025)。3つのフロンティアモデルの予測誤差は568個のバイナリ質問で平均r 0.77で相関しており(Spiro、2026)、フロンティアモデルはMetaculus AIベンチマークで高い相関予測を行います(Aitchison et al.、2026)。多くの意思決定者が1つのアルゴリズムを採用する場合、集団の決定は、アルゴリズムが各々を単独で上回っても悪化する可能性があります(Kleinberg & Raghavan、2021)。機関保有高に較正された理論とシミュレーションは、類似したAIモデルの広い採用がそれらが取引するシグナルの寿命を短縮することを示唆しています(Meng & Chen、2026)。そのような議論は入力としてモデルの測定された類似性が必要です。市場リーグは毎日の取引日の外部の真実と、ρを推定できる確率の最大11個のライブストリームを供給します。N_effは分散のカウントです。すべてのモデルが共有するバイアスは、モデルの数が何であれ、平均に留まります。これが、リーグが全会一致の誤りも直接数える理由です(セクション5.3)。その有効な独立した声の数なしに印刷されたモデルのコンセンサスは、その標本サイズなしに印刷された投票です。読者は同意する割合を見て、同意がどの程度の証拠を保有するかを判断することができません。したがって、要件14は、コンセンサスが表示されるどこでもカウントを必須にします。10月20日、8席は開場前に1日の画像を封印し、それらの画像は1.46人の独立した予測者の画像と同じくらい似ていました(セクション5.2)。

5.1 リーグがρをどのように推定するか

各封印実行は、すべての予測席について、各ホライズンで12個のマーケットのいずれかがアップになる確率を与えます。各実行とホライズンについて、リーグは席のペア間の平均を計算します。両方に答えたマーケット全体での確率のピアソン相関の平均を計算し、N_eff = n / (1 + (n − 1)ρ)をその実行独自のnとρで評価します。N_effはρに対して凸型なので、実行当たりのカウント平均は少なくともヘッダでのカウントであり、12個のマーケットから推定されるρのサンプリングノイズは、実行当たりのカウントも上方に押し上げます。F1とF2のようにしきい値以下の平均は、したがって保守的な解釈であり、ホライズン間の比較はρ自体で読み取られます(F9)。12個のマーケットでは、1つのペアワイズ相関は0.38〜0.64の観測範囲全体で約0.26〜0.18の標準誤差を持ちます。1つの実行のペアは席とマーケットを共有するため、それらの平均は1つのペアより安定していますが、それらの数の根によってはそうではありません。間隔は5つのカウント実行から来ます。各席の最新の回答行を使用し、それらが封印された回答にはなかったため、封印後に日付付きのcorrection行で復元されたセルを除外します。適格基準は推定器の一部です。カウント実行のみを認め、参照価格前に封印された回答のみを認めます。遅い回答はオープニング動きを見る可能性があるため、入力されません。オープンファイルcouncil-stats.jsonはn_eff.countedの下でこのシリーズを公開し、ルールはファイルに記載されています。古いブロックn_eff.per_runとその平均は、すべての封印実行、試験実行、および遅い回答を平均します。付録Cはcouncil-forecasts.csvとcouncil-book.jsonlからの再計算のフィールドを提供します。表6は、オープンファイルの行をこのルール通りに追跡します。6つの封印実行からカウント記録までです。

表6。オープンファイルからカウント記録へ、実行ごと: 行、修正、席、参照前に封印された行、記載された50秒、無効なセル、およびカウントされた1日の行(council-forecasts.csv、3,792行)。

注記：修正行は後続の修正行（line_kind）によって追加されたセルであり、他の列は回答行のセルをカウントします。行のシール（atとbooked_atの最大値）がそれが目的とするセッションの東部時間09:30より前である場合、その行は参照の前にシールされます。3つの試行実行は10月19日を目指しています。述べられた50と無効なセルはcell_status（explicit_50、invalid）から読み取られ、カウントされた行はstatusから読み取られます。10月20日、9番目の座席Meta AIは16:16:52Zにシールされました。その12の無効なセルは確率を持たず、その9つのカウントされた1日行はそれ自身の参照から採点され、一般的なイベントの外にあります。10月21日、9番目の回答の4つのビットコインセルは独自の参照を持ちます（セクション3.3）。出典：council-forecasts.csvとcouncil-book.jsonlは2026年10月22日01:32 UTCに保存（CSVのSHA-256：9fa4747e…c299d）。

私は数えることの横に補助統計を発行します。相関は市場間で計算されるため、市場がどのように一緒に動くか（3つの米国株価指数、WTIとブレント油）を含みます。2番目のバージョンは各グループごとに1つの市場を保持し、ナスダック100、ダウ指数、ブレント油を削除します。市場間の相関は、各市場がどちらの方向で質問されるかにも依存します。VIX、ドル、または利回りの上昇は通常、株式の下落を伴い、リーグはすべての市場をその上昇として質問し、その質問内容に固定されています。また、その慣例を自由にしたバージョンも計算します。これは50からの乖離を各座席の市場全体の平均を引くことなく相関させるため、任意の市場を逆さまにすることは何も変わりません。1日で、10月19日と20日にそれぞれ1.85と1.54を与え、見出しのカウントの1.74と1.46に対抗しています。50ではなく気象学的確率から取得した場合、同じ乖離はセクション4.3が長期地平線で求めるものを与えます。行列の参加率は異なる次元カウントであり、等相関の下では両者は異なるため、N_effの横に2番目のカウントとして読みます。3番目の統計は各市場のコンセンサスを最初に削除します。同じモデルから推定されたコンセンサスを引くことは、構成上、乖離を負に相関させるため、これは説明的であり、登録されていません。要件17は最大固有値のシェアを追加します。1に近いシェアは、単一の共通要因が類似性をもたらす構造を説明し、1つの共通ρが公正な要約である状況を示し、低いシェアは単一のρが複数の要因を隠していることを示しています。2026年10月20日のカウントされた実行時に、参照の前にシールされた8つの座席すべての48セル全体で、最大固有値はトレースの68%をもたらします（8中5.47）。1つの共通要因は類似性のほとんどを保持しています。1日行列の参加率は10月19日に2.28、10月20日に1.79、10月21日に3.28でした（n_eff_participation）。

見出しは確率描写がどの程度類似しているかをカウントします。エラーの相関、上記の公式のρは2番目のカウントであり、リーグはスコア付きセッションからそれを計算します。市場全体の座席のエラー指標の平均ペア相関、同じ方法でN_effに変換（n_eff_errors）。それは結果の共動きも伝えます。3つの株価指数が一緒に下がるとき、上昇を言ったモデルは、その類似性がどうであれ、一緒にエラーを犯します。

5.2 メソッドの最初の読み取り

2026年10月19日と20日の開発セッションについて最初にメソッドを読みます（セクション8）。その2つのカウントされた朝の実行時に、参照価格東部時間09:30の前にシールされた回答のみを使用して、1日時点のN_effを2026年10月19日に1.74（n = 7座席が参照の前にシール、ρ = 0.505）および2026年10月20日に1.46（n = 8、ρ = 0.64）と見つけます。これらの2つの朝の描写は、約1.6人の独立した予測者と同じくらい類似していました。各グループごとに1つの市場を保持すると1.69と1.57が得られます。カウントされた記録の最初の実行は2026年10月21日に2.23（n = 9、ρ = 0.379）を与え、各グループごとに1つの市場で2.09です（council-stats.json、n_eff.counted.per_run、2026年10月21日22:16 UTC生成）。

各地平線で同じ規則と、その横にある結果を必要としない3つの説明的な測度は、表7を与えます。

表7。 カウントされた朝の実行の地平線別説明的読み取り、参照の前にシールされた回答：確率描写のN_eff（括弧内の平均ペアρ）、鋭敏度K、40から60の間の確率のシェア、および座席全体のスプレッド。

注記：地平線あたり12市場。ファイルされたスクリプトneff-horizons.pyの規則によるN_eff（セクション5.1）。独自の参照を持つセルは除外されます（10月21日の9番目の回答のビットコインセル）。10月21日の1日値は発行されたn_eff.counted.per_runに等しいです。K = （2/n）Σ|p − 50|座席のセルを超える（セクション4.4）。スプレッドは座席全体の母標準偏差であり、12市場にわたって平均化されます。2026年10月22日01:32 UTCに保存されたcouncil-forecasts.csvとcouncil-book.jsonlからの値。

3回の実行すべてにおいて、音声は6ヶ月で最も少なく、1日よりも1週間と1ヶ月で数が多くなっています。6ヶ月の類似性は共有ベースレート（株式と金は6ヶ月で上昇）から生じ得るため、6ヶ月カウントは気候学的確率からの逸脱についても読まれるべきです。10月20日の実行パターンを図6Bで見ることができ、図7では市場ごとにそれを描画します。基準前に密封された8つの座席は、1日について5市場を50%未満に、6ヶ月について約60%に置きました。平均確率では、S&P 500は48から62へ、Nasdaq-100は42から61へ、半導体は42から60へ、金は48から61へ、ビットコインは46から61へ移動しましたが、石油、VIX、10年物利回りは逆方向に移動しました（WTI 55から40、VIX 55から38、利回り54から45）。評議会は短期的なショックを見ました。6ヶ月では長期トレンドに収束しました。10月21日、短期は動き、長期は保持されました。9つの座席はS&P 500について1日で55.9、6ヶ月で60.4を与え、銅（47.9）とVIX（45.7）のみが1日について50%未満に立ちました。6ヶ月でリスク資産は再び56.7から62.7で立ち、石油、VIX、利回り、ドルは41.2から46.1でした。

図7. 市場別の1日および6ヶ月での上昇の平均陳述確率：（A）実行2026-10-20-am、基準前に密封された8つの座席；（B）実行2026-10-21-am、9つの座席。

注記：座席のprob_upの平均；ティックは1週間と1ヶ月を示します。市場は10月20日の1日から6ヶ月への変化により順序付けられています。6ヶ月確率は各市場のベースレートを含みます（セクション4.3）；気候学に対する同じ読みは$K_{\text{clim}}$です。10月21日、ビットコイン平均は9番目の回答のセルを除外し、それらは独自の基準を持ちます。出典：council-forecasts.csv 2026年10月22日、01:32 UTC保存。

同じ実行がセクション8が使用するスプレッドを与えます。8つの座席全体で、確率の母標準偏差は1日で平均3.5ポイント、1週間で5.7、1ヶ月で6.2、6ヶ月で4.7でした。1日では銅の1.5ポイントからWTIの6.4にわたり、最も幅広いセルは1ヶ月のVIXとブレント（9.9と9.8）でした。10月21日、平均スプレッドは4.3、4.8、5.7、6.8ポイントで、6ヶ月で最も幅広い（ブレント9.5、WTIとVIX 8.4）でした。図8は両朝のすべてのセルを示しています。

図8. 市場と期間別の座席全体での陳述確率のスプレッド：（A）実行2026-10-20-am、基準前に密封された8つの座席；（B）実行2026-10-21-am、9つの座席。

注記：各セル内の座席全体でのprob_upの母標準偏差（確率ポイント単位）；パネルタイトルは各期間で12市場全体での平均を示します。セクション8は二次分析としてのスプレッドの使用を登録します。出典：council-forecasts.csv 2026年10月22日、01:32 UTC保存。

連続した実行は同じ市場に関する重複する質問に答え、隣接する実行の週と月のウィンドウは重複します。したがって、期間間の比較は対になった実行ごとの差異で行われ、実行ブロック全体の間隔を持ちます（F9）。10月16日から18日の3つの試験実行はすべて10月19日のセッションを対象とし、カウントされず、1日で4.01、2.69、2.06を与えました。エラー指標のカウントは同じ適格性ルールに従い、F3のファイルされたスクリプトで計算されます。オープンファイルのn_eff_errorsフィールドはより広い記述シリーズであり、ヘッドラインではありません。図9は、式の曲線上に実行ごとの値を配置します。予測F1からF3およびF9（セクション8）は、登録後のカウントされた実行が何を示すべきかを述べています。

図9. モデル数に対する独立した音声の有効数、最初に密封された実行と最初にカウントされた実行の実行ごと読み値。

注記：N_eff = N / (1 + (N − 1)ρ) ただしN = 1から14、ρ = 0、0.2、0.4、0.57、1；点線は上限1/ρを示します。塗りつぶし円：10月19日と20日の朝の実行（1日、基準前に密封された回答）（1.74、n = 7、ρ = 0.505；1.46、n = 8、ρ = 0.64）；強調された曲線はそれらの平均ρ、0.57です。塗りつぶしダイヤモンド：カウント記録の最初の実行、2026年10月21日（2.23、n = 9、ρ = 0.379）。開いた正方形：3つの試験実行（4.01、2.69、2.06）。出典：council-forecasts.csvおよびcouncil-book.jsonl、2026年10月21日に読み込まれ、セクション5.1のルールによります。

5.3 コンセンサス、およびそれが家族を割り引く理由

市場のコンセンサスを座席の確率の平均として定義します。3つのルールがあります。少なくとも5つの座席が回答する場合、最も低い確率と最も高い確率が削除されます。同じファミリーの2番目のモデルは3分の1カウントされ、さらに別のものも同様なので、複数のモデルを構成するラボは数によって他の者を支配できません。ブロック構造の下では、均一な公式がN_effを過大評価します（Kim et al., 2025）。結果は2から98%にクランプされます。現在のスターチの各座席は異なるラボから来ています（表8）ため、すべてのファミリーウェイトは1です。ルールはラボが2つの座席を保有する前にオープンな方法論に書き込まれています。

セクション4.5の恒等式により、コンセンサスはそれが保持するメンバーの平均値を共通のイベント上で機械的に上回り、全評議会に対して、トリムはシャドウコンセンサスとF10が測定する選択肢であり、算術的な利得である。スキルは評議会外の参照に対してのみ判定される:コイン、気候学的なベースレート、クラウド、およびF10の場合は以前のウィンドウをもたらしたモデルである。1席の価値は直接測定される:共通のイベント上でのコンセンサスBrierスコア、その席があるとき、ないとき、同じセッション上で。結果の後に計算されたleave-one-outは説明である。凍結されたトリム、ファミリー重みとクランプ以外の重み付けで、すでに見られたシーズン上で勝利したであろうため選択されたもの、は新しい戦略である(White, 2000):それはそれが統治する最初のセッションの前に密閉され、その密閉の後にのみスコア付けされる。

このセクション独自の論文の検証として、私はそのような戦略1つを登録で密閉する:相関のある声はより低い価値があり、それらを割引くことは役に立つべきである。シャドウコンセンサスは各席を登録タイムスタンプの前に密閉された数えられた実行の1日の確率ピクチャー上で計算された、参照の前にのみ密閉された答え、平均相関を0.05でフロアした(そのウィンドウで適格な答えがない席は他の席の中央重みを取る)、他の席との平均ペアワイズ相関の逆数で重み付けする。重みは登録で提出され、シーズンのために凍結される。各イベント上でそれらは応答する席上で再正規化され、極値のトリム、ファミリー重みとクランプは公開されたコンセンサスのそれらである。提出されたスクリプトはオープンファイルからシャドウを計算し、それが決してそれを置き換えない公開されたコンセンサスと同じイベント上でスコア付けする。セクション8は比較を宣言する。要件17はまた各席に独自性の2つの説明的な数を与える、他の応答する席での平均相関とその方向性セルのシェアがその多数派と一致するもの。2026年10月20日、参照の前に密閉された8つの席と全48セル上で、2つの数はClaudeの0.47の平均相関と70%の多数派との一致から0.71と88%(DeepSeek)までを実行した。Claudeはそれ自身を48セルの4つのどちらかの側に一人で立たせた、他のどの席よりも多く、その中に半導体とNasdaq-100を1週間で、これにより54を与えた一方で7つの他は28から43を与えた。精度は別に スコア付けされる。

all_wrongはすべての応答する席が間違っていた市場セッションを数え、少なくとも4つの応答があり、minority_rightはコンセンサスが間違い少なくとも1つの席が正しかったもの上を数える。両方で、行は結果「上昇」を持つ全行はゼロより大きい変化を意味し、述べられた50%は正しくも間違いでもない、その席はその行のために応答であることはカウントされない。独立の下で、エラーレート約半分近い4つ以上の席の間の全会一致のエラーは稀であろう、そして同じ行上の応答する席自身のエラーレートの製品に対するその頻度はF6である。数は結果の共動、特定のセッションの難しさと共有バイアスを混ぜるクラスタリング診断で、それは複製を特定しない。繰り返される右マイノリティは全席のコール次のコンセンサスを示すためのケースである。

