Comment fonctionnent les prediction markets ? Un guide technique complet

Une définition des marchés prédictifs

Un marché prédictif est un instrument financier permettant de prendre des positions sur l’issue d’événements futurs incertains. Les participants achètent, vendent ou échangent des contrats dont le paiement final dépend de la réalisation (ou non) d’un évènement donné de notre quotidien.

Le prix de ces contrats peut être interprété comme une probabilité implicite de réalisation de l’évènement : il reflète la conviction agrégée des participants à un instant donné. Contrairement aux sondages ou aux prévisions traditionnels, les marchés prédictif reposent sur un engagement financier, ce qui incite les participants à exprimer leurs opinions de la manière la plus rigoureuse possible.

Les opinions mal calibrées entraînent une perte de capital, tandis que que les prévisions plus justes sont récompensées. C’est l’essence du modèle des marchés prédictifs : monétiser les convictions de chacun sur des événements réels et récompenser les meilleurs. Ce mécanisme permet de faire émerger des probabilités qui se révèlent, dans de nombreux cas, plus fiables que les méthodes classiques.

Les marchés prédictifs existent depuis plusieurs décennies sous différentes formes, notamment dans des contextes académiques ou institutionnels. L’émergence des infrastructures blockchain a marqué un tournant, en permettant d’automatiser le règlement des contrats, de rendre les règles de marché transparentes et de réduire la dépendance à des intermédiaires centralisés.

L’évènement clé a été les élections présidentielles américaines de 2024, où Polymarket s’est réellement fait connaître du grand public en affichant des probabilités souvent plus précises que la majorité des instituts de sondage traditionnels.

Derrière cette simplicité apparente, il existe en réalité une grande diversité de choix techniques dans la conception d’un marché prédictif : la manière dont les prix sont formés (AMM, carnets d’ordres ou modèles hybrides), les mécanismes de résolution des marchés, les sources de données utilisées pour déterminer les issues, les systèmes pour gérer les débats ou les litiges, les types de marchés supportés ou encore le degré d’ouverture de la création de marchés.

Ces critères techniques sont fondamentaux pour comprendre le fonctionnement des marchés prédictifs, les différences entre les acteurs qui existent aujourd’hui, et l’évolution du secteur. C’est ce que nous allons détailler dans les prochaines sections.

50 € de BTC offerts sur Bybit

Inscrivez-vous et déposez au moins 100 € dans les 4 jours pour recevoir le cadeau.

---

Architecture des plateformes de prediction markets

L’architecture d’une plateforme de marchés prédictifs détermine la manière dont les marchés sont créés, comment les ordres sont exécutés, comment les données externes sont intégrées et comment les paiements sont réglés. Ces choix techniques ont un impact direct sur la transparence et la performance du système, mais également son exposition dans un cadre réglementaire.

On distingue aujourd’hui trois grandes catégories d’architectures : fully on-chain, fully off-chain et hybrides. Chacune repose sur des compromis différents entre décentralisation, réglementation, efficacité opérationnelle et expérience utilisateur.

Devenir Premium

Débloquez l'ensemble de nos analyses et obtenez l'info utile, au bon moment.

Architectures fully on-chain

Les plateformes fully on-chain exécutent l’ensemble de leurs opérations directement sur une blockchain publique : création des marchés, dépôt du collatéral, formation des prix, détermination de l’issue du marché et paiement final.

Les règles du marché sont codées dans des smart contracts, ce qui garantit une transparence totale et une vérifiabilité complète des opérations. Les utilisateurs interagissent directement avec le protocole via un wallet, sans intermédiaire.

Ce modèle est historiquement celui des premiers marchés prédictifs décentralisés, comme Augur ou les protocoles construits autour du Conditional Token Framework de Gnosis. On le retrouve aujourd’hui sur certaines plateformes comme Opinion, Limitless ou Probable.

• Avantages : exécution transparente et sans intermédiaire, résistance à la censure, flexibilité et potentielle composabilité avec la DeFi.
• Limites : Coûts de transaction élevés, dépendances aux performances de la blockchain, sources de données encore limitées, vulnérabilités dans les smart contracts et incertitude réglementaire.

Architectures fully off-chain

À l’opposé, les plateformes fully off-chain reposent sur des infrastructures centralisées classiques. La création des marchés, l’appariement des ordres, la gestion des comptes utilisateurs et la résolution des événements sont effectués sur des serveurs privés, avec des bases de données internes.

Les utilisateurs ne détiennent pas directement les actifs utilisés pour parier et doivent faire confiance à l’opérateur pour le règlement et la bonne exécution des contrats. Ce modèle est similaire à celui des plateformes de paris traditionnelles ou des exchanges centralisés.

Des plateformes régulées comme Kalshi, Novig, ForecastEx ou Crypto.com Prediction Markets adoptent cette architecture afin de répondre aux exigences légales de leur juridiction et de garantir une exécution plus rapide et fiable.

• Avantages : Excellente performance et faible latence, expérience utilisateur proche des standards Web2, intégration facilitée dans les cadres réglementaires des juridictions.
• Limites : Manque de transparence, dépendance à un tiers de confiance pour le stockage des fonds et la résolution des marchés, moins de flexibilité sur les marchés disponibles.

