Insider trading en mercados de predicción: investigador propone un enfoque equilibrado frente a la prohibición total

Un estudio del Stevens Institute of Technology sugiere que la aplicación «maximalista» de normas contra el uso de información privilegiada podría perjudicar la precisión y participación en los mercados de predicción, mientras Kalshi refuerza sus controles.

Un investigador del Stevens Institute of Technology propone un enfoque intermedio en la regulación del insider trading en mercados de predicción, en un momento en que plataformas como Kalshi implementan nuevas medidas y casos de alto perfil en Polymarket mantienen el tema en el centro del debate regulatorio. El profesor Balbinder Singh Gill desarrolló un modelo económico formal que muestra que ni la ausencia total de regulación ni una prohibición absoluta representan la solución óptima para este tipo de mercados.

El modelo económico del investigador

Balbinder Singh Gill publicó su paper el 2 de junio, en el que desarrolla un modelo económico formal para responder cómo regular el insider trading en los mercados de predicción. Su investigación identifica lo que denomina una «paradoja»: la misma operación con información privilegiada que mejora la precisión del precio hoy puede reducir la participación que hace el precio informativo mañana.

Según el modelo del investigador, la precisión de los precios tiene forma de «joroba» (hump-shaped) según la intensidad de la aplicación de normas. Esto significa que existe un punto óptimo intermedio en la regulación.

«Una aplicación más estricta frena al insider, aumentando la participación, por lo que la precisión tiene forma de joroba y la aplicación óptima es intermedia, ni laissez-faire ni prohibición», explica Singh Gill en su investigación.

Niveles de aplicación según el origen de la información

Información investigada (menor aplicación)

El investigador sostiene que la información obtenida mediante trabajo e investigación propia debe tener la menor aplicación o ninguna, ya que cualquier restricción desalienta la producción valiosa de información.

«Operar con una ventaja genuina e investigada de forma independiente es la actividad que la sociedad debería mostrarse más reacia a castigar», afirma Singh Gill.

Información malversada (aplicación media)

Los datos filtrados o información clasificada deberían tener un mayor nivel de aplicación, según el estudio. Este tipo de información se asimila al insider trading tradicional y requiere una intervención regulatoria más firme.

Manipulación de resultados (máxima aplicación)

El nivel más estricto de aplicación debe reservarse para los casos donde el insider puede influir en el resultado, como un candidato político apostando por su propia campaña.

«Las operaciones de quienes pueden mover el resultado merecen la aplicación más estricta, porque sus posiciones invitan a la manipulación», concluye el investigador.

En síntesis, Singh Gill argumenta que la aplicación en los mercados de predicción debe ser «calibrada, no maximalista», y que una aplicación equilibrada proporciona un bienestar óptimo para el funcionamiento de estos mercados.

Contexto regulatorio actual

El insider trading ha sido un problema persistente para los mercados de predicción, y los reguladores presionan para tomar medidas severas o incluso prohibir plataformas enteras. El director de cumplimiento de la Comisión de Comercio de Futuros de Productos Básicos (CFTC) advirtió en abril que los infractores enfrentarían acciones legales.

En mayo, legisladores de la Cámara de Representantes de Estados Unidos iniciaron una investigación sobre Kalshi y Polymarket, las dos plataformas más importantes del sector, intensificando la presión regulatoria sobre estos mercados emergentes.

Nuevas medidas de Kalshi contra el insider trading

Kalshi implementa nuevas medidas mientras se publica el paper del investigador. La plataforma exige ahora que los usuarios en mercados sensibles —como aquellos relacionados con rendimiento empresarial o seguridad nacional— revelen su empleador mediante un formulario en línea para la divulgación de información.

Además, Kalshi desarrolló un «puntaje de riesgo específico» para identificar mercados con mayor riesgo de insider trading o manipulación. Estos cambios siguen las recomendaciones de un informe del comité de auditoría de la plataforma y responden a la presión ejercida por legisladores y reguladores.

Casos recientes de alto perfil en Polymarket

Dos casos recientes mencionados en el paper de Singh Gill ilustran la problemática del insider trading en los mercados de predicción. En mayo, un empleado de Google fue acusado de usar información privilegiada sobre tendencias de búsqueda para ganar 1,2 millones de dólares en Polymarket.

En abril, un soldado estadounidense fue acusado de operar con conocimiento clasificado de una operación militar, también a través de Polymarket. Ambos casos fueron señalados por el investigador como ejemplos de los desafíos regulatorios que enfrentan estos mercados.

Implicaciones para el futuro de los mercados de predicción

El debate sobre el equilibrio regulatorio continuará en los próximos meses. La propuesta de Singh Gill ofrece un marco teórico que podría guiar a los reguladores en el diseño de políticas para estos mercados. Las medidas de Kalshi muestran un movimiento hacia la autorregulación, mientras la tensión entre precisión de precios y participación sigue siendo el eje central del debate.

El enfoque «calibrado» propuesto por el investigador podría influir en decisiones regulatorias futuras, ofreciendo una vía intermedia entre la permisividad total y la prohibición absoluta que actualmente divide las posturas en el sector.