5.4 共有ソース

council-forecasts.csvのすべての予測行はそのモデルが引用したドメインとリンクを持つ(source_domains, source_urls)。各実行の1日の答えについて私は最も引用されたサイト上の引用の集中、席のペア間で引用されたリンクとサイトのJaccard平均オーバーラップ、実行と市場の層内で、順列により、リンクを共有するペアが行動上で合意するかどうかをより多くの頻度で、リンクしないペアより報告する。最初の5つの実行上で1つのニュースサイトはすべての引用の約5分の1を描いた、正確なリンクのオーバーラップは小さかった(Jaccard平均0.006)、そして34の対リンクを共有する高い合意は偶然から区別可能ではなかった(順列p = 0.14)。引用されたリンクはモデルが放出した文字列であり、ページが読まれたことを証明せず、そのラベルはそのアドレスと異なることができる。10月19日1つの答えは「Reuters」をinvesting.comへのリンクで引用した(書籍行83)。要件17はしたがってリンクが重複に入る前に取得記録(ステータス、時間、コンテンツのSHA-256、述べられた公開時間)を求める。質問自身が提供した数、事前開放先物のような、共有図が数えられる前に削除される。Prediction Arenで、モデルがどのくらい研究したかはそれの結果を追跡しなかった(Zhang et al., 2026)、そのリーグはそれを仮定する代わりに検索が合意に何をするかを測定する。引用オーバーラップは報告されたプロバナンスを測定し、F5はそれが示すべきものを述べる。

図10で私は誰が何を引用するかを数える。2026年10月16日から21日の6つの実行で参照の前に密閉された1日の答え、918行、233のサイトの1,875の引用を持つ。Reutersはそのうち407(21.7%)を描き、11の席のうち10により引用され、Claudeを除くすべて。そのシェアは実行によって6.2%から30.3%を実行した。次のサイトはcnbc.com(139)とbloomberg.com(66)であった。2つの最新で数えられた朝上で、少なくとも2つの席が引用したサイトは引用の68.5%と58.3%を描いた。

図10。 席による引用されたサイト:2026年10月16日から21日の実行、参照の前に密閉された1日の答えで引用、10の最も引用されたサイト。

注:引用されたサイトごと、答えセルごと1つのカウント(source_domains)、最初のUS席、側の間のルール;右列は各サイトの合計とすべての1,875の引用のそのシェアを与える。引用されたドメインはセクション5.4が引用されたリンクを読む方法で読まれる。ソース:council-forecasts.csv 2026年10月22日、01:32 UTC。

5.5 閉じた本:検索なしの同じ質問

追加されたニュースはデフォルトで言語モデル予測者をより良いするために作らない:モデルのカットオフの後に解決された質問上で、ニュースコンテキストは一部の質問で役立ち、他のもので傷つけた、近時性バイアス、うわさの過剰加重と用語が何を指すかでの漂流を通じて(Karkar & Chopra, 2025)。

Closed Book リーグでは、各実行後、モデルは同じものが開かれたウェブの代わりに密閉されたパケットを受け取ります。実行の価格スナップショットと日付付きの見出しです。各見出しにはソース、リンク、公開時刻、ハッシュがあり、検索やツールを使用しないよう指示されます。各回答行は、検証済み（ツール構成により取得が防止され、回答にそれが示されていない）、構成されているが未検証、または指示のみの3つのラベルのいずれかで検索状態を記録します。パケット外のリンクはoutsideとマークされます。パケットはその回答の前にそのハッシュで密閉され、再構築されず、Closed Book は日次テーブル外の独自の$100,000アカウントを実行します。

arena-cb-experiment.json ファイルは、実行ごとに、意見の相違の激しさ（その日のアクションの平均分割の100倍）、N_eff、およびポートフォリオの分散（閉じたもの対同じモデルの開かれたもの）を報告します。閉じた評議会がより合意した場合、同じ入力が群を駆動します。より合意しない場合、検索はモデルを同じページへ向けて引き下げます。検索に関する主張は、腕が検索のみで異なる場合に成り立ちます。各閉じた回答は、開かれた回答、群、または別の座席が示されていない新しいコンテキストから来ており、同じ質問、スナップショット、情報期限を持ち、バージョンと記録されたアクセス状態が一致しています。F20 および F21 の場合、両腕の回答は同じ共通参照の前に密閉されます。それ以外の場合、各腕は独自の参照で採点され、腕が尋ねられる順序は日を通じてバランスされます。閉じた評議会がより合意せず、その Brier 損失がより高い場合、同じ入力はモデルを同じにしましたが、それらを改善しませんでした。

2 つの腕は、同じニュースを同じ朝に読んだこと、および訓練で学んだ同じ信念の2つの類似性のソースを分離することはできません。したがって、要件 17 は3番目の腕を指定します。価格のみ：同じモデルは実行の密閉された価格スナップショットと質問を受け取りますが、見出しと検索はなく、同じ期限と独立性の規則の下にあります。ニュースなしで残っている合意は共有された事前確率から来ます。パケットによって追加された合意は共有されたニュースから来ます。開かれたウェブによって追加された合意は検索から来ます。腕が実行されるとき、各実行は同じ座席とセッションのすべての3つの腕で N_eff と意見の不一致の激しさを報告します。

5.6 平文コンセンサスに対する議論

盲目的並列抽出は各モデルに他の回答が見えない生の質問を与えるため、合意は証拠の重みを持ちます。情報のある順序付き抽出は、独立性の代償として誤り訂正を買い取ります（Chernets、2026a）。7つの言語ベンチマークでは、多数決だけで多くの場合、マルチエージェント討論に通常提供されるゲインのほとんどが説明されます（Choi et al.、2025）。したがって、議論は同じ質問で平文の投票を上回る必要があり、それが場所を獲得します。日次予測は構成上盲目的並列です。議論は日次記録に決して触れない別の週次トラック内で実行されます。議長は側の間で交代し、シャッフルされた文字の下のすべての密閉されたポートフォリオを読み、評議会のポートフォリオと2つまたは3つの批評を書きます。各批評は市場、リスク、重み、次の5セッションにわたるファンドの方向を命名するため、すべての批評は検証可能な結果を持ちます。批評されたモデルは1回答え、それが保有するポートフォリオを述べます。シャドーアカウントは議長のポートフォリオ、密閉された重み、批評が適用された重み、および述べられた返答（council-talk.json、council-talk-critiques.csv；F22、F23）を取引します。

5.7 1つのモデル、再度尋ねられた

週に1回、ポートフォリオの質問は3つまたは4つのモデルのうち3回尋ねられ、繰り返しは決定ではなく独自の行として密閉されます。council-repeats.json は、モデル間の熱に対する1つのモデルの独自の回答間の激しさを報告します。これは意見の不一致のノイズフロアを与えます（F24）。N_eff は確率で計算されるため、要件 17 は繰り返しを確率に拡張します。凍結されたパケットの下で、選択されたモデルは独立したコンテキストで3回同じ確率質問に答え、各回答は診断行として密閉され、リーグはモデル内分散をモデル間分散に対して報告します。モデルバージョンの変更は日付が付けられ、バージョンからの記録が別に表示されます。

5.8 発生源の研究所：同じ条件

全14座席がポートフォリオリーグで取引します。11の評議会座席は確率を与え、5つは米国の研究所から、6つは中国の研究所から、3座席はベンチにあり、取引のみを行います（表8）。すべてのモデルは1つの質問を受け取り、1つの価格スナップショットに基づいており、テキストはその SHA-256 の下で公開されます。すべての回答は1つの期限で密閉され、1つの規則セットで採点され、すべての座席は同じ$100,000、コスト、制限を保有します。asks ファイルはタイミングを示します。10月21日、最初の質問は0.17秒以内にすべての座席に送信され、12:30:09Z、同じ座席への再送信は同じハッシュを伝えます。13:00でまだ沈黙していた座席は、13:00:21Z の2番目の波で独自の実行行と質問ハッシュの下で再度尋ねられました（asks.jsonl）。各モデルはそのロスターエントリがリストするこれまでのない推論モードで尋ねられ、回答行で密閉されたモードは採点されたモードです。各プロバイダーは独自のツールと計算でそのモデルにサービスを提供するため、比較は研究所がそのモデルにサービスを提供する方法の間にあります（セクション10）。

表8. リーグの座席（league-roster.json、2026年10月21日生成）および2026年10月21日までの各座席の回答行で密閉されたバージョン文字列。

注：各バージョンの横に記載されているモードは回答行（付録C）にあり、各バージョンはプロバイダーのインターフェースが返す文字列で、ERNIEの場合はその名前のみです。すべてのシートは異なる研究所から取得されるため、すべてのファミリーウェイトは1です（セクション5.3）。

以前の比較では、両者を1つの質問と1つのスナップショットに並べていませんでした。Cao et al. (2025)は、米国モデルが中国企業をより楽観的かつ正確性が低く予測し、中国のニュースが追加されるとそのギャップが消えることを発見しました。これは情報へのアクセスが情報源であることを示唆しています。ここでの比較は観察的です。プロバイダー、世代、言語、ツールは国ラベルとともに変わるためです（セクション10）。両者間および両者内で報告され、確率またはスコアのいずれかのギャップは、各シートが順番に除外されるとき、その範囲とともに公開されます。あるシートが除外されるとギャップの符号が変わるか、そのサイズのほとんどが失われる場合、そのギャップはそのシートのものとして報告され、両者のものではありません（F18、F19）。要件17はまた、両者がブロックであるかどうかを尋ねます。各実行について、各側内の確率の平均相関と側間の相関を設定し、回答シート間で側ラベルが置換されるときと同じくらい大きい差の確率を計算します。5つと6つのシートでは、テストは診断的です。最も近いペアが両側を結合した場合、国ラベルは群れが分かれる場所ではありません。2026年10月20日のカウント実行で初めてそれを読みました（参照前に8つのシートが封印され、48個のセル）。国による群がないことがわかります。確率の平均相関は、側内で0.66、側間で0.61であり、最も近い4つのペアのうち3つがそれらを結合しています：ChatGPTとMiMo（0.88）、GeminiとDeepSeek（0.86）、DeepSeekとGrok（0.77）。単一のセルは側で分割できます。その実行で両者の平均の最大ギャップは1ヶ月の金に位置し、4つの米国シートで56に対して4つの中国シートで44でした。1週間の金は第3位で、52.5対43.5でした。48個のセルの最大値は構造上大きいです。8つのシートを70の可能なすべての方法で4つと4つに分割するとき、26の分割は最大セルギャップを少なくとも同じ幅で生成します（p = 0.37）。DeepSeekは1ヶ月の金で56を与え、4つの米国シートのうち3つを上回りました。したがって、最も幅広いセルでさえ、側によって明確に分割されません。図11では、10月21日の朝を隣に置いた全行列を示します。

図11。 2026年10月20日に最も近い4つのペアのうち3つが米国と中国の研究所を結合し、21日再度最も近いペアがそうします：封印された確率のペアワイズ相関、（A）10月20日、参照前に8つのシートが封印；（B）10月21日、9つのシート；各シートの平均相関と多数派との一致、および各行列の固有値を含む。

注：実行2026-10-20-amおよび2026-10-21-amの48個のセル（12市場×4地平）にわたるピアソン相関は、両シートが共通イベントで回答したセルです（10月21日、Meta AIのビットコインセルは独自の参照を持つため、そのペアは44個のセルを使用）。米国シートが最初で、側間に規則があります。平均rはシートと他のシートの平均相関で、多数派との相関は、他のシートの多数派と同じ側の50であるシートの方向セルの割合です。タイと記載された50は除外されています。各行列の下に、その固有値と最初の割合および参加率（Σλ）²/Σλ²（要件17）があります。側内の平均0.66および0.43、側間で0.61および0.48。ソース：council-forecasts.csv 2026年10月22日 01:32 UTC保存。

2026年10月21日の最初のカウント実行を同じように読みました。9つのシートが参照前に封印され、5つは米国で4つは中国です。平均相関は側内で0.43、側間で0.48です。最も近いペアはまた両者を結合し、Meta AIとDeepSeek（0.87）で、Claude とMiMo（0.72）が第3位です。両者の平均間の最大ギャップは、ブレント1ヶ月で7.0ポイントに低下し、9つのシートを5と4のグループに分割した126の分割のうち110は最大ギャップを少なくとも同じ幅で与えます（p = 0.87）。10月20日に12.0ポイント離れていた1ヶ月の金は0.1離れて立っていました（図12）。類似性はより多くの要因に広がりました。最初の固有値は、前日の68%に対してトレースの54%（9のうち4.86）を持ち、参加率は2.02に対して2.95でした。両日とも、他のものから最も遠い2つのシートはClaudeとStepFunでした。それらの平均相関は10月20日で0.47および0.52、10月21日で0.35および0.20でした。2日間の診断は国による群がないことを示し、F18およびF19はシーズン全体でそれを決定します。

図12。 米国と中国のシートの平均記載確率の差（市場と地平別）：（A）実行2026-10-20-am（参照前に4と4シートが封印）；（B）実行2026-10-21-am（5と4シート）。

注：確率のポイント、米国マイナス中国；米国シートが高い場合はオレンジ、中国シートが高い場合は青。各パネルの下に、最大絶対差、同じシートを同じサイズのグループに分割するすべての分割のうち、最大差が少なくとも同じくらい大きいもの（Aで70、Bで126）の数、および側内および側間の平均相関があります。10月21日、ビットコイン行はMeta AIのセルを除外しており、これらは独自の参照を持ちます。ソース：council-forecasts.csv 2026年10月22日 01:32 UTC保存。

6. AIの前に人間

リーグはモデルを測定します。モデルを表示するページは、モデルを見ることが人が予測するのに役立つか、あるいは単に人をモデルに向かわせるだけかについても尋ねます。ほとんどの証拠は、アドバイスが最初に到着する設計から来ています。Schoenegger et al. (2025)は991人の参加者に言語モデルアシスタントを提供し、ノイズの多いアドバイスを与えるように設計されたアシスタントからでも、約4分の1の精度向上を見つけました。Schoenegger et al. (2024)は、12個のモデルのアンサンブルが925人の予測者の群衆と一致し、人間と機械の予測の単純な平均がさらに良い結果をもたらしたことを発見しました。人はアルゴリズムが誤るのを見た後にそれを放棄します(Dietvorst et al., 2015)、また他の設定では人間のアドバイスより高く重み付けします(Logg et al., 2019)。地政学的予測トーナメントでは、予測者は機械予測にほとんど依存せず、彼らの事前の信念と一致するモデルを選択する傾向がありました(Abeliuk et al., 2020)。これらの設計が簡単に分離することができないのは、支援からアンカリングです。

6.1 設計

訪問者は誰でも、登録せずに、セッション中の12個の市場のそれぞれを55%から95%の信頼度で上下にマークできます。各読者は、匿名ランダム識別子によって、2つのグループのいずれかに一度だけ永続的に割り当てられます。見えるグループはモデルの答えを一度に見ます。盲目グループはセッションの最初の予測の後にのみ見ます。