Architectures hybrides

Les architectures hybrides cherchent à combiner les avantages des deux approches précédentes. Elles reposent généralement sur une séparation claire entre les composants critiques nécessitant de la confiance minimale (gestion du collatéral, règlement, création des contrats) et ceux nécessitant de la performance (matching des ordres, interface utilisateur, agrégation de données).

Dans ce modèle, les ordres peuvent être appariés off-chain pour des raisons de rapidité, tandis que le règlement final et la création des positions sont effectués on-chain. Cela permet de conserver des garanties cryptographiques sur les fonds, tout en offrant une expérience fluide et scalable.

C’est l’architecture adoptée par des plateformes comme Polymarket, où le matching des ordres des utilisateurs est optimisé off-chain pour la majorité des marchés, tout comme le trading qui peut s’effectuer via des signed orders off-chain (EIP-712) mais où la détermination de l’issue, le settlement et le paiement sont opérés sur la blockchain via des smart contracts.

• Avantages : Bon compromis entre performance et transparence, réduction des coûts on-chain, meilleure expérience utilisateur.
• Limites : Points de centralisation, complexité technique plus importante, vulnérabilités dans les smart contracts et une ambiguité réglementaire.

Choix d’architecture et compromis fondamentaux

Le choix d’une architecture n’est jamais neutre. Il conditionne :

• la capacité de la plateforme à scaler,
• la confiance que les utilisateurs peuvent accorder au système,
• la facilité d’intégration réglementaire,
• et la nature des marchés pouvant être proposés.

Aucune architecture n’est universellement supérieure. Les plateformes fully on-chain maximisent la souveraineté et la transparence, les modèles off-chain optimisent l’efficacité et la conformité, tandis que les architectures hybrides tentent d’équilibrer ces deux extrêmes.

Ces choix d’architecture de marchés prédictifs impactent directement les problématiques de liquidités et de gestion du risque pour les utilisateurs, que nous aborderons dans les prochaines sections.

---

Les types de contrats prédictifs

Une autre particularité des marchés prédictifs réside dans la variété des contrats qu’ils proposent. Chaque type de contrat correspond à une manière différente de formuler une opinion en fonction d’un évènement, d’agréger l’information et de structurer le paiement final. Le choix du format a un impact direct sur la liquidité, la précision des probabilités et la complexité technique du marché.

On distingue généralement plusieurs grandes catégories de contrats prédictifs, chacune étant adaptée à des cas d’usage spécifiques.

Options binaires

L’option binaire est la forme la plus simple et la plus répandue de contrat prédictif. Le contrat paie une valeur fixe (généralement 1 unité) si l’événement se réalise, et 0 sinon. Il se résout donc de manière discrète, à 0 % ou 100 %.

Par exemple : « Miami Heat gagnera-t-il les NBA Finals 2025 ? » (YES / NO).
Si une part YES s’échange à 0,18 dollar, le marché attribue une probabilité implicite de 18 % à cet événement.

Ce format est particulièrement efficace pour des événements clairement définis, vérifiables et binaires (élections, résultats sportifs, décisions réglementaires). Sa simplicité le rend accessible à un large public et favorise l’adoption, mais il fournit une information limitée à une seule question fermée.

Marchés multinomiaux ou catégoriels

Les marchés multinomiaux étendent le principe binaire à plusieurs issues mutuellement exclusives. Chaque résultat possible possède son propre contrat, et la somme des probabilités implicites de toutes les issues doit être égale à 1.

Par exemple : « Quel parfum de glace se vendra le plus en 2025 ? (Chocolat / Vanille / Fraise / Autre) ».
Chaque parfum a son propre marché YES/NO avec un prix correspondant.

La liquidité est répartie entre plusieurs issues, ce qui complexifie la formation des prix. Pour maintenir la cohérence des probabilités, ces marchés s’appuient généralement sur des mécanismes de pricing spécifiques, souvent dérivés du modèle LMSR (Logarithmic Market Scoring Rule).

Ce type de contrat permet de capturer une information plus riche qu’un simple oui/non, mais il fragmente la liquidité et augmente la complexité technique du marché, puisqu’il faut coordonner en continue les prix des différentes issues pour ne pas créer d’incohérence mathématique.

Marchés scalaires (ou à plage continue)

Les marchés scalaires permettent de découper une valeur numérique continue en plusieurs intervalles, permettant de prédire le résultat d’un événement via des fourchettes (prix, scores, dates, quantités, etc.). Le paiement final dépend de la proximité entre la valeur prédite et le résultat réel.

Par exemple : « La plus haute température à Londres le 15 janvier 2026 ? (9-10°C / 10-11°C / 11-12°C / 12°C or higher) ».
Un participant qui anticipe une température élevée pourra acheter des parts de YES des contrats (11-12°C) et (12°C or higher).

