Perché i trader quantitativi usano modelli matematici complessi per dirottare le tue scommesse sportive del weekend

DRW, colosso del trading con sede a Chicago, ha deciso di dedicare una scrivania ai mercati predittivi, concentrandosi su piattaforme come Polymarket e Kalshi.

La mossa segnala in modo evidente che le società di trading quantitativo, quelle che sviluppano strategie basate su modelli matematici sofisticati, stanno iniziando a considerare i mercati predittivi come un vero e proprio campo di negoziazione e non più solo come un prodotto di nicchia.

Da decenni attiva in derivati, reddito fisso e crypto, DRW ha pubblicato annunci di lavoro per trovare profili in grado di monitorare in tempo reale i prezzi su più piattaforme, identificare discrepanze di valutazione tra mercati e reagire rapidamente per trarre profitto prima che i prezzi convergano.

Le strategie indicate negli annunci — tra cui arbitraggio di microstruttura, arbitraggio cross-platform e trading basato sulle notizie a velocità sub-secondo — sono tecniche consolidate nei mercati dei derivati crypto e ora vengono applicate a eventi sportivi e politici.

Non è un fenomeno isolato: anche Wintermute, market maker algoritmico attivo nel crypto, cerca trader con esperienza nei mercati predittivi; IMC recluta quantitativi abituati ai contratti binari; mentre exchange tradizionali come OKX e Crypto.com hanno pubblicato annunci analoghi.

Il volume e l’attrattiva dei mercati predittivi

Il fattore scatenante per questo interesse è il rapido incremento dei volumi trattati sulle piattaforme predittive: solo Polymarket avrebbe movimentato tra i 22 e i 40 miliardi di dollari nel 2025 tra mercati politici, economici e sportivi, partendo da livelli trascurabili pochi anni prima.

Una porzione crescente di questi volumi è concentrata sugli eventi sportivi. Alcuni esempi recenti: il mercato sul vincitore della UEFA Champions League su Polymarket ha processato circa 256 milioni di dollari, il mercato sul campione NBA 2026 circa 399 milioni e quello per la Stanley Cup 2026 circa 79 milioni, con oscillazioni significative per squadre come i Carolina Hurricanes.

Questi tre soli mercati sportivi superano combinati i 730 milioni di dollari, avvicinandosi ai volumi annui di alcuni exchange europei di medie dimensioni per il betting sportivo.

Perché gli istituzionali entrano nel settore

Harry Crane, docente di statistica alla Rutgers, ha dichiarato:

“Non mi aspetto che il capitale istituzionale contribuisca in modo sostanziale alla precisione di questi mercati, specialmente negli sport. L’accuratezza è guidata da gruppi specializzati di scommessa sportiva, molto più preparati a valutare gli esiti sportivi.”

Secondo osservatori del settore, l’obiettivo delle società come DRW non è migliorare la previsione degli esiti, ma sfruttare tecniche di trading sviluppate nei mercati finanziari per capitalizzare su dinamiche di mercato di breve termine.

Si tratta, in sostanza, di fare profitti sul modo in cui i prezzi si muovono prima che il risultato venga deciso, piuttosto che sul pronosticare il risultato in sé.

Esempio pratico: arbitraggio cross-market

Un caso recente ha coinvolto il mercato sul prossimo primo ministro del Regno Unito: la probabilità attribuita ad Andy Burnham su Polymarket è balzata nelle quote mattutine da 24 a 43 centesimi durante speculazioni politiche, mentre su Betfair il mercato londinese lo valutava già a circa 50 centesimi. Ci sono volute ore perché Polymarket riallineasse il prezzo.

Per un trader quantitativo, quella differenza rappresenta un’inefficienza da sfruttare: acquistare contratti sottovalutati su una piattaforma e vendere quando il prezzo converge su un’altra, realizzando profitti indipendenti dall’esito politico.

I mercati predittivi aggiungono complessità operative non banali: Betfair liquida in sterline mentre molte piattaforme decentralizzate usano crypto, il che richiede infrastrutture per muovere capitale e gestire regolamenti di settlement tra valute e sistemi diversi.

Strumenti statistici e valore di chiusura

I team quantitativi applicano modelli familiari agli analisti sportivi: per il calcio si usano varianti del modello Dixon-Coles per stimare attacco e difesa e generare distribuzioni di punteggio; per il basket si adottano modelli Bayesian Hierarchical che aggiornano le valutazioni man mano che arrivano nuovi dati.

L’obiettivo è individuare discrepanze tra la probabilità stimata dal modello e quella implicita nel prezzo di mercato; questa differenza è nota come closing line value (CLV) e rappresenta una metrica chiave per misurare l’efficacia di una strategia di prognosi di mercato.

Harry Crane ha spiegato:

“Il CLV incorpora tutte le informazioni pre-partita note, come infortuni e formazioni; i giocatori più esperti tendono ad attendere vicino all’orario dell’evento per piazzare le scommesse perché è allora che i limiti sono tipicamente più alti.”

Limiti, competizione e migrazione dei talenti

Nonostante l’interesse delle istituzioni, molti esperti rimangono scettici sul fatto che i grandi operatori possano soppiantare i cosiddetti “sharp bettors” dello sport, che operano su questi mercati da decenni e possiedono dati e intuizioni molto specializzate.

Tuttavia la transizione dei talenti è in corso: market maker crypto stanno studiando analytics sportive e modelli di expected-goals, mentre specialisti del betting tradizionale vengono reclutati da società crypto che cercano competenze consolidate.

Parallelamente, infrastrutture su larga scala sono in fase di costruzione: HyperLiquid, l’exchange on-chain di perpetuals che ha toccato picchi di oltre 10 miliardi di dollari al giorno, sta pianificando lanci di mercati predittivi in vista del Mondiale 2026, con migliaia di esiti binari correlati in programma.

Gli desk sono già in fase di staffing e i modelli stanno venendo adattati per operare su eventi sportivi con elevata correlazione tra le partite; la sfida rimane dimostrare se l’approccio istituzionale possa battere i veterani in termini di rendimento netto dopo i costi di latenza e infrastruttura.

La competizione sul fronte della latenza, della struttura di mercato e delle inefficienze cross-platform è ormai iniziata e determinerà l’evoluzione futura di questo segmento.

In sintesi

• L’ingresso di grandi trading firm rende i mercati predittivi più efficienti sul breve termine, ma aumenta la competizione su latenza e infrastruttura: per gli operatori italiani questo significa considerare investimenti in connettività e sistemi di esecuzione più rapidi.
• La frammentazione della liquidità e le differenze di settlement tra fiat e crypto creano opportunità di arbitraggio, ma richiedono capitale operativo sofisticato e gestione del rischio valutario, elementi chiave per valutare la sostenibilità di un desk predittivo in Italia.
• L’adozione di modelli statistici avanzati e la migrazione di talenti dal betting tradizionale ai mercati crypto indicano che nelle prossime stagioni il vantaggio competitivo dipenderà più dall’accesso ai dati e all’analisi proprietaria che dalla sola capacità di mettere capitale.
• Per gli investitori istituzionali italiani, monitorare questa evoluzione è cruciale: l’espansione dei mercati predittivi può offrire nuove opportunità di diversificazione, ma comporta anche rischi normativi e operativi che vanno attentamente valutati.