6.2 測定対象

セッションの最初の予測について、リーグは4つの量を記録します。主要な結果として、Brierスコア(側の信頼度cは、その側の確率c/100として読み取られる)を、両グループについて同じ市場で、各市場はより小さいグループのカウント重み付けで取ります。最初の予測までの時間は、モデルが決定を加速するかどうかを示します。ステートされた信頼度対ヒット率は、信頼度過剰を与えます。アンカリングは、グループ間で比較された、コンセンサスと方向に同意する最初の予測のシェアです。モデルを最初に開く盲目の読者は、覗き見として数えられます。分析は割り当てに従い、覗き見は非コンプライアンスです。council-league.jsonは、experiment(g0、g1)の下のカウント、ヒット率、時間、信頼度、覗き見、およびBrierスコアを公開し、要件16は、最初のスコア付き予測の前にどのグループが盲目であるかを示すデータ辞書ラベルを持っています。実験は生きており、すべての訪問者に開放されており、10月21日に開始時点で、n = 0両グループでスコア付き最初の予測がありました。F28とF29は、セクション8の予測を使用してOSFに登録され、2つの結果をグループあたり200件の一致した最初の予測に固定します。

6.3 詰め込みに対する保護

最初の予測のみが比較に入り、名前、アカウント、または連絡先の詳細は収集されません。要件16は、セッション中の識別子あたり市場あたり1つの最初の予測を設定します。読者のアドレスは保存されません。リーグは、それを反復投票をキャップするために日付でソルト化されたハッシュのみを保持します。読者の予測は参照時刻で閉じられ、リセット識別子は新しい読者として扱われ、リセットのシェアが報告されます。

6.4 比較が示すもの

ランダム割り当ては、2つのグループを互いに比較可能にします。両方とも来ることを選んだ公開ページの訪問者であるため、比較は彼らのために話し、投資家のためではありません。これはアクセスの効果を測定し、以下の2番目のプロトコルは以前の判断の改正を測定します。評議会とのより大きな同意は、シフトとして測定され、改正プロトコルはコピーからの学習を述べます。識別子は観察可能な参加者を表し、1人が複数保有する可能性があるため、リーグはグループ別に割り当てられ、寄与した識別子、最初の予測、および返信率を報告します。繰り返される参加は、識別子とセッションでクラスター化された二次分析です。

標準で指定された2番目のプロトコルは、改正を直接測定します。すべての読者はまず評議会を隠した非公開の方向と信頼度を記録し、その後ランダム割り当てによって評議会または対照表示が示され、同じ市場とセッションの最終予測を記録します。主要な結果は、非公開から最終予測へのBrierスコアの変化における腕間の差です。評議会の呼び出しが正しい場合と間違っている場合のセッションで、評議会への動きが別々に報告されるため、学習とコピーを区別することができます。改正プロトコルは、実行時にこの論文の日付付き改正に入ります。

7. AIマーケットアリーナの日付付きマップ

7.1 マップが記録するもの

2023年から2026年の間に、「AIモデルは市場を予測できるか」という質問は4つの形で尋ねられました：過去の価格に関するモデル判断のバックテスト、未解決の問題に関するベンチマーク、モデルが実際または仮想のお金で取引したアリーナ、およびベースラインまたは会場として使用された予測市場です。このマップは、各取り組みを導入した者、いつ導入したか、および何を測定したかを記録しています。表9では、各取り組みに対して6つの質問をします：予測の時間がどのようにして確保され、信頼のレベルがどのくらいであるか、確率が厳密に適切なルールによってスコア付けされているか、複数の時間軸が同じ資産で比較されているか、モデル間の一致が相関に対して読まれているか（独立した音声のカウント、または相関の重み）、人間がAIを見る前に予測するか、およびデータがオープンであるかです。付録Eでは、参照実装を最も近い取り組みと機能ごとに比較しています（表E1）。

信頼レベルは図4とセクション3.12に従っています：0、オペレーターの到着記録；1、オペレーターまたはそのホストに基づく時間を持つオペレーターフィンガープリントまたはハッシュリンク記録；2、オペレーター外で確定されたフィンガープリント、その記録の許容範囲内で外部からバウンドされています（ビットコインの場合、ブロックのヘッダー時間の数時間後、ヘッダー時間は前の11個の中央値を超える必要があり、実時間より前に実行される可能性があるため）；2+、レベル2にプラスして、各シールに対する第三者署名時刻（RFC 3161）。バックテストには提出時間を確保するものはありません。私は公開論文、プロジェクトページ、リポジトリ、プレスレポートからマップを構築し、2026年10月21日の検索を終了しました。セクション7.4のすべての優先度の請求は、ここでレビューされた取り組みにスコープされています。「ND」は2026年10月21日現在、公開されていません：公開説明で見つかりません、つまり欠落があることを証明しません。各取り組みが公開資料から証明できるものを記録し、それらの品質をランク付けしないでおきます。

7.2 タイムライン

2023年から2024年。 Lopez-LiraとTang（2023）は、ニュースヘッドラインのGPTスコアが後続の株式リターンを予測したことを示し、この分野とその中心的な疑問を開きました（セクション2.1）。2024年、ライブの質問が到着しました。検索拡張されたシステムは、モデルのカットオフ後に公開された質問で人間の集約に近づきました（Halawi et al.、2024）、12個のモデルのアンサンブルは925人のグループと一致しました（Schoenegger et al.、2024）、Metaculusは2025年半ばまで毎四半期、ボットと専門家のトーナメントを実施し、専門家がすべての四半期でリードしました（Metaculus、2025a、2025b）、ForecastBenchは約1000の生成された質問を8つの時間軸で尋ね、専門家がまだ最高のモデルより先にいることを発見しました（Karger et al.、2025）。

2025年。 金融ベンチマークとマネーアリーナが続きました。InvestorBenchは過去データに関する模擬財務判定を提供しました（H. Li et al.、2025）、バックテストのメモリとルックアヘッドに関する証拠が累積されました（Lopez-Lira et al.、2025；W. W. Li et al.、2025；Paleka et al.、2026；Gao et al.、2025）。FutureXはエージェントの日次ライブベンチマークを実施しました（Zeng et al.、2025）。10月に、Alpha Arenaはプレスレポートによると6つのモデルに実際のお金を与えました（Forklog、2025a、2025b；Yahoo Finance、2025）、StockBenchはダウ株を逆トレードしました（Y. Chen et al.、2025）、Agent Market Arenaはライブで取引しました（Qian et al.、2025）、Prophet Arenaは較正とシミュレートされたリターンによってライブのKalshiおよびPolymarket質問をスコア付けしました（Yang et al.、2025）。LiveTradeBench（Yu et al.、2025）、Rallies AI Arena（Rallies.ai、2025-2026）、スーパーフォーキャスターと一致し、市場と組み合わせてそれを打ち負かしたAIA Forecaster（Alur et al.、2025）、およびKalshiBenchは5つのフロンティアモデルが過度に確信していることを発見しました（Nel、2025）。年を閉じました。

2026年、前半。 予測市場は会場になりました。FinDeepForecastは毎週深い研究エージェントを実行しました（X. Li et al.、2026）。Gemini株予測のデータセットは、文書化されたメカニズムなしで「時間ロック」と呼ばれていました（louidev、2026）。PredictionMarketBenchはKalshiオーダーブックを再生しました（Arora & Malpani、2026）。Prediction Arenaは6つのモデルにKalshiおよびPolymarketの実際の資本を与え、オペレーターのログからアカウント値をスコア付けしました（Zhang et al.、2026）。PolyBenchはPolymarketスナップショットで36,165の予測をスコア付けしました（Cheng et al.、2026）。PolySwarmは、確率がPolymarket価格とブレンドされ、Brierスコアでスコア付けされた50の言語モデルペルソナのスウォームを提案しました（Barot & Borkhatariya、2026）。5月に、Foresight Arenaは、エージェントがPolymarketイベントのハッシュされた予測をkeccak256コミットリビールを通じてポリゴンにコミットして、エージェントとラウンドごとに1つのコミットがリレイヤーで実施される期限前にコミットするパーミッションレスベンチマークを提案し、Brierスコアと期限時点の中価に対するAlphaスコアでスコア付けされました。その論文はシミュレートされた結果を報告し、付随する研究はライブエージェントを実行します（Nechepurenko & Shuvalov、2026a、2026b）。

2026年、後半。 MarketMania（7月15日）は7つのモデルに1つの開示されたペイロードを与え、5つの暗号資産で5つの時間軸で述べられた確率をスコア付けし、多数派と一致するリフトとしてハーディングを測定し、同じ質問を再度尋ねます、答えの文書化されたコミットメントなし（MarketMania、2026）。NeuPortalは1つの名前のないAIのフットボール確率をOpenTimestampsを通じてビットコインに固定しました（NeuPortal、2026）。LLM Trading Arena（7月20日）はすべてのフィルと根拠を公開git履歴にコミットします（MaxWellApexLab、2026）。LiveMacroEvalは毎時マクロ経済ナウキャストを実行し（Zhao et al.、2026）、TradeRankは10月10日に10シーズン目を開きました（TradeRank、2026）、Prophet Arenaはオペレーターの時計にソルトされたSHA-256ハッシュのレジスターを文書化しました（Prophet Arena、2026）。AI Council · Marketsは2026年10月16日の最初の実行を封鎖し、2026年10月19日にそのスコアのカウントを開始しました。

7.3 各自が証明できるもの

表9。 AIマーケットアリーナと予測ベンチマーク、2023年から2026年：各自が公開資料から証明できるもの。

注記: ND = 2026年10月21日現在で公開されていない。つまり、公開説明からプロパティが見つからず、コードは検査されなかった。「正しいルール」は、予測確率の厳密に正しいスコア (Brier、ログスコア) のみをカウントする。精度、ECEおよびリターンは「No」とマークされている。「個別プール」は、人間が最初に予測してからAIを見るのではなく、人間が同じ質問を独立して予測することを意味する。Alpha ArenaとRallies AI Arenaは報道に基づいている。Foresight ArenaとPrediction Arenaを全文で読み (arXiv:2605.00420v2、arXiv:2604.07355v1)、NeuPortalとLLM Trading Arenaはそのリポジトリから、MarketManiaはそのメソドロジーと研究ページから読んだ。NeuPortalはマーケットアリーナではない。ここに記載するのは、そのシールがここで標準化されたものに最も近いためである。AIA Forecaster、FinDeepForecast、およびGlassBallAIデータセットはタイムラインのみにある。ソースはセクション7.2に記載されている。

7.4 マップの読み方

信頼列は、時間を確保できないバックテストから、オペレーターのレコードによって確保されたライブ質問へ、そしてオペレーターがソルトされたハッシュの登録簿に署名された領収書を付けたもの (Prophet Arena) へと移動するフィールドを示す。レベル2は固定された金融指標パネルの外に存在する。Foresight Arenaはポリマーケットイベントの予測 (その一部は資産価格に関するもの) をPolygonにコミットする (Nechepurenko & Shuvalov、2026a、2026b)。競合する天気予報はZeusサブネットでオンチェーンにコミットされ (Ørpheus AI、n.d.)、NeuPortalはフットボール確率をビットコインに固定する。遅延開示を伴う暗号化金融予測はFinancial Bubble Experiment (Sornette et al., 2010) にさかのぼり、非AI予測レコードはビットコインに固定され、Brierスコアによってグレード付けされる (Jyotish、2026)。無料の公開タイムスタンプが存在する (Todd、2016) ため、アンカーは安価である。それの周りのルールがそれを公正なテストにする。

確率とポートフォリオはめったに一致しない。スコアリターンまたはアカウント価値をトレードするアリーナがほとんどであり、確率をスコアリングするほとんどのベンチマークはトレードしない。Prophet Arenaはシミュレートされたリターンを通じて2つを結合し、MarketManiaは予測をペーパートレードし、Foresight Arenaは確率を市場価格と比較してスコアリングする。金融市場の標準は両方が必要である。ポートフォリオはユーザーが尋ねる質問に答え、確率は適切なルールが短いレコードでスコアリングできる部分である (セクション2.4)。1つの列は空である。表9の努力はいずれも、その公開資料で相関のある声の同意についてディスカウントしていない。MarketManiaはハーディングを測定するが、同意を声のカウントに変えず、Foresight Arenaは市場成果を独立したものとして扱う。言語モデルの外では、Numeraiトーナメントは、すべての投稿から構築されたメタモデルに対する予測をニュートラライズした後、モデルの貢献をスコアリングする (Numerai、n.d.)。それは明確なシグナルに報酬を与え、コンセンサスが保有する独立した声がいくつあるかについては未解決のままである。モデルが一緒に誤る証拠はオフラインで強い (セクション5)。

新しい点。リーグの6つの設計は、2026年10月21日現在レビューされたシステム間に対応がない (表E1、表9)。最初の3つはそれをマップ上のあらゆるシステムから区別している:

1. AI Council · Marketsは、固定金融指標パネルのAI予測の最初のライブリーグであり、その予測台帳をオペレーター外に固定し、シール後に取得した参照価格から各予測をスコアリングし、事前に宣言されたルール によってカウントされた実行を修正し、他のすべての実行を公開およびラベル付けし、毎日の有効音声カウントを報告する。カウントされたレコードでは、2026年10月21日より、カウントされた実行ルールは事前に宣言され、質問のチェーンに暗号化され、少なくとも2つの独立したRFC 3161権限がカウントされた答えを参照価格の前に配置する (レベル2+)。表12は、2026年10月19日と20日の開発セッションの各要素のレベルを示し、シールの順序と参照価格のレベル1を示す。Foresight Arenaが最も近い組み合わせである: 外部アンカー、エージェントとラウンドあたりの1つのリレイヤー強制コミット、コミット期限での指標価格、固定指標パネル予測ではなくポリマーケットイベント上の毎日。
2. それは、すべての実行について、述べられた適格ルール (カウントされた実行、参照前にシールされた答え) による有効音声の数、コンセンサスの家族重みの傍らに、全員一致エラーのカウント、および正しい少数派のカウントを報告する、金融指標のAI予測の最初のライブリーグである。式は古典的である (Kish、1965年; Clemen & Winkler、1985年)、モデルエラーの相関はオフラインで確立される (Kim et al., 2025; Spiro、2026; Aitchison et al., 2026)、およびハーディングはライブで測定されている (MarketMania、2026)。主張はライブリーグ内のカウントである。
3. それは、コンテンツ完全性、外部で境界付けられた存在、参照価格前のコミット、およびカウントされる予測の識別を分離する標準を提案し、番号付きのMUSTおよびSHOULDの要件として書かれ、読者が実行できるチェックがある (セクション3.13、付録B)。セクション3.13は、参照実装の各要件のステータスを示す。Foresight ArenaもPrediction Arenaも他が採用するための標準を提案していない。

他の3つはそれをマップ上のあらゆるAIマーケットアリーナから区別している:

4. リーダーは一度、ランダムに割り当てられ、再割り当てされることなく、モデルと同じ市場で同じ日に予測する2つのグループのいずれかに割り当てられる: 1つはモデルをすぐに見、もう1つは最初の予測の後でのみ見るため、それを見る前に予測する (セクション6)。設計はライブであり、すべての訪問者に開放されており、その2つの成果はF28およびF29として登録され、グループあたり200の最初の予測で読まれる。以前の設計は、人間の個別のプール (ForecastBench、Metaculus) を比較するか、人々にAIアシスタントを最初に与える (Schoenegger et al., 2025)。
5. 米国の研究所からの7つのモデルと中国の研究所からの7つのモデル、それぞれ異なる研究所からの各モデルは、同じ質問に答え、1つのステップで送信され、同じスナップショットで同じ期限、ルール、アカウントで送信される (セクション5.8、表8)。最も近いロスターはRockAlphaのもの、6つの中国と4つの米国モデル、研究所あたり1つ、2倍のレバレッジ (Rockflow、n.d.)、およびAI-Traderのもの、3つと3つ、米国株、A株、および暗号通貨をトレードする (Fan et al., 2025)。どちらもシール、確率スコア、またはリーダー設計を公開していない。その他のロスターは、6～8個の中に2つの中国モデルを混ぜる (Alpha Arena、Rallies AI Arena、LLM Trading Arena、MarketMania)、およびTradeRankは22のモデルを国設計なしで展開する。
6. リーグ自体についての30の日付付き予測、それぞれに測定値、チェック日付、および反証ルール があり、3つのファミリーからのモデルのブラインド投票によって価格設定され、それらを決定するデータが存在する前にそのレゾルバーに登録される (セクション8)。

クローズドブック、スコア付きの批評と反復的なクエリはこのリーグでも実行され、それらの前身はタイムラインに表示されます（セクション7.2、表E1）。

このリーグが構築されている基盤。 結果前のハッシュ化された予測の約束（Foresight Arena; NeuPortalおよびOpenTimeStampsを通じたJyotish）と遅延開示によるファイナンシャル予測のシーリング（Sornette et al., 2010）がこのリーグに先行します。最も近いシールであるNeuPortalは4つの点で異なります。1つの名前のないモデル、フットボール、ロック時またはロック前に取得されたクラウドベンチマーク、および文書化されたカウント実行ルールまたはハッシュチェーンなし。以前の取り組みはまた、日次マルチモデルマネーリーグ（Alpha Arena、Agent Market Arena、Rallies AI Arena、LLM Trading Arena、TradeRank）、$100,000のバーチャルアカウント、アカウントまたはスコアのサードパーティ再計算（LLM Trading Arena、Foresight Arena）およびレバレッジ（Alpha Arena、RockAlpha）を提供します。それらはまた、回答時の予測市場価格との比較（Foresight Arena、Prophet Arena、NeuPortal、AIA Forecaster）、検出力分析を伴う適切なスコア（Foresight Arena）、複数の期間における確率スコアおよびペーパートレード（MarketMania; 期間のためのForecastBench）、気候学的スキルスコア（KalshiBench）およびアンカーされたアリーナ上のライブ調整設計（Nechepurenko & Shuvalov, 2026b）を提供します。このリーグはこれらの機能を使用しています。イベント質問、実金トレーディング、および数千の質問の幅は、独自の強みを持つ他の設計であり、固定の日次パネルを補完しています。

8. 登録済み予測

リーグが示すものを、日付、閾値、確率をともに以下に述べる。その判定は公開ファイルが行う。このバージョンは2026年10月20日までの2つのスコア付きセッションを読む。各予測は、その測定値、それを解決する公開フィールドまたはファイル済みスクリプト、チェック日、それを確認する結果、それを反証する結果、および誤りをスコア化可能にする確率を名指す（Brier, 1950; Gneiting & Raftery, 2007; Chernets 2026c に従う）。データがそれらを解決する前に予測を登録することは、予測をそれを検証する証拠から分離する（Nosek et al., 2018）。設計は登録報告書の論理に従う。そこでは方法と分析は結果が存在する前に固定される（Chambers, 2013）。プロトコルはモデルに対してこれを毎朝行う。本セクションはプロトコルに対してこれを一度行う。

主要エンドポイント。 1つの比較が主要であり、リーグのスキル主張はそれのみに基づく。評議会のコンセンサス予測は日付をベースレートより良く予測するか。セッション11（2026年11月2日）からシーズン終了のセッション126までの各セッション $s$ に対して、ペアの利得は

$$G_s = \frac{1}{|E_s|}\sum_{e \in E_s}\left[(q_e - y_e)^2 - (p_e - y_e)^2\right],$$

ここで $E_s$ はコンセンサスが回答したセッションの1日市場イベントの集合、$p_e$ は公開されたコンセンサス（セクション5.3）で、イベントの参照価格の前に密封された回答からのみ構築、$y_e$ は全行にわたる厳密な上昇で1、その他は0、引き分けを含む（セクション3.5）、$q_e$ は2016年から2025年のイベントの市場の1日あたりの厳密な上昇の頻度、全行を数える。council-calibration.jsonの climatology_fixed.table[*]（horizon 1d）の p_up フィールド、リーグが独自のスキルスコアの参照として使用する引き分け除外 p_up_ex_draw ではない。テーブルはファイル council-clim-window.json によって密封され、データアドレスの下に公開され、そのコンテンツ SHA-256（sha256 キーなしの JSON、ソート済みキー）は 2810d11e907bbaa1f311d06622c929c69e60cc81e558fdb78f5baa04113cabb7。ファイル済みスクリプトはフィールドを読み込み、密閉を確認する。フィールドは2026年10月21日08:54 UTC以降、公開ファイルにある。スクリプトはエラーなくそれを読む。日次履歴がライブウィンドウをカバーしない場合、頻度は最も近い日次イベントを使用する（セクション10）。正の $G_s$ はコンセンサスがより小さい損失を持つことを意味する。各イベントはセッション内で等しく重み付けされ、各セッションはウィンドウ全体で等しく。推定値は $G_s$ の平均。その区間はセッション上の移動ブロックブートストラップ、5ブロック、10,000リサンプル、シード20261102、パーセンタイル区間（Künsch, 1989; Diebold & Mariano, 1995）。判定は2027年4月30日に順序で読み込まれる。主張が確認されるのは、95%区間が完全にゼロより上にある場合。そうでなければ、90%区間が標準が全確認的比較に対して宣言する等価ゾーン±0.01 Brier 内に完全に横たわる場合（セクション4.6）、結果は実質的なサイズの利得なしと読む。その他の結果は結論が出ていない。有意でない利得は等価性として読まない。90%区間もゾーン内に横たわる確認済み利得は、確認済みで余裕より小さいと報告。公開ファイルの現在の損失標準偏差と相関（council-stats.jsonの power_brier）で、126セッションは約0.01のギャップを区別できる。ゾーンはシーズンが解決できるものと合致。登録済み感度分析は判定の横に報告。S&P 500、Nasdaq-100、Dow、半導体インデックスのみの同じペアの利得。ベースレートはイベント独自の09:30から16:00 ET セッション（ファイル済みスクリプトの sensitivity_exact_window）で計算。主張が確認される登録済み確率は0.08。推定値はシーズンが取るパスに対して成立。スコアカードはウィンドウ上で市場ごとの日次変化の平均と分散を報告。

セッション11前のセッションと実行は設計ウィンドウを構成します。それらはセクション5.2の2つのスコア付き開発セッションを含み、設計といくつかのしきい値に情報を提供し、確認的推定はそれらを読みません。以下の30個の予測は二次的な賭けであり、独自のブリアスコアによってまとめてスコア付けされ、どれも確認的スキルとして単独で読まれません。リーグのページの日次テーブルは記述的であり、主張は登録されたチェック日に読まれます。1つの二次的な科学的質問は方向性なしに宣言されます。意見の不一致は役に立つでしょうか。予報者間の分散はMiller (1977)以来経済的意味を持ってきました。アナリストの予測がより多く不一致する株式は、その後より低い収益を獲得しています(Diether et al., 2002)。座席のスプレッドはリーグの機械予測不一致バージョンであり、金融では機械学習モデル全体のリターン予測の分散として測定され、より低い株式リターン(Bali et al., 2023)およびより低い暗号資産リターン(Chu et al., 2025)を予測します。ここで予報者は言語モデルであり、予測は固定イベントの確率であり、質問は精度についてです。登録後のカウント1日イベントでは、座席の確率のスプレッド(イベントに対する陳述確率の母標準偏差、ポイント単位)は三分位に分割され、セッション1から10の33.3番目と66.7番目パーセンタイルの境界があり、事前に固定されたこのルールでファイルされたスクリプトによって計算されます。コンセンサスの気候学に対するペアゲインは、市場が固定された状態で最高と最低三分位の間で比較され、両側です。統計量は市場全体の2つの三分位間の平均ゲインの差の平均であり、移動ブロックブートストラップ区間を備えており、どちらかの三分位が30未満のイベントを持っている場合は未決定です。2番目の二次質問はセクション5の論文を直接テストします。相関した声の割引は役に立つでしょうか。セッション11から126のカウント1日イベントについて、公開されたコンセンサスとセクション5.3の影のコンセンサス間のペアブリア差。その重みはセッション11から126で登録ファイルされており、主要エンドポイントと同じ移動ブロックブートストラップで推定され、±0.01の同等ゾーンに対して読まれます。どちらの二次質問も登録確率を持たないため、予測の数は30のままです。両方は多重性調整なしで報告されます。さらなる科学的比較は新しい登録になるでしょう。

8.1 予測を書くためのルール

各予測はCC BY 4.0の下でリーグのオープンデータからhttps://trends.polyhelper.ai/api/v1/で解決され、どれも私が個人的に保持するデータを必要としません。セットA(10個の予測: F1、F2、F5、F7、F8、F20、F22、F23、F24、F28)は1つの公開フィールドまたは2つの比較によって定義され、誰でもブラウザで読むことができます。ファイルされたスクリプトはウィンドウにフィールドを適用します。セットB(20個の予測)はオープンなロー・ファイル全体での計算が必要です。それぞれについて、スクリプトはSHA-256とともに登録でファイルされ、それが読むデータが存在する前に、スクリプトが定義です。

1つのウィンドウルールは、行が別のものを指定しない限り、すべての行に適用されます。予測はセッション11からそのチェック日まで、セッションの09:30 ET参照の前に封印されたカウント行で計算されます(同じカットがビットコインに適用され、参照は行の封印後の最初の1分バーのクローズです)。すべての行にわたるブリアスコア(引き分けを含む)。公開フィールドが以前のセッションもカバーする場合、ファイルされたスクリプトはウィンドウにフィールドの定義を適用します。セッションはニューヨーク証券取引所が開いている日です。セッション1は2026年10月19日、セッション10は10月30日、セッション11は11月2日、セッション30は11月30日、セッション52は2026年12月31日であり、11月26日と12月25日が閉鎖されています。126セッションの季節は2027年4月20日頃に終了し、2027年4月30日にチェックされます。各予測はその日付の後のオープンファイルの最初の公開でチェックされます。OSFスクリプトのリゾルバー(resolve.py、ルールバージョンosf-rules-1)は、行が開いたままにしている4つの詳細を修正します。「ランク付け」は予測独自のウィンドウ内で適用される30/10ルール、F8を除く(リーグのフラグを読む)。F25の2つの四半期はセッション11から52(開発期間後の2026年Q4)および2027年1月4日から3月31日のセッション。F15のモメンタムルールはprevious sessionの指標のリーグ結果の方向(参照価格からクローズ)で、55%の予測、すべての行でスコア付けされ、ゼロ移動の後の予測はありません。三分位に使用されるスプレッドは座席の確率の標準偏差です。

同じものが同じものと比較されます。モデルはコイン、モメンタムルール、コンセンサス、および同じセッションと市場でのクラウドと比較されます。モデル間の比較では、各イベントはセッション内で均等に重み付けられ、各セッションはウィンドウ全体で均等に重み付けられます。そのセッションに回答した座席にわたります。したがって、サンプルは利用可能な座席です。予測が最小サンプルを必要とする場合、チェック日の小さいサンプルはそれを未決定のままにします。フィールドが名前変更された場合、リゾルバーはデータ辞書(arena-dataset.jsonおよび公開スキーマ)に記載されている等価物を使用し、マッピングをログします。最初の封印実行が私に見えた後、F1からF5およびF9のしきい値を設定します。それらのウィンドウはセッション11から始まるため、それらの実行のどれもそれらを決定しません。それらの最小サンプルでは、3つの予測が記述的であり、これらの標準誤差があります。100個の予測でのF14キャリブレーション間隔について約5ポイント、20個の批評でのF22シェアについて約11ポイント、および200の最初の予測グループあたりのF28差について約0.02ブリア。F15、F21、F28は0.01のしきい値でポイント推定を比較し、等価ゾーンは主要エンドポイントに属します。いくつかの予測は、これらのサンプルサイズではスキルが測定不可能という期待を述べています。表D1はスキルなしで期待される値をそれらの隣に示し、そこでの成功はスキルが存在しないことを示していません。各予測はリーグが測定するものについて関係し、市場がどちらの方向に動くかではありません。

8.2 予測

表10は10個の中核的予測を、付録Dの表D1は30個すべてを示します。F1からF3、F5からF7、F9は、評議会の予測と誤りがどの程度似ているか、また音声がどの地平線で分離するかを問います。F4は、モデルの鋭敏さを群衆のそれと比較し、F8（運用）は表が予定通りに埋まるかどうかを問います。F10からF15は、コンセンサスを以前のリーダー、単純なルール、群衆と比較します。2つの予測F16とF17は、いかなる信号が地平線の中のどこに位置するかを問います。F18とF19は米国と中国の側面に関し、F20とF21は閉じた本に関し、F22からF24は議論と繰り返しに関するものです。F25からF27は、リーダーが続くかどうかと良い予測者がうまく取引するかどうかを問い、F28とF29はモデルへのアクセスが読者に何をするかを問い、F30は名前が隠された後、スタイルがモデルを明かすかどうかを問います。

表10. 10個の中核的予測、閾値、確認日付および確率（表D1にすべての30個）。

注記。pは登録された確率で、予測が真になる、それが解決されることを前提として。ステートメント、測度、日付および閾値だけからキャストされた、3つのファミリーのモデルからの3つのブラインド投票の中央値です。6つの値（F5、F7、F20、F21、F23、F25）は2026年10月20日の20のモデルの投票です。他の24個と主要エンドポイントは2026年10月21日に投票されました。3つの後のラウンド、各ラウンドでその変更で書き直された予測のテキスト上で、各値はラウンドの投票の中央値です（すべてのラウンドがアーカイブ内にあります）。0.15以上に広がる投票はアーカイブでフラグが立てられます。Brier スコアは1日です（ただし記載されている場合を除く）。区間は95%セッション単位です。セクション8.4は未解決の予測のルールを提供します。

8.3 確率

3つのファミリーの3つのモデル、Claude Opus 5.5（Anthropic）、GPT-6.1（OpenAI）および Grok（xAI。バージョンは投票で登録されています）に、クリーンなリスト（ステートメント、測度、確認日付および閾値、私の推定なし）に価格を付けるよう依頼しました。各々は他の数値を見ることなく、各登録確率は3つの中央値です。3つのファミリーはリーグシートを保有し、F18、F19およびF30はそれらのシートに関するものです。各投票者は記録が存在する前にステートメントに価格を付けました。モデル検証者のパネルは、メンバーが互いに見える場合に測定可能な方法で失敗します（Chernets、2026b）。したがって、各投票者はリストに単独で価格を付けました。すべての確率は解決を条件とします。解決された割合はスコアの隣に報告されます。

8.4 凍結およびスコアリング

私は、投稿する前に OSF（10.17605/OSF.IO/9Q86N）に予測と主要エンドポイントを登録します。オープンエンド登録として、すべての投票、Set B スクリプト、すべての行のリゾルバー、主要エンドポイントのスクリプト、封印されたクライマトロジーのコンテンツ SHA-256、およびすべてのファイルおよびその SHA-256 のマニフェストを含めて、直ちに公開します。すべての確認日付とすべてのウィンドウは登録タイムスタンプの後に発生します。OSF 登録は編集できず、撤回は理由を含む公開記録を残すため、予測はそこにあります。SSRN は改正時にプリプリント置き換えます。