Les marchés scalaires sont particulièrement utiles pour des données macroéconomiques, financières ou démographiques. Ils permettent d’extraire une estimation moyenne, mais aussi une distribution implicite des anticipations du marché. En contrepartie, ils exigent des règles de résolution très précises et des sources de données fiables.

Marchés continus

Contrairement aux marchés à échéance fixe, les marchés continus ne se résolvent pas à une date donnée. Ils suivent une variable en continu dans le temps, permettant aux participants d’entrer et de sortir de leurs positions à n’importe quel prix et à n’importe quel horizon de temps, ce qui donne une distribution de probabilités assez précise.

Ce format se rapproche conceptuellement des marchés perpétuels en cryptomonnaies, à la différence notable que les marchés prédictifs continus n’intègrent généralement pas d’effet de levier. Cette absence de levier limite le risque systémique, mais réduit également l’efficacité du capital.

Un exemple notable est celui des Continuous Information Perps, dont Vibesdotfun est l’un des principaux représentants, qui permettent aux traders de se positionner dynamiquement en fonction de leur avantage informationnel, sans attendre une date de résolution prédéfinie.

Marchés conditionnels et combinatoires

Les marchés conditionnels introduisent des relations du type si / alors. Le paiement du contrat dépend à la fois de la réalisation d’un événement principal et de celle d’un événement secondaire.

Par exemple : « Si la loi P est adoptée, alors Y se produira-t-il ? ».

Les marchés combinatoires permettent de modéliser des scénarios complexes en combinant plusieurs conditions dans un même contrat. En revanche, cela pose des défis majeurs en termes de liquidité, de pricing et de résolution.

Sur Kalshi, environ 80 % du volume hebdomadaire provient du sport. La plateforme a récemment proposé un nouveau format de contrat inspiré des parlays dans les paris sportifs, où plusieurs conditions sont combinées dans un même ticket, ce qui revient à de véritables marchés combinatoires.

---

Modèles de création de marchés prédictifs

Le système de création de marchés sur une plateforme définit qui est autorisé à lancer de nouveaux marchés prédictifs, selon quelles règles, et avec quels mécanismes de contrôle. Ce choix dépend en grande partie de l’architecture sous-jacente et du cadre réglementaire dans lequel la plateforme évolue.

Il s’agit d’un paramètre souvent sous-estimé et qui a pourtant un impact déterminant sur la diversité et la qualité des marchés disponibles, le risque de mauvaise définition des règles et donc de spam par des bots, ainsi que la précision du mode de résolution des évènements.

On distingue généralement trois grandes approches : les modèles permissionnés, permissionless, et hybrides.

Modèles permissionnés

Dans un modèle permissionné, la création de nouveaux marchés est contrôlée par l’opérateur de la plateforme. Une équipe centralisée décide quels événements peuvent être listés, définit précisément les termes des contrats et valide les sources utilisées pour la résolution.

Ce modèle est principalement adopté par les plateformes opérant dans un cadre réglementaire strict. Kalshi en est l’exemple le plus emblématique : chaque marché doit respecter les exigences de la CFTC pour éviter les risques d’insider trading notamment, ce qui impose une sélection rigoureuse des événements proposés et une définition juridique claire des contrats.

• Avantages : meilleure qualité des marchés listés, définitions plus précises des règles, réduction du risque de litige et meilleure conformité réglementaire.
• Limites : faible diversité des marchés, innovation plus lente, dépendance totale à l’opérateur pour l’introduction de nouveaux événements, règles potentiellement trop strictes pour l’utilisateur.

Modèles permissionless

À l’inverse, les modèles permissionless permettent à n’importe quel utilisateur de créer un marché, sans autorisation préalable, à condition de respecter certaines contraintes techniques (collatéral minimum, règles de format, dépôt de garantie, etc.).

Ce modèle est privilégié par les plateformes décentralisées, car il favorise l’expérimentation et l’émergence de marchés de niche et l’arrivée de nouveaux utilisateurs. Les principaux représentants de cette catégorie sont Opinion, XO Market, Manifold ou encore MyriadMarkets.

Cependant, l’ouverture totale pose des problèmes spécifiques : marchés mal formulés, événements ambigus, spam, ou tentatives de manipulation. Pour y remédier, ces plateformes intègrent souvent des mécanismes d’accompagnement à la création et de curation, comme le staking, le vote communautaire ou des systèmes de bonding curves appliqués à la création de marchés.

• Avantages : forte diversité de marchés, innovation rapide, alignement avec les principes de décentralisation.
• Limites : risque de marchés mal définis, nécessité de mécanismes de gouvernance plus complexes, exposition plus élevée aux litiges.

Modèles hybrides

Les modèles hybrides se positionnent logiquement au milieu des deux précédents systèmes. Les utilisateurs peuvent proposer de nouveaux marchés, mais ceux-ci doivent être validés par une gouvernance ou un comité avant d’être rendus accessibles à l’ensemble de la plateforme.

Cette approche permet d’élargir le spectre des marchés disponibles tout en maintenant un certain niveau de qualité et de cohérence dans les définitions. Elle est de plus en plus utilisée par des plateformes qui souhaitent préserver une expérience utilisateur stable sans sacrifier l’innovation.