何も削除されません。すべての予測はすべてのスコアカードに、真になった、そうではなかった、まだ期限切れではない、または未解決として表示されます。その日付までに計算できない予測は未解決のままであり、成功としてカウントされることはありません。各スコアカードは、解決された予測上の Brier スコア、解決された割合、すべての未解決の予測が最大[p²、(1 − p)²]を加算する最悪の境界（日付の過ぎたすべての予測が分母内）、および平坦な0.5に対する Brier スキルスコアを報告します。スコアカードは確認日付（2026年11月30日、2026年12月31日、2027年4月30日）に従います。各々は SSRN および Zenodo でこの論文の日付改正として公開され、OSF に登録され、各判定はそれが依存する分野またはスクリプトを引用します。

9. 異議と各々に答える規則

4つの異議が設計に最も強く押し付けられています。それぞれは以下で第3章の規則またはセクション8の登録済みテストによって答えられています。

事前公開情報が予測をリードする。 参照価格はシール後の最初の価格なので、カウントされた回答は09:30プリントを使用できず、遅い回答は独自の後の参照を得ます。参照前に入手可能な情報（質問で引用された事前公開先物など）は許可され、予測の一部です。先物を読む予測者は独自の判断なしに正しい方向に傾くことができます。スキルは気候学的ベースレートおよびクラウド（同じ事前公開情報を保有）、ならびにコインに対して測定されます。記憶された履歴は、モデルがまだ起こっていないクローズを予測するのに役立つことはできません（Lopez-Lira et al., 2025; Paleka et al., 2026）。

ドローとイベント要求。 質問は厳密な上昇の確率を求め、ドローバンドを述べていません。2026年10月21日より、主要スコアはすべての行、要求されたイベントのスコア（セクション3.5）をカウントします。開発セッションは公開されたままで、ドローなし、および登録されたすべての比較は1つのメソドロジーセグメント内で1つのイベントを使用します（セクション8.1）。

レジスターを保有する者。 私はリーグを運営し、予測を作成しました（宣言）。1回の実行がセッションごとにカウントされ、他の実行はnot_countedとして公開されます。2026年10月21日からのカウント済みレコードでは、シールと参照価格の順序はRFC 3161トークンに依存します（少なくとも2つの独立した機関、レベル2以上）、10月19日と20日の開発セッションではチェーンレコード（レベル1、表12）に依存します。標準は送信時の各発信質問のハッシュ、事前に宣言されたカウント実行（2026年10月21日からの質問チェーンでシール）、および操作者が制御しない公開透明性ログに記入された各タイムスタンプ付きリスト（2026年10月22日からのSigstore Rekor、セクション3.13）の間で実行の選択を制御します。予測は公開ファイルから名前付きフィールドまたはそのデータが存在する前にファイルされたスクリプトから解決され、登録は編集できず、確率はブラインドで設定されました。

圧縮された確率。 モデルの確率は50％に近いままです。10月20日に、参照前にシールされた8つのシート（8つの市場（crowd_up）にリストされたコントラクト用）の別々に引き出された確率は平均で50％から5.9ポイント離れており、同じコントラクトのクラウドの価格は20.7ポイント離れていました（両会場がマーケットをリストしている場合、モデルが回答したPolymarketコントラクト）。クラウドの距離の一部は、既にクローズツークローズコントラクトにある事前市場の動きなので、各コントラクトが解決するイベントでコントラクト対コントラクトを比較します。密閉容量が少なくとも$1,000の5つのコントラクト（表11）では、シートの平均はクラウドの価格と同じ方向に傾きました毎回、シートは平均で50％から7.5ポイント離れており、クラウドの28.1ポイント離れていました。クラウド自体は注意深いです：188,509の解決されたPolymarketマーケット全体で、価格は半分に非常に近く、ロジスティック再較正勾配は1.112でした（Walker, 2026）。シートはさらに半分に近かった。リーグ独自の1日質問では、同じ8つのシートは平均で50％から4.6ポイント離れていました（K = 9.2、セクション4.4）。リーグは圧縮の2つの読み取りを区別できます。マーフィー分解では、ブリアスコアは信頼性マイナス解像度プラス不確実性です（セクション4.4）。注意深い予測者は較正されており、解像度を放棄するため、気候学の近くでスコアを付け、シャープなクラウドに失うことはほぼありませんが、定性的見解を確率に不十分に変換する予測者は同様に較正されず、較正勾配が1から離れており（Cox, 1958）、クラウドに失うことはその鋭さが説明するより多くです。F4はシャープネスギャップを述べ、F12とF13はクラウドとの比較を述べ、F14は較正を述べ、登録後のシーズンごとに各々は述べられています。

表11。 クラウド価格と同じコントラクトのシートの別々に引き出された確率、2026年10月20日（参照前にシールされた8つのシート；密閉容量が少なくとも$1,000のコントラクト）。

注：クラウド価格および容量は12:30:06Zで記録され、council-book.jsonl（crowd.odds、crowd.kalshi）の実行行151でシール；回答行152～159からcrowd_up。Kalshi価格は「前のクローズより上」に補間されます（セクション4.9）。コントラクトはクローズツークローズで解決されるため、クラウドの価格は既に事前市場の動きを保有しています。ビットコイン、ダウ、およびドルインデックスは容量しきい値以下で取引されました。結果は表示されていません。

図13では、シート別にシートで表11を描きます。クラウドのコントラクト用の各シートの確率の隣に、同じシートのリーグ独自の1日イベント用の確率をマークしており、これは異なるイベントです（表1）。2つが異なることができることを発見します。Claudeは利回りのコントラクトに20とリーグの利回り質問に47を与え、WTIに74に対して52を与え、Geminiはクラウドのコントラクトに対して58のWTI 76を与えました。クラウドのコントラクトは前のクローズから始まり、リーグの質問は09:30参照から始まるため、1つのモデルは同じ朝に2つに異なる方法で答えることができます。

図13。 シートの別々に引き出された確率およびクラウドの価格同じ5つのコントラクト、2026年10月20日（参照前にシールされた8つのシート；密閉容量が少なくとも$1,000のコントラクト）。

注記：群衆の価格と取引量は12:30:06Zに記録され、council-book.jsonlの実行行151に保存されています（crowd.odds、crowd.kalshi）；crowd_upとprob_upは回答行152から159から取得されています。Kalshi価格は「前日終値より上」に内挿されています（セクション4.9）。グレーの十字は同じシートの上昇確率をリーグ独自の1日イベントで示しており、異なるイベントです（表1）。平均と範囲は表11と同じであり、5つの契約にわたってシートは平均で50から7.5ポイント離れており、群衆は28.1でした。

10. スコープと境界条件

表12では、各クレームが何に基づいており、どの程度の範囲に達するかを述べ、以下の段落で詳細を示します。

表12。 各クレームの到達範囲。

時間。 シール実行は2026年10月16日に開始され、スコアリングは2026年10月19日に開始されました。ここのリーグ番号は、2026年10月21日のオープンファイルから読み取られ、2026年10月21日朝の読み取りは2026年10月22日01:32 UTCに保存されたコピーから取得され、6つのシール実行をカバーします：3つのトライアル実行、2つの開発セッション、カウント記録の最初の実行。第8章の各スコアカードは、スコアを付けた市場パスを名前で表します。

タイミング証拠。 このバージョンがスコアリングする開発セッション、10月19日および20日については、オペレーターの記録（booked_atおよび前/リンクチェーン）は、参照価格の前に答えがシールされたことを示します（レベル1）。ビットコインアンカーはアンカー付きプレフィックスの存在をブロックのヘッダー時刻の数時間以内に限定します（レベル2、第3.11章）。リライトは、より早い証拠を保有している人によって検出可能であり、Sigstore Rekorログ内のすべてのスタンプ付きリスト（2026年10月22日のスタンピングから、2026年10月21日23:47 UTCの以前のリスト）については誰によっても検出可能です。カウント記録では、2026年10月21日から、少なくとも2つの独立したRFC 3161当局が各スタンプ付きリストに署名します（レベル2+）。その日、カウント回答のバッチは参照価格の29分41秒前に署名され、後に到着した回答はシールされ、3つの当局によって到着後14秒で署名されましたが、それでも参照の前です。

モデル。 11の予測シート、そのうち参照の前に回答がシールされたシート（10月19日は7つ、10月20日は8つ）がこのバージョンの読み取りに入ります；すべての14シートがトレードされます（表8）。調査結果は、回答行にシールされたモードでこれらのモデルを説明しています。

市場。 12の指標は、米国株式、半導体、レート、ドル、ボラティリティ、金属、石油、ビットコインにまたがり、09:30～16:00 ET（10年利回りは15:00 ET、ビットコインはシール分から）です。S&P 100トラック以外の単一株式とインラデイ取引は対象外です。気候学的ベンチマークは日次履歴から推定され、一致するウィンドウが存在しない場合はライブイベントを近似します：ゴールド、WTI、ブレント、銅およびドルインデックスの契約の日次バー、10年利回りの日次終値、ビットコインのUTC日、および1週間以上の場合、ライブコントラクトがそのバンドを終値から終値で測定する場所からのオープンからの動き；近似値はフィールドに記載され、$q_e$にバイアスをかけ、予測にはかけません。口座は、arena-protocol.jsonで名前が付けられている商品を通じて各市場を保有しています；石油、金属、銅の場合、その商品は先物を保有し、それらをロールするファンドであり、口座がそれが取引する指標から逸脱する可能性があり、これはF27がレベルではなく予測のランクと収益のランクを比較する理由の1つです。クラウド行は、少なくとも$1,000のシール済みボリュームによって受け入れられます；要件17は各クラウド行にビッド、アスク、および最後の取引の時刻を追加し、鮮度と広がりルールは、それらが管理するウィンドウの前にロックされ、プール会場は契約が同じ述語で解決する場所のみです。

独立性、国、読者、ポートフォリオ。 N_effは、1つの共通相関の下で確率図がどの程度似ているかを要約し、実行ごと、期間ごとに実行し、モデルをランク付けしません。読者実験は、自己選択された訪問者のランダム化されたグループを比較します。口座はシミュレートされ、それぞれ$100,000であり、コストは0.1%で、シール後の最初のオープンで実行されます；これらは市場インパクトと税金を除外します。取引は過小実行の古典的なチャネル（Barber & Odean、2000）であるため、要件17は各口座のターンオーバー（平均エクイティに対するトレード値）と、各リバランスの前に保有を保持するシール済みノートレードシャドウの隣にある支払ったコストを報告します；ターンオーバーと収益の間の関連付けは説明的です。

クレームのステータス。 プロトコルとその尺度は提案されており、AI Council · Marketsは参照実装です。その状態は各要件に対して第3.13章で公開されています。唯一の確認テストは主要エンドポイントであり、第8章の30の声明は登録済み二次予測です。

本論文は測定プロトコルを説明しており、投資アドバイスではありません。

11. まとめ

私は、読者が予測がいつ固定されたか、どのイベントで採点されたか、どの実行がカウントされたかを確認できるよう、基準を作成しました。PolyHelperが運営するAI Council · Marketsは、12の指標と4つの時間軸での参照実装であり、各要件に対するステータスは公開され、日付が付けられています（セクション3.13）。2026年10月21日から、カウントされる実行は事前に宣言され、封印され、独立したタイムスタンプ権限機関は09:30 ET開場前にカウントされた回答の記録に署名します。予測と参照の順序は、オペレーターの外にあるクロック上に依存しています。これは、他のリーグが最初に採用することを推奨するものです。第三者のタイムスタンプにより、オペレーターの保証が読者が確認できる記録に変わります。セクション7.4にマッピングされたアリーナの中で、リーグは金融指標の固定パネルでこれらの要素を組み合わせる最初のものであり、7つの米国と7つの中国のモデルを同じ質問、スナップショット、期限、ルール、および閲覧前後にランダムに割り当てられた読者の隣に設定する最初のAI市場アリーナです。その合意の隣で、リーグはその背後にある独立した声の数を報告します。合意するモデルの割合は、その数がなければほとんど意味がないからです。最初の2日間の朝、参照前に封印されたシートの確率画像は、1日の2人未満の独立した予報官のものと同じくらい似ていて、カウントされた記録の最初の実行は2.23を与えました。1つの主要なテストと30の二次的な予測はOSFに登録されており、投稿前です。日付付きの改訂がそれらを採点し、各予測とともに提出されたリゾルバーにより、https://trends.polyhelper.ai/api/v1/でCC BY 4.0の下で公開されているデータから、任意の読者が最初にそれを採点できます。

宣言

資金提供。この研究は外部からの資金援助を受けていません。

利益相反。私はPolyHelperの設立者兼運営者であり、ここに記述されているAI Council・Marketsリーグを運営し、マルチモデルオーケストレーション方法を開発しており、関連する特許出願が保留中です(特許はまだ付与されていません)。

ツールと検証。私はAIアシスタントを自分の指示下の道具として使用しました。アイデア、研究および結論は私のものです。定量的な主張と引用を2026年10月20日時点でのプライマリソースまたはアーカイブ済みコピーに対して、また第7節と付録Eの先行研究を2026年10月21日時点で確認しました。2026年10月21日にリーグの公開ファイル内から数値を読み込みました(council-stats.json は03:47および05:33 UTCで生成、2番目のファイルがn_eff.countedおよびpower_brierブロックを含む、および22:16 UTCで生成されたファイルから同日の実行ごとの値)。第5.2節の実行ごとおよび地平ごとの独立値をcouncil-forecasts.csvおよび同日のcouncil-book.jsonlから登録スクリプトで再計算しました。表5の適合性ステータスと2026年10月21日の封印を2026年10月21日15:05 UTCのライブファイルと証明ページから読み込み、RFC 3161トークンをOpenSSLで当局の証明書に対して確認しました。3つのファミリーの3つのモデルが登録予測の確率を設定し、各モデルは互いに盲目であり、私の推定値に盲目です(第8.3節)。

データとコードの可用性。登録されたスクリプト、イベントコントラクトチェッカーおよび両方の再計数スクリプトはPython 3.9以降を使用しており、標準ライブラリを超えるパッケージを使用せず、python3 -I下で実行します。私はmacOS上でPython 3.15.0で実行しました。付録Bの確認にはshasum、ステップ6用のOpenTimestampsクライアント、およびステップ9用のOpenSSL 3以降が必要です。何も訓練されていないため、結果はハードウェアに依存しません。モデルはプロバイダで実行され、各モデルが返したバージョンとモードは答え行に封印されています(表8)。リーグのデータはCC BY 4.0のもとhttps://trends.polyhelper.ai/api/v1/で公開されており、封印済みブック(council-book.jsonl)、予測(council-forecasts.csv)、そのハッシュの下の質問テキスト(asks/<sha256>.md)、統計(council-stats.json)、プロトコルとそのバージョン(arena-protocol.json)、SHA-256ハッシュ付きのポートフォリオエンジンのコード(arena-code.json)、すべての予測スコアの再計数(tools/replay_brier.py)および公開されたすべてのリーグアカウントを公開されたトレードと公開丸め許容範囲内での価格から再計算する再計数スクリプト(python3 replay.py https://trends.polyhelper.ai/api/v1/、付録B)を含みます。ライブエンドポイントはセッションごとに変わるため、分析はそれらに依存しません。各バージョンのペーパーの日付時点での公開ファイルの不変リリース(SHA-256ハッシュのマニフェスト付き)はZenodoにアーカイブされています(10.5281/zenodo.23552700)。ペーパー内のすべての数値はそのリリースから計算されています。登録されたスクリプトはオフラインで実行されます(--data)。後でライブファイルをダウンロードする読者は、封印済みブックのアーカイブ済みプレフィックスをそれらに対して確認できます(付録B)。プライマリエンドポイントとそのスクリプト、各リゾルバー付きの登録予測(resolve.py)、3つのすべての投票を持つ盲目の予測者によって価格設定された整理済みリスト、セットBスクリプト、封印済み気候学のコンテンツSHA-256およびSHA-256付き登録ファイルのマニフェスト(各スクリプトの要件とコマンドを一覧表示するREADME付き)はOSFに登録されています(10.17605/OSF.IO/9Q86N)。ペーパーはZenodoにアーカイブされています(10.5281/zenodo.23552697)。推奨される引用はSSRNプレプリントです(https://ssrn.com/abstract=7653679)。