C’est notamment le cas de Polymarket, qui ne permet pas aux utilisateurs de créer directement un nouveau marché sur son interface, mais qui les encouragent à déposer des idées dans le channel #market-suggestion sur le serveur Discord.

• Avantages : bon équilibre entre diversité et qualité, réduction du spam, meilleure lisibilité pour les utilisateurs.
• Limites : processus de validation plus lent, gouvernance parfois difficile à coordonner.

---

La gestion des prix sur les marchés prédictifs

La formation des prix est le cœur du moteur d’un marché prédictif. Elle détermine comment es participants exploitent le marché pour retranscrire leur opinion, comment les opinions individuelles sont agrégées en une probabilité implicite exploitable et comment le marché réagit à l’arrivée de nouvelles informations.

Contrairement aux marchés financiers classiques, les marchés prédictifs doivent composer avec des actifs particuliers : des évènements difficilement prévisibles, avec une date de résolution fixe et une nécessité de conserver un équilibre constant dans les probabilité des différentes issues.

Cela impose des mécanismes de pricing spécifiques, qui doivent être conçus pour fonctionner même avec une liquidité limitée. On distingue principalement trois grandes familles de mécanismes : les Automated Market Makers (AMM), les carnets d’ordres (CLOB), et les modèles hybrides.

Automated Market Makers (AMM)

Les AMM sont des mécanismes particulièrement utilisés en finance on-chain et particulièrement par les exchanges décentralisés. Ils permettent de former des prix de manière continue sans nécessiter de contrepartie directe entre acheteurs et vendeurs. Le prix est déterminé par une fonction mathématique qui évolue en fonction des positions prises par les participants.

Concrètement, les AMM fonctionnent en permettant aux fournisseurs de liquidité de déposer du capital dans des pools dont l’équilibre suit une courbe de pricing, avec un algorithme basé sur des formules mathématiques qui permet un trading continu, même lorsqu’il y a peu de participants ou qu’il n’y a pas besoin de faire correspondre précisément des ordres d’achat et de vente.

Ce modèle est particulièrement adapté aux marchés prédictifs en phase de lancement, où la liquidité est insuffisante pour soutenir un carnet d’ordres efficace. Polymarket avait d’ailleurs adopté un modèle d’AMM à ses débuts, mais cela s’est révélé inefficace lorsque la plateforme a commencé à croître. Elle a ensuite migré vers un carnet d’ordres (dont nous parlerons ensuite), ce qui a permis d’obtenir des prix plus précis et une profondeur de marché plus importante.

Après le lancement d’Uniswap V3 et l’introduction de la liquidité concentrée, plusieurs équipes spécialisées dans les marchés prédictifs ont commencé à explorer ce que pourrait donner le trading d’événements sous ce format. Voici les différentes variantes de modèles AMM qui sont utilisées dans certains marchés prédictifs aujourd’hui.

• LMSR (Logarithmic Market Scoring Rule)

Le LMSR, introduit par Robin Hanson, est l’un des modèles les plus utilisés historiquement dans les marchés prédictifs. Il repose sur une fonction de coût convexe garantissant un évolution continue des prix et une perte maximale bornée pour le market maker.

À mesure que les traders achètent des parts d’un résultat donné, son prix augmente progressivement vers 1, tandis que les autres issues voient leur prix diminuer. Le paramètre clé est le facteur de liquidité, qui contrôle la profondeur du marché et la sensibilité des prix aux ordres.

• CPMM / FPMM (Constant Product Market Makers)

Le FFPM est inspiré des AMM de Uniswap V2, avec des modèles qui utilisent une relation de produit constant entre les réserves des différents résultats (par exemple YES × NO = k). Lorsque les traders achètent des parts “YES”, le pool se rééquilibre et le prix augmente. La liquidité est réelle et déposée, ce qui signifie que le paiement final dépend des réserves disponibles dans le pool.

Ils sont plus simples à implémenter et plus intuitifs, mais exposent fortement les fournisseurs de liquidité à un risque non négligeable : à mesure que l’événement approche de sa résolution, la courbe devient de plus en plus déséquilibrée, ce qui accentue les pertes potentielles à l’issue du marché.

• vAMM (Virtual AMM)

Les vAMM sont essentiellement des AMM sans véritable pool de liquidité, qui dissocient la formation des prix du dépôt réel de liquidité. Le pricing est simulé via une courbe virtuelle, tandis que le collatéral et le règlement sont gérés séparément.

Ce modèle réduit les besoins en capital initial, mais introduit un risque supplémentaire : si les paramètres sont mal calibrés, le système peut devenir instable ou produire des prix peu représentatifs.

Carnets d’ordres (CLOB)

La majorité des marchés prédictifs utilisent aujourd’hui un carnet d’ordres. Les acheteurs et vendeurs placent des ordres limit (ordres d’achat ou de vente à un prix précis) ou des ordres market (ordres exécutés immédiatement au meilleur prix disponible). La plateforme fait ensuite correspondre ces ordres entre eux.