倫理。第6節の読者実験は、公開ページの訪問者から述べられた信頼度を持つ匿名の上下予測を収集します。読者は匿名のランダム識別子によってグループに割り当てられます。実験は名前、アカウントまたは連絡先詳細を収集しません。リーグは読者のIPアドレスを保存またはログに記録しません。その塩漬けハッシュと日付は投票数を制限するためだけに保持され、個人データは公開または分析で使用されません。結果は集計数として報告され、F29が読む最初の予測は匿名識別子だけで公開されます。私は機関倫理委員会なしで独立研究者として作業を実施しました。リーグの予測者はソフトウェアモデルです。

著者の貢献。単著。

対応。[email protected] · ORCID: 0009-0007-4845-3163

References

Abeliuk, A., Benjamin, D. M., Morstatter, F., & Galstyan, A. (2020). Quantifying machine influence over human forecasters. Scientific Reports, 10, 15940. https://doi.org/10.1038/s41598-020-72690-4

Adams, C., Cain, P., Pinkas, D., & Zuccherato, R. (2001). Internet X.509 public key infrastructure time-stamp protocol (TSP) (RFC 3161). Internet Engineering Task Force. https://doi.org/10.17487/RFC3161

AI Council · Markets. (2026). Open data of the AI Council · Markets league: sealed book, forecasts, statistics, protocol, event-contract schema and league accounts [Data set]. CC BY 4.0. Data as of 20 October 2026 (generated 21 October 2026, 02:42 UTC); conformance status read 21 October 2026, 15:05 UTC. Retrieved 20-21 October 2026, from https://trends.polyhelper.ai/api/v1/

Aitchison, M., Jeen, S., Shevlane, T., & Day, B. (2026). Diversity is the strength of the AI crowd (arXiv:2606.29661). arXiv. https://arxiv.org/abs/2606.29661

Alur, R., Stadie, B. C., Kang, D., Chen, R., McManus, M., Rickert, M., Lee, T., Federici, M., Zhu, R., Fogerty, D., Williamson, H., Lozinski, N., Linsky, A., & Sekhon, J. S. (2025). AIA Forecaster: Technical report (arXiv:2511.07678). arXiv. https://arxiv.org/abs/2511.07678

Arora, A., & Malpani, R. (2026). PredictionMarketBench: A SWE-bench-style framework for backtesting trading agents on prediction markets (arXiv:2602.00133). arXiv. https://arxiv.org/abs/2602.00133

Bali, T. G., Kelly, B. T., Mörke, M., & Rahman, J. (2023). Machine forecast disagreement (NBER Working Paper No. 31583). National Bureau of Economic Research. https://doi.org/10.3386/w31583

Barber, B. M., & Odean, T. (2000). Trading is hazardous to your wealth: The common stock investment performance of individual investors. The Journal of Finance, 55(2), 773-806. https://doi.org/10.1111/0022-1082.00226

Barot, R. M., & Borkhatariya, A. S. (2026). PolySwarm: A multi-agent large language model framework for prediction market trading and latency arbitrage (arXiv:2604.03888). arXiv. https://arxiv.org/abs/2604.03888

Berg, J., Nelson, F., & Rietz, T. (2008). Prediction market accuracy in the long run. International Journal of Forecasting, 24(2), 285-300. https://doi.org/10.1016/j.ijforecast.2008.03.007

Bitcoin Developer Documentation. (n.d.). Block chain: Block headers. Retrieved 20 October 2026, from https://developer.bitcoin.org/reference/block_chain.html

Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1-3. https://doi.org/10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2

Cao, S., Wang, C. C. Y., & Yi, X. (2025). When LLMs go abroad: Foreign bias in AI financial predictions (Harvard Business School Working Paper No. 26-013). Harvard Business School.

Chambers, C. D. (2013). Registered Reports: A new publishing initiative at Cortex. Cortex, 49(3), 609-610. https://doi.org/10.1016/j.cortex.2012.12.016

Chen, Y., Yao, Z., Liu, Y., Xin, A., Ye, J., Yu, J., Hou, L., & Li, J. (2025). StockBench: Can LLM agents trade stocks profitably in real-world markets? (arXiv:2510.02209). arXiv. https://arxiv.org/abs/2510.02209

Cheng, P., Liu, J., & Long, Y. (2026). PolyBench: Benchmarking LLM forecasting and trading capabilities on live prediction market data (arXiv:2604.14199). arXiv. https://arxiv.org/abs/2604.14199

Chernets, V. (2026a). Agreement is not independent evidence: Auditable multi-model synthesis without an API. Zenodo. https://doi.org/10.5281/zenodo.22683716 (also SSRN Working Paper No. 7390698, https://ssrn.com/abstract=7390698)

Chernets, V. (2026b). Verification theater: Measured failure modes of AI verifier panels. Zenodo. https://doi.org/10.5281/zenodo.23197641

Chernets, V. (2026c). After the programmer divide: One measure for people who build through AI agents (SSRN Working Paper No. 7589918). SSRN. https://ssrn.com/abstract=7589918

Choi, H. K., Zhu, X., & Li, S. (2025). Debate or vote: Which yields better decisions in multi-agent large language models? (arXiv:2508.17536). Advances in Neural Information Processing Systems 38 (NeurIPS 2025). https://arxiv.org/abs/2508.17536

Chu, G., Shen, D., & Zhu, Z. (2025). Machine forecast disagreement in the cryptocurrency market (SSRN Working Paper No. 5230677). SSRN. https://doi.org/10.2139/ssrn.5230677

Clemen, R. T., & Winkler, R. L. (1985). Limits for the precision and value of information from dependent sources. Operations Research, 33(2), 427-442. https://doi.org/10.1287/opre.33.2.427

Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3-4), 562-565. https://doi.org/10.1093/biomet/45.3-4.562

Diebold, F. X., & Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253-263. https://doi.org/10.1080/07350015.1995.10524599

Diercks, A. M., Katz, J. D., & Wright, J. H. (2026). Kalshi and the rise of macro markets (Finance and Economics Discussion Series 2026-010). Board of Governors of the Federal Reserve System. https://doi.org/10.17016/FEDS.2026.010

Diether, K. B., Malloy, C. J., & Scherbina, A. (2002). Differences of opinion and the cross section of stock returns. The Journal of Finance, 57(5), 2113-2141. https://doi.org/10.1111/0022-1082.00490

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114-126. https://doi.org/10.1037/xge0000033

Dubach, P. D. (2026). The anatomy of a decentralized prediction market: Microstructure evidence from the Polymarket order book (arXiv:2604.24366). arXiv. https://arxiv.org/abs/2604.24366

Fan, T., Yang, Y., Jiang, Y., Zhang, Y., Chen, Y., & Huang, C. (2025). AI-Trader: Benchmarking autonomous agents in real-time financial markets (arXiv:2512.10971). arXiv. https://arxiv.org/abs/2512.10971

Fassbender, J. (2026). Bitcoin-anchored temporal proof for transparency services (Internet-Draft draft-fassbender-scitt-time-anchor-07). Internet Engineering Task Force. https://datatracker.ietf.org/doc/html/draft-fassbender-scitt-time-anchor-07

Forklog. (2025a). Four out of six AI models suffer losses in trading tournament. https://forklog.com/en/four-out-of-six-ai-models-suffer-losses-in-trading-tournament/

Forklog. (2025b). AI model Grok 4.2 triumphs in trading tournament. https://forklog.com/en/ai-model-grok-4-2-triumphs-in-trading-tournament/

Gao, Z., Jiang, W., & Yan, Y. (2025). Detecting lookahead bias in LLM forecasts (arXiv:2512.23847). arXiv. https://arxiv.org/abs/2512.23847

Glasserman, P., & Lin, C. (2023). Assessing look-ahead bias in stock return predictions generated by GPT sentiment analysis (arXiv:2309.17322). arXiv. https://arxiv.org/abs/2309.17322

Gneiting, T., Balabdaoui, F., & Raftery, A. E. (2007). Probabilistic forecasts, calibration and sharpness. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 69(2), 243-268. https://doi.org/10.1111/j.1467-9868.2007.00587.x

Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359-378. https://doi.org/10.1198/016214506000001437

Guan, M., & Chen, Q. (2026). Leakage-aware benchmarking of LLM forecasting: Real-time nowcasts as the decision-time input for macro factor ranking (arXiv:2606.22719). arXiv. https://arxiv.org/abs/2606.22719

Haber, S., & Stornetta, W. S. (1991). How to time-stamp a digital document. Journal of Cryptology, 3(2), 99-111. https://doi.org/10.1007/BF00196791

Halawi, D., Zhang, F., Chen, Y.-H., & Steinhardt, J. (2024). Approaching human-level forecasting with language models. In Advances in Neural Information Processing Systems 37 (NeurIPS 2024). https://arxiv.org/abs/2402.18563

He, S., Lv, L., Manela, A., & Wu, J. (2025). Chronologically consistent large language models (arXiv:2502.21206). arXiv. https://arxiv.org/abs/2502.21206

Jyotish, V. (2026). Sealed before the event: A publicly verifiable, Bitcoin-anchored forecast record of 92 graded outcomes [Version 1; awaiting peer review]. F1000Research, 15, Article 1322. https://doi.org/10.12688/f1000research.186752.1

Karger, E., Bastani, H., Chen, Y.-H., Jacobs, Z., Halawi, D., Zhang, F., & Tetlock, P. E. (2025). ForecastBench: A dynamic benchmark of AI forecasting capabilities. In International Conference on Learning Representations (ICLR 2025). https://arxiv.org/abs/2409.19839

Karkar, C., & Chopra, P. (2025). Future is unevenly distributed: Forecasting ability of LLMs depends on what we're asking (arXiv:2511.18394). arXiv. https://arxiv.org/abs/2511.18394

Kim, E. M., Garg, A., Peng, K., & Garg, N. (2025). Correlated errors in large language models. In Proceedings of the 42nd International Conference on Machine Learning (PMLR 267, pp. 30038-30066). https://proceedings.mlr.press/v267/kim25e.html

Kim, S., Kwon, J., Kim, Y., Kagan, N., Khatchadourian, R., Ahn, W., Lopez-Lira, A., Lee, J., Hwang, Y., Levy, O., Lee, Y., & Choi, C. (2026). Forecasting future language: Context design for mention markets (arXiv:2602.21229). arXiv. https://arxiv.org/abs/2602.21229

Kish, L. (1965). Survey sampling. Wiley.

Kleinberg, J., & Raghavan, M. (2021). Algorithmic monoculture and social welfare. Proceedings of the National Academy of Sciences, 118(22), e2018340118. https://doi.org/10.1073/pnas.2018340118

Krogh, A., & Vedelsby, J. (1995). Neural network ensembles, cross validation, and active learning. In Advances in Neural Information Processing Systems 7 (NIPS 1994). https://papers.nips.cc/paper_files/paper/1994/hash/b8c37e33defde51cf91e1e03e51657da-Abstract.html

Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observations. The Annals of Statistics, 17(3), 1217-1241. https://doi.org/10.1214/aos/1176347265

Li, H., Cao, Y., Yu, Y., Javaji, S. R., Deng, Z., He, Y., Jiang, Y., Zhu, Z., Subbalakshmi, K. P., Huang, J., Qian, L., Peng, X., Suchow, J. W., & Xie, Q. (2025). INVESTORBENCH: A benchmark for financial decision-making tasks with LLM-based agent. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 2509-2525). https://aclanthology.org/2025.acl-long.126/

Li, W. W., Kim, H., Cucuringu, M., & Ma, T. (2025). Can LLM-based financial investing strategies outperform the market in long run? [FINSABER] (arXiv:2505.07078). arXiv. https://arxiv.org/abs/2505.07078

Li, X., Yao, X., Qi, G., Zhu, F., Koa, K. J. L., Ng, X. Y., Liu, Z., Ni, X., Liu, C., Yang, Y., Zhang, Y., Wang, W., Feng, F., Wang, C., Luan, H., Xing, X., Xu, X., Chua, T.-S., & Huang, K.-W. (2026). FinDeepForecast: A live multi-agent system for benchmarking deep research agents in financial forecasting (arXiv:2601.05039). arXiv. https://arxiv.org/abs/2601.05039

Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90-103. https://doi.org/10.1016/j.obhdp.2018.12.005

Lopez-Lira, A., & Tang, Y. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models (SSRN Working Paper No. 4412788). https://doi.org/10.2139/ssrn.4412788

Lopez-Lira, A., Tang, Y., & Zhu, M. (2025). The memorization problem: Can we trust LLMs' economic forecasts? (arXiv:2504.14765). arXiv. https://arxiv.org/abs/2504.14765

louidev. (2026). GlassBallAI: A dataset of LLM market predictions (made with Google Gemini models) (Version 1.2) [Data set, CC BY-NC 4.0]. Hugging Face. Retrieved 21 October 2026, from https://huggingface.co/datasets/louidev/glassballai

MarketMania. (2026). Live LLM crypto forecasting benchmark and Benchmark methodology [Web pages]. Retrieved 21 October 2026, from https://marketmania.ai/llm-financial-market-benchmark and https://marketmania.ai/benchmarks/methodology

MaxWellApexLab. (2026). llm-trading-arena: LLM Trading Arena [Computer software and live ledger, MIT licence]. GitHub. Retrieved 21 October 2026, from https://github.com/MaxWellApexLab/llm-trading-arena

Meng, S., & Chen, X. (2026). AI-driven alpha decay: Algorithmic homogenization, reflexive signal erosion, and the paradox of intelligent markets (arXiv:2605.23905). arXiv. https://arxiv.org/abs/2605.23905

Metaculus. (2025a). Q1 AI benchmarking results: Human pros crush bots. Effective Altruism Forum. https://forum.effectivealtruism.org/posts/mwcWxwdsEMexm98GF/q1-ai-benchmarking-results-human-pros-crush-bots

Metaculus. (2025b). Q2 AI benchmark results: Pros maintain clear lead. LessWrong. https://www.lesswrong.com/posts/Surnjh8A4WjgtQTkZ/q2-ai-benchmark-results-pros-maintain-clear-lead

Miller, E. M. (1977). Risk, uncertainty, and divergence of opinion. The Journal of Finance, 32(4), 1151-1168. https://doi.org/10.1111/j.1540-6261.1977.tb03317.x

Murphy, A. H. (1973). A new vector partition of the probability score. Journal of Applied Meteorology, 12(4), 595-600. https://doi.org/10.1175/1520-0450(1973)012<0595:ANVPOT>2.0.CO;2

Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system. https://bitcoin.org/bitcoin.pdf

National Institute of Standards and Technology. (2015). Secure hash standard (SHS) (FIPS PUB 180-4). https://doi.org/10.6028/NIST.FIPS.180-4

Nechepurenko, M., & Shuvalov, P. (2026a). Foresight Arena: An on-chain benchmark for evaluating AI forecasting agents (arXiv:2605.00420v2). arXiv. https://arxiv.org/abs/2605.00420

Nechepurenko, M., & Shuvalov, P. (2026b). Coordination as an architectural layer for LLM-based multi-agent systems (arXiv:2605.03310). arXiv. https://arxiv.org/abs/2605.03310

Nel, L. (2025). Do large language models know what they don't know? KalshiBench: A new benchmark for evaluating epistemic calibration via prediction markets (arXiv:2512.16030). arXiv. https://arxiv.org/abs/2512.16030