Les carnets d’ordres sont généralement la meilleure option pour les marchés très liquides et avec des capitalisations importantes. Ils permettent d’obtenir les spreads les plus serrés et offrent une grande flexibilité aux traders. Et pour cause, ce sont les carnets d’ordres qui sont les plus utilisés pour faire fonctionner les marchés perpétuels.

Dans les marchés prédictifs, pour un évènement donné, chaque contrat (YES ou NO) dispose de son propre carnet, et les prix reflètent directement l’équilibre entre l’offre et la demande. L’enjeu supplémentaire est de conserver une logique continue de “YES + NO =1” entre les deux contrats, peu importe l’évolution de leurs carnets respectifs.

En résumé, les carnets d’ordres sont aujourd’hui privilégiés par les plateformes ayant atteint une masse critique d’utilisateurs et de volume, car ils produisent des probabilités plus stables et plus réactives à l’information.

Modèles hybrides

Un modèle de liquidité hybride combine plusieurs mécanismes de trading afin d’équilibrer l’évolution du prix et le settlement final des ordres. Au lieu de s’appuyer uniquement sur un AMM ou uniquement sur un carnet d’ordres, certaines plateformes utilisent les deux.

Par exemple, sur Polymarket, la correspondance des ordres est effectuée off-chain, puis le settlement se fait on-chain. Le modèle de liquidité de Kalshi, bien qu’il repose sur un carnet d’ordres, est également soutenu par une équipe interne de trading et par des market makers professionnels externes.

Certaines plateformes de paris sportifs utilisent également un modèle où les utilisateurs parient contre la plateforme elle-même. Dans ce cas, la liquidité est fournie directement par le “house”, ce qui signifie que la plateforme assure elle-même la contrepartie de tous les paris. Ce modèle fonctionne uniquement lorsqu’on est sur des marchés où, de manière statistique, l’utilisateur est majoritairement perdant.

---

Systèmes de résolution des marchés prédictifs

Le système de résolution est l’un des éléments les plus techniques d’un marché prédictif. Il définit comment l’issue d’un marché est vérifiée, validée et utilisée pour régler les positions des participants. C’est un composant crucial : même un marché très liquide et correctement géré perd toute crédibilité auprès des participants si sa résolution est lente ou contestable.

Dans la pratique, la source de résolution est toujours explicitement définie au moment de la création du marché et affichée dans sa description. Elle précise qui fait foi, quelles données sont utilisées et selon quelles règles l’événement est considéré comme résolu.

Il n’existe pas de modèle universel : les plateformes combinent généralement plusieurs approches selon le type d’événement, son degré d’objectivité et les contraintes réglementaires. On distingue néanmoins quatre grandes catégories de systèmes de résolution.

Résolution centralisée

Dans un modèle de résolution centralisée, l’issue du marché est déterminée par une entité unique ou un ensemble restreint de sources officielles. Il peut s’agir d’une agence gouvernementale, d’un organisme régulé, d’un fournisseur de données ou d’une grande agence de presse.

Ce modèle est largement utilisé pour les événements du quotidien (résultats sportifs, données économiques, décisions politiques), car il repose sur des sources faisant autorité et facilement vérifiables. L’intervention humaine est souvent minimale dans ce genre de marché.

Les plateformes régulées comme Kalshi s’appuient exclusivement sur ce type de résolution afin de répondre aux exigences de la CFTC, même si d’autres acteurs non régulés l’utilisent également (Limitless, par exemple). Les règles sont strictes, les sources sont clairement identifiées, et la responsabilité juridique est assumée par l’opérateur.

Résolution par oracle

La résolution par oracle consiste à utiliser un flux de données externe transmis automatiquement à la blockchain afin de déclencher le règlement des contrats. L’oracle agit comme un pont entre le monde off-chain (données réelles) et les smart contracts. Ce modèle est particulièrement adapté aux événements basés sur des données quantifiables et standardisées, comme les prix d’actifs, les taux, ou certaines métriques économiques.

Des oracles décentralisés comme Chainlink ou Pyth sont les plus utilisés sur les marchés liés aux prix d’un actif, notamment en cryptos, car ils garantissent une grande précision qui favorise une meilleure résolution. Dans d’autres cas, les plateformes s’appuient sur des oracles optimistes. C’est notamment le cas de Polymarket, qui utilise l’oracle optimiste d’UMA. Un asserteur propose une résolution et dépose un collatéral, si personne ne conteste dans un délai donné, l’issue est considérée comme valide.

Résolution communautaire ou humaine

Dans les systèmes de résolution communautaire, l’issue du marché est déterminée par des acteurs humains : détenteurs d’un token de gouvernance, arbitres désignés ou créateurs du marché eux-mêmes. Ce modèle est surtout utilisé lorsque l’événement est difficile à formaliser strictement ou lorsqu’il nécessite une appréciation contextuelle (résultats subjectifs, événements ambigus, interprétation d’un texte).

Les marchés historiques d’Augur reposaient sur ce principe : les détenteurs du token REP votaient sur l’issue du marché en participant au staking, avec la possibilité de déclencher un fork en cas de désaccord majeur. Sur Manifold Markets, ce sont souvent les créateurs de marchés qui valident la résolution.

Résolution hybride

Les modèles hybrides combinent plusieurs des approches précédentes afin d’équilibrer automatisation et sécurité. En pratique, un oracle ou une source centralisée fournit une résolution initiale, qui peut ensuite être contestée via un mécanisme communautaire ou économique.

Ce modèle est de plus en plus répandu, car il permet de traiter efficacement la majorité des cas simples tout en conservant un filet de sécurité pour les situations litigieuses. Il s’agit aujourd’hui du meilleur modèle pour assurer une résolution rapide et en même temps, conserver un degré de flexibilité.

---

Liquidité et contraintes économiques des marchés prédictifs

La liquidité est l’un des enjeux les plus importants et complexes à gérer pour les marchés prédictifs. Comme pour n’importe quel marché financier, il est indispensable d’avoir suffisamment de liquidités pour offrir une bonne expérience utilisateur et attirer ainsi un plus grand nombre de traders.

Lorsque la liquidité n’est pas suffisante, l’adoption des marchés prédictifs est mécaniquement limitée, surtout face aux marchés perpétuels qui offrent de la liquidité profonde et un effet de levier illimité.

Néanmoins, à la différence des marchés financiers classiques, les marchés prédictifs dépendent d’évènements uniques, avec une date d’expiration et une issue binaire. Cette spécificité pose un problème majeur : l’activité de market making (à savoir apporter la liquidité sur les marchés) est particulièrement risquée et difficilement rentable dans le temps.

Pourquoi le market making est difficile

Dans un marché prédictif, chaque contrat converge mécaniquement vers une valeur finale de 0 ou 1 à l’approche de la résolution. Contrairement aux marchés spot ou perpétuels, il n’existe pas de mécanisme naturel permettant de se hedge (i.e, de se couvrir) efficacement contre le risque d’avoir une partie de sa position qui tombe à zéro.

Autrement dit, un market maker ne peut pas neutraliser son exposition via un autre instrument parfaitement corrélé, car l’événement sous-jacent est unique. Pour rappel, sur les marchés perpétuels, les market makers ont la possibilité de couvrir leurs positions avec le marché spot, et inversement.

Cela signifie que fournir de la liquidité sur un marché prédictif revient à accepter un risque directionnel latent, qui se matérialise par un gain ou une perte impossible à couvrir au moment de la résolution. Par définition, le rôle de market maker est de n’accepter quasiment aucun risque directionnel, encore moins avec une espérance de gain aussi faible sur le long terme.

Expiration et endgame risk

À mesure que l’événement approche de son dénouement, le marché entre dans ce que l’on appelle la phase d’endgame. L’information devient plus asymétrique, les traders prennent des positions de plus en plus agressives, et les prix convergent rapidement vers leur valeur finale.

Pour les fournisseurs de liquidité, cette phase est particulièrement dangereuse. Dans un AMM, la courbe de pricing devient extrêmement déséquilibrée, ce qui conduit le pool à accumuler presque exclusivement le mauvais côté du marché. À la résolution, cette exposition se traduit par une perte nette souvent supérieure aux frais collectés sur toute la durée de vie du marché.

Même dans un carnet d’ordres, les market makers sont contraints d’élargir fortement leurs spreads ou de retirer leur liquidité pour éviter d’être systématiquement “picked off” par des traders mieux informés ou simplement un marché qui se résolut dans le mauvais sens.

Impossibilité de hedging

Dans les marchés financiers traditionnels, le risque d’inventaire peut être géré via des instruments dérivés, des marchés corrélés ou des stratégies de couverture dynamique. Dans les marchés prédictifs, cette option est largement inexistante.

Un market maker exposé sur un événement politique, réglementaire ou sportif ne dispose pas d’un actif équivalent pour compenser son risque. L’exposition est binaire, non fractionnable et non transférable.

Cette impossibilité de hedging explique pourquoi de nombreux modèles de liquidité purement algorithmiques (sur certains marchés prédictifs) ont échoué à long terme, ou ont nécessité des subventions importantes pour rester attractifs.

Incitations économiques et subventions

Dans un premier lieu, pour répondre à ces contraintes, les projets ont développé des approches différentes. Par exemple, Gnosis a créé le Conditional Token Framework (CTF) dont nous avons parlé plus haut, qui est un système avancé qui permet de créer, gérer et régler des paris sur des événements futurs. Le modèle ressemble à l’approche historique utilisée par Augur, arrêtée en 2020.

Il repose sur des tokens d’événements divisés en deux résultats, YES et NO. Les traders peuvent créer (mint) les deux côtés d’un contrat et vendre l’un des deux pour s’exposer à l’autre. Comme ces tokens sont émis sous forme d’ERC-20, ils peuvent être transférés librement et utilisés sur d’autres applications, ce qui améliore la composabilité et la liquidité globale.

De son côté, Polymarket avait initialement adopté un modèle basé sur un AMM avec des fournisseurs de liquidités, mais celui-ci a rapidement été abandonné au profit d’un carnet d’ordres en raison des problèmes évoqués plus haut. Néanmoins, le carnet d’ordre ne résout pas le problème de hedging des markets makers.