NeuPortal. (2026). NeuPortal: AI forecasts vs prediction markets (Bitcoin-timestamped) (Version 1) [Data set; Zenodo record by A. Bilous]. Zenodo. https://doi.org/10.5281/zenodo.21294229 . Proofs: https://github.com/neuportalai-ui/experiment-proofs

Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708. https://doi.org/10.2307/1913610

Nosek, B. A., Ebersole, C. R., DeHaven, A. C., & Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600-2606. https://doi.org/10.1073/pnas.1708274114

Numerai. (n.d.). Meta Model Contribution (MMC) [Technical documentation]. Numerai Docs. Retrieved 21 October 2026, from https://docs.numer.ai/numerai-tournament/scoring/meta-model-contribution-mmc

Rockflow. (n.d.). RockAlpha: AI stock. Retrieved 21 October 2026, from https://rockalpha.rockflow.ai/ai-stock

Ørpheus AI. (n.d.). Zeus: Environmental forecasting subnet [Source code and README]. GitHub. Retrieved 21 October 2026, from https://github.com/Orpheus-AI/Zeus/blob/main/README.md

Paleka, D., Goel, S., Geiping, J., & Tramèr, F. (2026). Pitfalls in evaluating language model forecasters. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2506.00723

Prophet Arena. (2026). Verify a forecast, Verify (documentation) and How scoring works [Web pages]. Retrieved 20-21 October 2026, from https://www.prophetarena.co/verify , https://www.prophetarena.co/docs/verify and https://www.prophetarena.co/research/how-scoring-works

Qian, L., Peng, X., Wang, Y., Zhang, V. J., He, H., Smith, H., Han, Y., He, Y., Li, H., Cao, Y., Yu, Y., Lopez-Lira, A., Lu, P., Nie, J.-Y., Xiong, G., Huang, J., & Ananiadou, S. (2025). When agents trade: Live multi-market trading benchmark for LLM agents (arXiv:2510.11695). arXiv. https://arxiv.org/abs/2510.11695

Rallies.ai. (2025-2026). AI Arena [Website feature]. Retrieved 21 October 2026, from https://rallies.ai/

Schoenegger, P., Park, P. S., Karger, E., Trott, S., & Tetlock, P. E. (2025). AI-augmented predictions: LLM assistants improve human forecasting accuracy. ACM Transactions on Interactive Intelligent Systems, 15(1). https://doi.org/10.1145/3707649

Schoenegger, P., Tuminauskaite, I., Park, P. S., Bastos, R. V. S., & Tetlock, P. E. (2024). Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy. Science Advances, 10(45), Article eadp1528. https://doi.org/10.1126/sciadv.adp1528

Sharpe, W. F. (1994). The Sharpe ratio. The Journal of Portfolio Management, 21(1), 49-58. https://doi.org/10.3905/jpm.1994.409501

Sornette, D., Woodard, R., Fedorovsky, M., Reimann, S., Woodard, H., & Zhou, W.-X. (2010). The financial bubble experiment: Advanced diagnostics and forecasts of bubble terminations, volume II, master document (arXiv:1005.5675). arXiv. https://arxiv.org/abs/1005.5675

Sortino, F. A., & Price, L. N. (1994). Performance measurement in a downside risk framework. The Journal of Investing, 3(3), 59-64. https://doi.org/10.3905/joi.3.3.59

Spiro, T. (2026). The oracle's fingerprint: Correlated AI forecasting errors and the limits of bias transmission (arXiv:2605.00844). arXiv. https://arxiv.org/abs/2605.00844

Todd, P. (2016, September 15). OpenTimestamps: Scalable, trust-minimized, distributed timestamping with Bitcoin. https://petertodd.org/2016/opentimestamps-announcement

TradeRank. (2026). TradeRank.ai: Live AI trading leaderboard [Website and open JSON data set]. Retrieved 21 October 2026, from https://traderank.ai/

Walker, A. (2026). The price is (almost) right: A calibration analysis of Polymarket pricing data [Senior thesis, Princeton University]. Princeton University Senior Theses. https://theses-dissertations.princeton.edu/handle/88435/dsp01mw22v8973

White, H. (2000). A reality check for data snooping. Econometrica, 68(5), 1097-1126. https://doi.org/10.1111/1468-0262.00152

Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107-126. https://doi.org/10.1257/0895330041371321

Yahoo Finance. (2025). Elon Musk's Grok 4.20 beats OpenAI, Google models in live stock trading contest. https://finance.yahoo.com/news/elon-musks-grok-4-20-123855766.html

Yang, Q., Mahns, S., Li, S., Gu, A., Wu, J., & Xu, H. (2025). LLM-as-a-prophet: Understanding predictive intelligence with Prophet Arena. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2510.17638

Yu, H., Li, F., & You, J. (2025). LiveTradeBench: Seeking real-world alpha with large language models (arXiv:2511.03628). arXiv. https://arxiv.org/abs/2511.03628

Zeng, Z., Liu, J., Chen, S., He, T., Liao, Y., Tian, Y., Wang, J., Wang, Z., Yang, Y., Yin, L., Yin, M., Zhu, Z., Cai, T., Chen, Z., Chen, J., Du, Y., Gao, X., Guo, J., Hu, L., . . . Huang, W. (2025). FutureX: An advanced live benchmark for LLM agents in future prediction. In International Conference on Learning Representations (ICLR 2026). https://arxiv.org/abs/2508.11987

Zhang, J., Liu, G., Johansson, O., Yitayew, H., Ohly, K., & Li, G. (2026). Prediction Arena: Benchmarking AI models on real-world prediction markets (arXiv:2604.07355). arXiv. https://arxiv.org/abs/2604.07355

Zhang, O., & Zhang, Z. (2026). A review of large language models for stock price forecasting from a hedge-fund perspective (arXiv:2605.05211). arXiv. https://arxiv.org/abs/2605.05211

Zhao, X., Zhang, R., Ye, L., Cao, R., Xie, P., & Chava, S. (2026). Can LLMs take the pulse of the economy? A real-time evaluation of LLM nowcasts on macroeconomic indicators (arXiv:2608.30110). arXiv. https://arxiv.org/abs/2608.30110

付録A. プロトコルフィールド

仕様はファイル自体です：リーグ向けのarena-protocol.json（表A1）および各実行行に封印されたmethodologyフィールド（表A2）予測スコア用です。両者はバージョン管理されています。各変更は日付が付けられ、各封印には有効なバージョンが記載されているため、変更は封印前のものには影響しません（要件15）。以下の表は、2026年10月20日現在のスコア解決に必要なキーをリストしています。

表A1. アカウント解決に必要なarena-protocol.jsonのキー（バージョンarena-3、2026年10月20日）。

シャドウトラック（f12、closed_book、repeats、sp100、council_talk、modalities、roles）は同じファイル内で独自のルールバージョンを保有し、予測スコアに入りません。

表A2. 各実行行に封印されたスコアリング方法論のフィールド（methodology、バージョン2）。

付録B. シールを自分で検証する

手順は公開ファイルと標準的なツールのみを使用しています。ステップ1から8を2026年10月20日夜間(ET)に実行し、ステップ9を10月21日に実行しました。表示される出力は、私が得たものです。ステップ1から8の例は、2026年10月20日の13:00:25Zのスタンプであり、その日の4つのうちの1つです(セクション3.1)。ステップ1から8はレベル1(チェーン)とレベル2(アンカー)をチェックします。ステップ9はレベル2+をチェックし、2026年10月21日のスタンプ付きリスト上のRFC 3161トークンをチェックします。2026年10月19日と20日のセッションは開発セッションであり、カウントされたレコードは2026年10月21日から実行されます。

ステップ1. 本とシールをダウンロードする。

curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt
curl -sO https://trends.polyhelper.ai/markets/proof/2026-10-20/130025Z.txt.ots

証明ページ https://trends.polyhelper.ai/markets/proof/2026-10-20/ には、その日のすべてのスタンプとラン内のすべての本の行が、シールとリンクとともにリストされています。

ステップ 2. スタンプされたリストを読みます。 cat 130025Z.txt は、他の本の中でも、このリストの行を表示します：

daily/council/book.jsonl: 159 lines, sha256 59673b9e21ac6d358e7dc3b811dc3d78f5286390094f7133e3704f57cac1a7d9, last link 378273fd057fcbf364746b032f67f42cd811d281da80f39ff0792c4047175b2c

ステップ3. 本日の本がスタンプされたプレフィックスで始まっていることを確認します。

head -n 159 council-book.jsonl | shasum -a 256
# 59673b9e21ac6d358e7dc3b811dc3d78f5286390094f7133e3704f57cac1a7d9  -
sed -n 159p council-book.jsonl | python3 -c "import json,sys; print(json.load(sys.stdin)['link'])"
# 378273fd057fcbf364746b032f67f42cd811d281da80f39ff0792c4047175b2c

両方の値がスタンプされたリストと一致するため、最初の159行がコミットすることを約束された行そのものです。151行目は2026-10-20-amの実行行で、152行目から159行目がその回答行です。150012Z.txt、153605Z.txt、165254Z.txtでの同じチェックは165行、167行、173行をカバーしています。

すべてのスタンプされたリストに印刷されたルールはバイト数を固定します。ファイルは保存されたとおりに取得され（UTF-8、バイト順マーク なし、再エンコードも正規化もなし）、各行はLFで終わります。N行のハッシュは1行目からN行目までをカバーし、各行にはLFが付きます。最後の行がLFなしの場合、まだカウントされていません。行末を書き換えるミラーはチェックに失敗します。

ステップ4. すべてのシールとリンクを再計算します。

import json, hashlib
H = lambda o: hashlib.sha256(json.dumps(o, sort_keys=True, ensure_ascii=False).encode()).hexdigest()
lines = [json.loads(l) for l in open("council-book.jsonl", encoding="utf-8")]
prev = ""
for i, x in enumerate(lines, 1):
    assert x["n"] == i and x["prev"] == prev
    assert x["seal"] == H({k: v for k, v in x.items() if k not in ("seal", "link", "prev", "n")})
    assert x["link"] == H({k: v for k, v in x.items() if k != "link"})
    prev = x["link"]
print("chain ok:", len(lines), "lines")

10月20日のファイルには、このchain ok: 211 linesが出力されました。

ステップ5. 実行が回答した質問を確認します。

curl -s https://trends.polyhelper.ai/api/v1/asks/77d3c627c7c69d2f6e740ccd89113872b1ac08053554a4651bc2d3064b4e6f07.md | shasum -a 256
# 77d3c627c7c69d2f6e740ccd89113872b1ac08053554a4651bc2d3064b4e6f07  -

ステップ 6. Bitcoin アンカーを検証する。 OpenTimestamps クライアントをインストールします (pip install opentimestamps-client)。ローカル Bitcoin ノードがある場合、ots verify 130025Z.txt.ots は 130025Z.txt をハッシュ化し、証明をたどり、ブロック ヘッダーに対して確認します。ノードがない場合、ots info 130025Z.txt.ots はファイル ハッシュ (5c7d3a357f3cd8b9c27aa4c5d1e9e4750d522bd90b58ffe5193fc61356079d0f、shasum -a 256 130025Z.txt と同じ)、証明の操作およびその証明 BitcoinBlockHeaderAttestation(972334) を出力します。操作をファイル ハッシュに適用すると、74072ae1fdee72c9a3f749462490b46f896e0fab58f7d101dc1a403d967e5c30 が得られます。これは任意のブロック エクスプローラーに示されているブロック 972,334 のマークル ルート (ヘッダー時刻 2026-10-20 13:55:20Z; 前の 11 ブロックの中央値時刻 12:45:12Z) です。両方のファイルを https://opentimestamps.org にドラッグ アンド ドロップすることもできます。保留中のカレンダー証明のみを示す証明は ots upgrade で完成します。保留中の証明は、読者が検証できる時刻を持たりません。

ステップ 7. リーグを再計算する。

curl -s https://trends.polyhelper.ai/api/v1/arena-code-tools-replay.py.txt -o replay.py
python3 replay.py https://trends.polyhelper.ai/api/v1/

2026年10月20日時点のファイルに対して、スクリプトが出力した内容（抜粋）：

replay: 253 published rows, 145 accounts, 2 sessions (2026-10-19 .. 2026-10-20), 1006 trades, rules arena-3
exact to the cent (|d| <= 0.01): 204; within the rounding of the published trades: 49; DIFFERENT: 0; not recounted (other price sets): 0
result: the published scores are reproduced

ステップ8. エンジンのコードを確認する。 arena-code.jsonには各コードファイルとそのSHA-256が列挙されており、各ファイルはarena-code-<file>.txtとして公開されます。

curl -s https://trends.polyhelper.ai/api/v1/arena-code-council_arena.py.txt | shasum -a 256
# 9ff5575c2b5c7736fba06bec1b63a608f5f290aacdee6df6b24a51381f22686c  -

これはcouncil_arena.pyのエントリと一致します。

ステップ9. 2026年10月21日の署名時刻を検証する（レベル2以上）。 2026年10月21日の09:10 ETにOpenSSL 3で実行します（両方のチェックはOpenSSL 3.6および4.0で成功します）。FreeTSA証明書はtsa/にコピーされ、サービス（https://freetsa.org/files/）によって公開されています。DigiCertのチェーンはシステムトラストストアに含まれています。

P=https://trends.polyhelper.ai/markets/proof/2026-10-21
for f in 130019Z.txt 130019Z.txt.freetsa.tsr 130019Z.txt.digicert.tsr tsa/freetsa-cacert.pem tsa/freetsa-tsa.crt; do curl -sO $P/$f; done
curl -sO https://trends.polyhelper.ai/api/v1/council-book.jsonl
shasum -a 256 130019Z.txt
# 986bd13907397901ceed70131a70c3674eba05dfdcb9ededbc7cbc0e57bd3714  130019Z.txt
openssl ts -verify -data 130019Z.txt -in 130019Z.txt.freetsa.tsr -CAfile freetsa-cacert.pem -untrusted freetsa-tsa.crt
# Verification: OK   (after a warning that freetsa-tsa.crt is not a CA certificate, which is expected)
openssl ts -verify -data 130019Z.txt -in 130019Z.txt.digicert.tsr -CAfile /etc/ssl/cert.pem
# Verification: OK
openssl ts -reply -in 130019Z.txt.digicert.tsr -text | grep "Time stamp"
# Time stamp: Oct 21 13:00:19 2026 GMT   (the same for the FreeTSA token)
head -n 222 council-book.jsonl | shasum -a 256
# a9359a7741ef5f7aad7436e022a60813e2fc2f9ce76e130abe21dc820e59bd8c  -

このリストは、このハッシュで222行を示しています。214行から222行は、最初のバッチで予約された2026-10-21-amの実行行と回答であり、両当局は13:30:00 UTCの参照より29分41秒前の13:00:19 UTCで配置します。asks.jsonlをカバーする130035Z.txtのトークンは、13:00:36 UTCを示しています。132337Z.txtでの同じステップは224行をカバーします。13:23:23 UTCに到着した回答である224行は、14秒後に予約され、3つの当局（FreeTSA、DigiCert、Sectigo）は13:23:37 UTCで署名し、参照前です。asks.jsonlの最初の行は、2026年10月21日からのカウント実行を宣言しています。それは実行の質問が送信される前の04:16:39 UTCでシールされ、そのテキストハッシュは証明ページに印刷されています。

ステップが確立する内容。ステップ3と4は、スタンプまでのすべての行についてP2を示します。ステップ6は、スタンプされたプレフィックスをブロック972,334のヘッダー時刻後数時間以内に配置し、この実用的な制限は、セクション3.11に記載されており、コンセンサスルールによって証明される定数の代わりに、この証明またはそれの独立したコピーを保持する誰かに対して、その後のすべての結果についてP1aを提供します。

ブロックは09:30 ETの後に落ちました。10月20日では、シールと参照価格の順序（P1b）は、セッションの09:30 ETに対して、本のシール時刻max(at、booked_at)からレベル1で読み取られ、council-forecasts.csvのsealed_at列は回答時間を示しています。これらのシール時刻にカウント実行ルールを適用することでP3を確認しました。開発セッションの場合、P3はすべての実行が公開およびラベル付けされるというオペレーターの記録に基づいています。カウント記録では、カウント実行はスケジュールされた朝の実行であり、事前に宣言され、実行前の質問チェーンでシールされます（ステップ9）。そのため、読み手は回答前に存在していた宣言に対してP3を確認します。ステップ9は、署名当局の1つとそれの証明書を受け入れる誰かに対して、10月21日のセッションのレベル2+についてP1bを提供します。ブラインドシーズンでは、同じステップが、モデルをソルト付きコミットメント（要件1）としてシールする行で実行され、シーズン後にソルトが公開されるときにアイデンティティが確認されます。

表B1。クレームのはしご：各レベルの確認がサポートすること、そして何が開かれたままになっているか。

注：アンカーはレコードを認定します。プロバイダー（TLSNotary）とのTLSセッションの証明は、はしごを、名前のあるエンドポイントがシールされた回答を返したというクレームに拡張できます。プロトコルはそれの余地があり、回答行のフィールドとしてあります。スキルはセクション8の登録されたいくつかの比較によって解決されます。

ステップ10。独立したログでスタンプを確認してください。スタンプ付きの各リストは、オペレーターが実行しないSigstore Rekor透明ログにも入力されます。エントリはリストのSHA-256を保持します。

shasum -a 256 130025Z.txt
# 5c7d3a357f3cd8b9c27aa4c5d1e9e4750d522bd90b58ffe5193fc61356079d0f  130025Z.txt
curl -s "https://rekor.sigstore.dev/api/v1/log/entries?logIndex=3368351276"
# the base64 body holds spec.data.hash.value, the same SHA-256; integratedTime 1792626303 is 21 October 2026, 23:45:03 UTC

2026年10月20日のリストは2026年10月21日にログインデックス3,368,351,276で入力されました。2026年10月22日からは、各リストがスタンプ時に入力され、最初のインデックス3,368,763,032は00:00:16 UTCに統合され、スタンプから5秒後でした。

付録C. データ辞書

すべてのファイルはhttps://trends.polyhelper.ai/api/v1/の下にあり、CC BY 4.0の下で公開されています。帰属表示は「AI Council · Markets, trends.polyhelper.ai/markets/」です。そのアドレスのインデックスページには、すべてのファイルとその更新頻度が記載されており、arena-dataset.jsonは各ファイルの列を説明しています。表C1は予測が読み込むファイルを列挙しており、列名は2026年10月21日UTC 08:16に読み込まれたものです。大きなファイルを開くことができないリーダーAIは、markets-digest.json（30 KB未満）またはcouncil-forecasts-index.jsonの実行ごとのスライスから始めます。

表C1. メインファイル。

council-forecasts.csv（モデル、実行、市場、期間ごと1行）：run_id；session；seat；model、mode；line（封印ライン位置n）；sealed_at（UTC）；status（counted、not_counted、counted_50、no_answer、refused_shape）；asset、horizon；action、action_word；prob_up（0-100）；exp_pct；target、invalidation；ref、close、actual_pct；draw；source_domains、source_urls；why_missing；run_role（session_runまたはearlier_run）；seat_versions_in_run；line_kind（issue、回答ラインで封印されたセル、またはcorrection、後の訂正ラインで追加されたセル）；reference_at（行の参照ルールが価格を取得する時間；ビットコインの場合は封印秒、価格は封印時以降に開始する最初の1分間バーのクローズ）；same_event（行が独自の参照から採点された場合false）；cell_status（elicited、explicit_50またはinvalid）；attempt；event_id、event_reference_at、event_end_at（イベントコントラクト、セクション3.13）；methodology_version。sealed_atは回答時刻、その回答ラインのatです；その行が帳簿で封印された時刻はそのラインのatとbooked_atの最大値です（10月20日、回答は12:31Z～12:42Z、封印は13:00:25Z）。これはcouncil-stats.json（time_basis: book_sealed_at）と提出されたスクリプトの時間基準です。ビットコインの場合、reference_atは行自体のライン（10月21日のバッチは13:00:19Z、9番目の回答は13:23:37Z）の封印秒であり、reference_price_atはクローズが参照である1分間バーの開始です（13:01:00Zと13:24:00Z）。cell_statusがexplicit_50のセルは50の明示的な確率です；counted_50、no_answer、refused_shape、および空のprob_upは明示されておらず、述べられた確率のBrierスコアと合意に入ります。クラウド質問に対するモデルの回答、crowd_upはこのファイルに含まれていません；それは帳簿の回答ラインにあります。

書籍の行。すべての行はn、at、kind、prev、sealおよびlinkを備えています。予測を含む種類はrun（run_id、ask_sha256、snapshot_sha256、roster、methodologyおよびcrowdを追加し、crowd.atはPolymarketの契約、crowd.oddsはPolymarketの契約、crowd.kalshiはKalshiの契約であり、それぞれp_upとvolを含みます）、answer（seat、model、mode、items、yearsを追加し、後の実行ではown_sha256、ask_sha256、booked_atを追加します。クラウド質問に対するモデルの確率はitems.<asset>.1d.crowd_upです）、scoreおよびscore_h（その日と期間の結果、late_ref、noiseおよびofを含みます）、crowd（各契約を解決します：Polymarketの場合はrows.<code>、Kalshiの場合はrows.<code>@kalshi、結果はupです。2026年10月21日現在、実行2026-10-19-amでのみ利用可能です）、およびcorrection（ofで関連する行に名前を付けます）です。その他の種類はポートフォリオリーグとシャドウトラックを記録します。

固定気候学。council-calibration.jsonでは、climatology_fixedはasset、h、p_up、p_up_ex_draw、n、n_independent、windowおよびruleを含むtable[*]を保持し、さらにsha256とsha256_okも保持しています。そのシールはデータアドレス下のcouncil-clim-window.jsonのコンテンツハッシュであり、2810d11e907bbaa1f311d06622c929c69e60cc81e558fdb78f5baa04113cabb7であり、セクション4.3のように計算されます。主要なベンチマークは期間1dでp_upを読みます。このフィールドはライブファイルに2026年10月21日UTC 08:54に入ったため、UTC 08:16の表C1にはリストされていません。

ステータス値とイベント契約。counted_50はシートのサービススコアで50%で満たされたセルをマークします。これは陳述された確率ではなく、コンセンサスや合意カウントには入らず、その寄与確率の数はofです。late_refを持つ行は別のイベントの予測です（セクション3.3）。共通イベント上のモデルをプールする分析は、参照がセッションの共通参照と等しい行を選択します。

分析のリリース。各改訂版はZenodo（10.5281/zenodo.23552700）に保管された不変のリリースに基づいています：書籍、予測、統計、プロトコル、コードファイル、リカウントのファイル、公開された質問および各ファイルのマニフェスト付きの各タイムスタンプリスト（.ots証明、SHA-256、サイズ、取得時間、および記載されている場合は生成時間を含みます）。個別に取得されたファイルは識別されたバージョンのコレクションを形成し、リリースはアトミックスナップショットです。書籍は増加するだけであり、リリースの書籍は後の任意のダウンロードのプレフィックスです（セクション3.2）。

付録 D. 登録済み予測（完全表）

表 D1 は第 8 節の 30 個の副次予測を一目で示し、表 D2 はそれらの登録済みテキストを示しています。3 つのファミリーからの 3 つのモデルが、それぞれ独立してクリーンリストに盲目的に価格を付け、登録済み p は 3 つの中央値です。そのリスト、SHA-256 付きの Set B スクリプト、およびそのスクリプト付きのプライマリエンドポイントは、OSF 登録（10.17605/OSF.IO/9Q86N）に提出されています。

すべての行に適用されるルール。行が別のウィンドウを指定しない限り、予測はセッション 11（2026 年 11 月 2 日）からチェック日までのセッションで計算されます。カウントされた行（セッションごとに 1 回実行）を使用します。その行のブックシール時間（max（at、booked_at））がセッションの 09:30 ET リファレンスより前であり、同じカットが Bitcoin に適用されます。Bitcoin のリファレンスは、行のシール後の最初の 1 分間バーのクローズです。Brier スコアは 1 日で、すべての行にわたっており、引き分けを含みます。公開フィールドが以前のセッションもカバーしている場合、提出されたスクリプトはウィンドウにフィールドの定義を適用します。

フィールドは https://trends.polyhelper.ai/api/v1/ のオープンファイルのフィールドであり、2026 年 10 月 21 日に文書化されており、名前が変更されたフィールドはマッピングが記録されたドキュメント化された同等物に置き換えられます。行がオープンフィールドで値を必要とする場合、フィールドは公開予定であり、OSF スクリプトのレゾルバーは行のルールによって council-forecasts.csv および council-book.jsonl から値を計算します。「ランク付け」は、予測のウィンドウ内に適用される少なくとも 10 の取引日にわたる 30 の解決された予測を意味します（30/10 ルール、セクション 4.6）。ただし F8 はリーグのフラグを読みます。Crowd 行は、シールされた質問リストが日次契約をリストする市場セッションです（セクション 4.9）。契約はモデルが crowd_up で回答したもの、Polymarket がマーケットをリストしている場合は Polymarket 契約、それ以外の場合は Kalshi 契約です。どちらの場合も、シールボリュームは最低 1,000 ドル（入場料）です。区間は 95% で、セッションをクラスタとし、提出されたスクリプトでシード 20261102 を使用した 10,000 回のリサンプルのブートストラップです。

最小サンプルに到達せず、ファイルが見つからず、またはドキュメント化された同等物がないフィールドは、予測が解決されず、成功ではありません。予測は削除されません。p は、解決された場合、予測が真実になる登録済み確率です。3 つの盲目投票の中央値です。6 つの値（F5、F7、F20、F21、F23、F25）は 2026 年 10 月 20 日の投票です。他の 24 個とプライマリエンドポイントは 2026 年 10 月 21 日に投票されました。3 つの後の投票ラウンドで、各ラウンドで予測のテキストが書き直されました。最後のラウンド後に固定された文言は、行がどのように解決されるかを指定し、再価格化されませんでした。すべてのラウンドと投票は登録とともに提出されています。

表 D1。30 個の登録済み予測を一目で示します。

注：登録された予測ごとに1行。各予測の完全なテキスト、その測定値、ソース、解決ルールは表D2に記載されています。集合Aは1つまたは2つの公開されたフィールドで定義され、集合Bはファイルされたスクリプトで定義されます。pは、予測が解決される場合の予測が真になる登録確率です。表D2の注を参照して導出された3人の盲検投票の中央値です。スキルなしでの予測が真になる確率（P(true)）は、モデルがスキルを持たない場合です。空のセルは、その行がそのような値を示していないことを意味します。

表D2。 30の登録済み予測すべてを完全な形式で：ステートメント、測定値、ソース、集合、チェック日、ルールおよび確率。

注記：セットAは1つまたは2つの公開されたフィールドで定義されます。セットBはレジストレーションで提出されたスクリプトで定義され、そのスクリプトがオープンな生ファイルで実行されます。スクリプトが定義となります。すべての行のリゾルバーはresolve.py（ルールバージョンosf-rules-1）として提出され、セクション8.1の詳細があります。F15のモメンタムルールは、前セッションのインジケーターのリーグ結果の方向を55%で、すべての行で示します。2026年10月21日のファイルでは、F21、F29およびF30は未解決の状態で読まれ、各行が必要とするデータを名付けています。私が最初のシールされた実行が自分に見える状態になった後、F1からF5とF9のしきい値を設定し、それらのウィンドウはセッション11から始まります。

F14、F22およびF28は低電力行です：F14の標準誤差は100予測時点で約5ポイント、F22は20批評時点で約11ポイント、F28は1グループあたり200時点で約0.02ブリアーです。F15、F21およびF28は0.01のしきい値でポイント推定値を比較し、同等性検定ではありません。

スキルなしで予想される値：F11は、一片側2.5%で独立して誤る10個のランク付けされたモデルについて少なくとも約0.78、スコアが0.25を上回る場合はより高く、エラーが相関している場合（F3）さらに高くなります。F16は、同じ仮定の下で3つの地平線にわたって少なくとも約0.93です。F25は、11個のランク付けされたモデルについて約0.85、ランダムランキング下で10個について約0.82です。F10は結果のいずれかに開かれています：リーダーは以前のウィンドウで選択され、平均化は保持するメンバーの平均値を上回る勝利のみを保証します（セクション4.5）。F8はリーグに関する運用予報です。キャリブレーションバケットは半開で、バックされた側で[60,70)です。

チェック日：2026年11月30日（セッション30）、2026年12月31日（セッション52）、2027年4月30日（126セッションシーズン後、2027年4月20日ごろに終了予定）。ブラインドシーズンは2026年11月2日に始まります。その中で、回答行はモデル、そのバージョンとそのモードをソルトされたSHA-256コミットメント、H(salt || model || version || mode)としてシールします。これにより、要件1は名前を示さずに成立します。ソルトはシーズン後に公開され（セクション3.13）、F30はコミットメントが開かれた後、シールされた回答行でスコアが付けられます。スコアカードはこの論文の日付付きリビジョンとして公開され、OSFに登録されます。

確率なしでレジストレーションで宣言された二次分析。（1）不同意が役に立つか：最高対最低三分位数の座席の広がりの気候学に対するコンセンサスのペアの利得、市場を固定に、両側（セクション8）。（2）相関した声の割引が役に立つか：公開されたコンセンサスとセクション5.3のシャドウコンセンサスの間のペアの1日ブリアー差、セッション11から126、ムービングブロックブートストラップ（5のブロック、10,000リサンプル、シード20261102）および±0.01の同等性ゾーン。シャドウウエイトとそれらを計算するスクリプトはレジストレーションと共に提出されます。どちらもF行ではなく、どちらも30予測のブリアースコアに入っていません。

付録E. 先行研究との機能比較（2026年10月21日時点）

表E1は、参考実装の機能を最も近い取り組みと比較します。表9の注記に記載されているとおり読んでください。Yesは機能が文書化されていることを意味します。Partlyは、セルに記載されているように、より弱い形式または異なる形式です。Noは、文書化された不在または機能を除外する設計です。NDは、2026年10月21日の時点で公に文書化されていません（表9）。リーグの列は、2026年10月21日の時点で3つの独自のステータスを使用します。Implementedは、公開ファイルに見える状態を意味します。Specifiedは、標準または公開方法論に記載されており、その日付のファイルから不在です。Operator-recordedは実行中で、サードパーティがオペレータに依存して確認するレコードがあります。セルは機能の2つの部分に対して2つのステータスを与える場合があります。

表E1。 AI Council · Marketsの機能と、2026年10月21日時点の公開資料からの最も近い先行研究との比較。

注：Foresight ArenaおよびPrediction Arena列の§番号は、これらの論文のセクションを参照します。行5、10、13～15、19および25は、リーグが以前の仕事と共有する機能です。セクション7.4の主張の背後にある行：主張1：行4および6～9（19および20年10月の場合レベル1、21年10月以降レベル2+）。主張2：行16。主張3：行6～12、16および26、セクション3.13のステータス列で読む。主張4：行20。主張5：行2。主張6：行22。

@misc{chernets2026sealedbeforetheopen,
  author       = {Chernets, Vadym},
  title        = {{Sealed Before the Open: A Verifiable Standard for Measuring AI Forecasts of Financial Markets}},
  year         = {2026},
  howpublished = {SSRN},
  doi          = {10.2139/ssrn.7653679},
  url          = {https://doi.org/10.2139/ssrn.7653679}
}