Ainsi, pour compenser ces contraintes et attirer tout de même des market makers, de nombreuses plateformes ont recours à des incitations artificielles : subventions de liquidité, programmes de rewards, ou accords avec des desks professionnels.

Ces mécanismes permettent de lancer des marchés viables à court terme, mais posent la question de leur soutenabilité à long terme : une liquidité qui disparaît dès la fin des incentives ne permet pas d’avoir une expérience utilisateur correcte. Néanmoins, sur les marchés les plus populaires, il s’agit pour le moment de la solution la plus avancée.

La liquidité n’est pas seulement une question d’expérience utilisateur ou de volumes affichés. Elle conditionne directement la qualité de l’information produite par le marché. Un marché peu liquide est plus facile à manipuler, plus sensible aux ordres isolés et moins représentatif du consensus réel. À l’inverse, une liquidité profonde permet aux prix de s’ajuster rapidement à l’arrivée de nouvelles informations et de refléter une probabilité plus stable et plus exploitable.

C’est précisément cette relation entre liquidité, information et incitations économiques qui explique pourquoi la majorité des marchés prédictifs échouent à produire des données fiables à grande échelle. Ces contraintes ouvrent naturellement la voie à une autre problématique clé des marchés prédictifs : les risques systémiques propres à ces mécanismes, que nous allons analyser dans la section suivante.

---

Risques systémiques propres aux marchés prédictifs

Au-delà des contraintes de liquidité, les marchés prédictifs présentent une série de risques systémiques qui leur sont propres. Ces risques ne sont pas accidentels : ils émergent directement de la structure des marchés, de la nature des événements traités et des mécanismes de résolution utilisés.

Insider trading et adverse selection

Le moteur des marchés prédictifs repose sur l’agrégation d’informations distribuées. Mais cette force devient aussi une faiblesse lorsque l’information est fortement asymétrique. Les traders disposant d’un avantage informationnel réel (insider trading) peuvent l’utiliser pour profiter des acteurs moins informés ou des market makers. Ce phénomène, aussi appelé adverse selection, est structurellement amplifié dans les marchés prédictifs.

Lorsqu’un événement approche de sa résolution, l’information devient de plus en plus évidente pour certains acteurs qui se positionne dans ce sens, tandis que les mécanismes de pricing continuent d’offrir de la liquidité aux mêmes conditions pour tous les autres. Les market makers se retrouvent alors systématiquement du mauvais côté du trade.

À long terme, cette dynamique freine les fournisseurs de liquidité, ce qui dégrade la profondeur du marché et renforce encore plus l’asymétrie d’information.

Manipulation sur les marchés peu liquides

Les marchés prédictifs peu liquides sont particulièrement vulnérables à la manipulation de prix. Un acteur disposant d’un capital modéré peut déplacer significativement la probabilité affichée sans pour autant détenir une information supérieure.

Cette manipulation peut être motivée par plusieurs objectifs :

• influencer l’opinion publique ou médiatique,
• créer un faux signal de marché,
• attirer d’autres participants avant de prendre la position inverse,
• ou exploiter des systèmes de résolution ou de rewards mal calibrés.

Même si la plupart des manipulations sont rapidement corrigées dans les marchés profonds, elles peuvent avoir un impact disproportionné dans des marchés de niche ou à faible participation, en particulier lorsque les probabilités sont reprises par des dashboards externes ou des médias.

Exploitation d’inefficiences par les bots

Les marchés prédictifs sont particulièrement sensibles à l’exploitation d’inefficiences par des bots. Contrairement aux marchés perpétuels on-chain, ils ne bénéficient pas en permanence de market makers professionnels dont le rôle est d’éliminer toute opportunité d’arbitrage exploitable.

Les marchés prédictifs fonctionnent différemment. Le prix d’un contrat ne dépend pas uniquement de l’offre et de la demande interne, mais de l’évolution d’un événement externe dont l’information arrive avec un certain délai. Cette information est ensuite intégrée au marché via des oracles, des sources de données officielles ou des mécanismes de mise à jour indirects.

Ce décalage temporel crée une surface d’attaque évidente pour des bots à faible latence. Dans les marchés basés sur des données externes en temps réel (prix du BTC sur une fenêtre courte, score sportif, conditions météorologiques, résultats intermédiaires), certains bots parviennent à capter l’information à la source avant qu’elle ne soit reflétée dans le marché prédictif.

Le bot peut alors prendre position sur le marché prédictif avant que la probabilité implicite ne s’ajuste, capturant une valeur quasi sans risque. Il ne s’agit pas d’un meilleur modèle de prévision, mais d’un avantage purement temporel. À cette asymétrie d’information s’ajoute une seconde couche d’inefficiences, propre aux carnets d’ordres des marchés prédictifs eux-mêmes.

Sur certains marchés, notamment binaires et très courts (par exemple : “le BTC sera-t-il au-dessus de X dans 15 minutes ?”), la volatilité de l’événement pousse de nombreux utilisateurs à réagir de manière émotionnelle, ce qui a tendance à déséquilibrer temporairement le carnet d’ordres.

Il arrive alors que, sur une courte fenêtre de temps, la somme des prix des contrats YES et NO ne soit plus égale à 1, mais inférieure. Dans ce cas précis, un bot peut acheter simultanément les deux côtés du marché et verrouiller un profit certain, indépendamment de l’issue finale.

Combinée à une exécution rapide et à un accès privilégié à la source d’information externe, cette stratégie permet à certains acteurs automatisés d’être “plus informés” que les utilisateurs standards, même sans disposer d’un avantage fondamental sur l’événement lui-même.

Ces dynamiques expliquent pourquoi les marchés prédictifs sont aujourd’hui particulièrement “bruités” par des bots cherchant à exploiter la moindre faille de microstructure, au détriment de l’expérience utilisateur et parfois de la qualité du signal produit par le marché. En réponse à ces comportements, Polymarket a introduit des frais variables sur les marchés cryptos en 15 minutes.

Ambiguïté des événements et litiges

Un autre risque systémique majeur réside dans la mauvaise définition des marchés. Un événement mal formulé, une source ambiguë ou une condition insuffisamment précise peuvent conduire à des litiges lors de la résolution.

Contrairement aux marchés financiers classiques, où le sous-jacent est généralement un prix ou un actif standardisé, les marchés prédictifs traitent d’événements du monde réel, souvent complexes et contextuels.

Les litiges ont plusieurs effets négatifs :

• ils retardent le règlement des positions,
• ils dégradent la confiance des utilisateurs,
• ils introduisent une incertitude juridique et économique,
• et ils peuvent être exploités de manière opportuniste par certains acteurs.

C’est pour cette raison que les plateformes les plus matures accordent une importance disproportionnée à la rédaction des règles de marché, parfois au détriment de la diversité des événements proposés.

Risques de gouvernance et de capture

Dans les modèles décentralisés ou hybrides, les mécanismes de gouvernance eux-mêmes peuvent devenir une source de risque. Si la résolution des marchés ou la validation des litiges dépend d’un token de gouvernance, celui-ci peut être accumulé ou coordonné par un petit groupe d’acteurs.

Cela ouvre la porte à des attaques de type capture de gouvernance, où la résolution d’un marché ne reflète plus la réalité de l’événement, mais les intérêts économiques d’une majorité artificielle.

Même lorsque ces attaques sont coûteuses, leur simple possibilité fragilise la crédibilité du système, en particulier pour les marchés à enjeu élevé.

Effets de rétroaction informationnelle

Enfin, les marchés prédictifs peuvent influencer les événements qu’ils sont censés prédire. Lorsqu’une probabilité devient largement visible et médiatisée, elle peut modifier le comportement des acteurs concernés.

Ce phénomène de rétroaction est particulièrement sensible dans les marchés politiques, financiers ou réglementaires. Une probabilité élevée peut influencer des décisions stratégiques, des votes, des arbitrages ou des prises de position publiques.

Cela ne rend pas les marchés inutiles, mais impose de reconnaître qu’ils ne sont pas de simples observateurs neutres. Ils participent activement à l’écosystème informationnel qu’ils modélisent.

---

Conclusion

Les marchés prédictifs ne sont pas simplement des plateformes de paris on-chain. Ce sont des systèmes techniques complets dont la performance dépend d’un ensemble de choix d’architecture, de mécanismes de pricing, de modèles de création de marchés, de méthodes de résolution et de stratégies de liquidité.

Ce guide montre que la difficulté principale ne réside pas dans la création d’un marché en tant que tel, mais dans l’assemblage cohérent de toutes ses briques. Un marché peut être bien conçu sur le plan théorique et échouer en pratique si sa liquidité est insuffisante, si sa résolution est contestable, si ses contrats sont mal formulés, ou si sa microstructure est trop facilement exploitable.

À l’inverse, les plateformes qui parviennent à produire un signal fiable et exploitable sont généralement celles qui maîtrisent les compromis : choisir des événements simples à résoudre, définir des règles sans ambiguïté, limiter les surfaces d’attaque à faible latence, structurer des incitations soutenables pour la liquidité, et intégrer la réalité réglementaire dans le design du produit.

À court terme, la majorité des innovations du secteur se concentrent sur trois axes : améliorer la liquidité sans subventions permanentes, fiabiliser la résolution via des oracles et des mécanismes de contestation mieux calibrés, et réduire l’impact des bots et des inefficiences de marché sur l’expérience utilisateur.

À mesure que ces briques mûriront, les marchés prédictifs pourront évoluer d’un produit principalement spéculatif vers une infrastructure informationnelle robuste, capable d’agréger des probabilités sur des événements réels avec un niveau de transparence et d’auditabilité inédit.

Les sections suivantes de la série permettront d’analyser le paysage actuel des acteurs, leurs choix d’implémentation et les trajectoires les plus crédibles pour atteindre une adoption à grande échelle.

Devenir Premium

Débloquez l'ensemble de nos analyses et obtenez l'info utile, au bon moment.