prediction-market-strategy

预测市场策略

二元预测市场将合约价格设定为概率。本技能涵盖适用于所有平台和市场类型的策略、仓位规模和验证层。API 操作机制见 kalshi-api / polymarket-api；合约语义和结算见 kalshi-weather-markets / kalshi-crypto-index-markets。这就是适用于所有这些市场的策略／仓位规模／验证层。

核心论点

价格 = 隐含概率。 定价为 $0.18 的合约表示其结算为 YES 的概率为 18%。一组中的各个区间合计略高于 $1.00——超额赔率就是庄家利润（Kalshi 天气市场约为 5–8%）。

吃单者系统性亏损；挂单者系统性盈利。 在超过 30 万份 Kalshi 合约中，扣除费用前的平均回报约为 −20%，亏损主要集中在吃单者（使用市价单的用户）和买入小概率事件合约的人身上。挂单者（挂出未成交限价单的人）能获得正回报。在 Polymarket（超过 5.88 亿笔交易）中，排名前约 1% 的账户拿走约 76.5% 的利润，主要通过挂出限价单获利。这是最基础的结论。

热门—冷门偏差是持久存在的机制。 低价小概率合约系统性地定价过高：历史上，定价为 $0.05 的合约约有 2% 的概率胜出；对于买家而言，价格低于 $0.10 的合约会损失约 60% 的投注额。热门合约的定价合理或略低。可重复的做法是站在做市方一侧卖出定价过高的小概率尾部合约——在定价约为 $0.05–$0.20 的区间挂出 NO 买单，并分散到许多事件中，以承受罕见的命中。这是结构性／行为性优势，而非预测优势。

预测能力 ≠ 交易优势。 在决策时点，优秀的天气或事件预测与市场价格大多是重复信息。市场汇总信息的效率足够高，即使模型明显更优，扣除费用后净优势仍接近于零，除非它能发现系统性的错误定价（这属于行为因素，而非信息因素）。在交易清淡的市场中，官方标签机器学习是个例外——但它受成交率和容量限制，而非预测准确度限制。

---

策略目录

针对 Kalshi／Polymarket 天气和事件市场评估的策略。“真实有效”表示该策略在测试中经正确结算和扣费后仍然成立；其他策略会特别标出，避免你再次追逐它们。

策略	结论	机制	关键问题
热门—冷门偏差反向操作，做市方一侧	✅ 持久有效	在价格约为 $0.05–$0.20 的区间挂出 NO 买单；利用行为导致的尾部定价过高	小概率事件罕见命中；需向前测量成交率
仅买入区间 YES（由预测驱动）	✅ 有效，对费用敏感	校准后的模型认为区间价格明显偏低时买入 YES	需要通过净优势 > θ 门槛，而非看原始胜率
做市／提供流动性	⚠️ 结构上有利，但对基础设施要求高	双边报价，赚取价差和做市返佣	库存风险、不利选择、排队优先级
超额赔率／荷兰式套利	⚠️ 理论上可行，实践中收益有限	各区间合计 >$1.00；买入定价偏低的剩余部分	各腿必须同时成交；Kalshi 的成交是依次发生的
跨平台套利（Kalshi ↔ Polymarket）	❌ 多数人无法参与	在两个平台上同时持有等价合约的仓位	转移时间／成本会抹去优势；地域限制
延迟／抢先利用新闻（加密货币／指数小时合约）	❌ 高频交易游戏	在市场重新定价前，对公开信息源作出反应	要求低于 100 毫秒的延迟；需同址托管；不适合零售交易者
日内接近确定的合约重新定价	⚠️ 信息／延迟优势	市场对接近确定的合约重新定价缓慢；捕捉剩余机会	需要实时信息源和自动化
跟随高手	❌ 幸存者错觉	模仿表面上获胜的账户	公开数据中没有可靠信号；过去的赢家会回归均值

总结： 经过正确核算，只有两种策略仍然成立——做市方一侧反向操作行为导致的尾部偏差，以及通过 θ 门槛后由预测驱动的 YES 入场。其他策略要么需要高频交易级别的能力，要么对基础设施要求很高，要么会在正确结算和扣费后失去优势。

---

费用感知的仓位 sizing 与边缘门槛

所有筛选均基于扣除费用后的净优势。原始胜率、名义金额收益率和正确率百分比都不是筛选指标。

净优势公式

net_edge = p_model - ask - kalshi_fee(ask)
# Kalshi taker fee: ceil(0.07 * price * (1 - price) * 100) / 100 per contract
# Polymarket fee: 0 (no explicit taker fee; spread is the cost)

仅当 net_edge > θ 时才选择交易。

预期优势门槛（θ）

账户规模	θ（Kalshi）	原因
< $2,000	15%	小额账户；费用造成的拖累占比更高
≥ $2,000	20%	标准门槛，涵盖费用和执行不确定性
Polymarket	~5%	没有明确的 taker 费用；价差和 gas 是成本

限价单挂单

挂 maker 订单时，报价应比模型公允价值低 θ：

limit_price_cents = floor((p_model - θ) × 100)

这样可以确保，只有当市场至少朝有利于你的方向变动 θ 时，订单才会成交。

分数凯利仓位 sizing

f_star = edge / (1 - entry_price)          # full Kelly fraction
stake = min(kelly_frac * f_star * bankroll, max_bet_fraction * bankroll)
contracts = stake / entry_price
# Defaults: kelly_frac=0.25 (quarter-Kelly), max_bet_fraction=0.015

对大多数交易而言，1.5% 的资金上限是实际起约束作用的限制。四分之一凯利足以积极复利，同时又足够温和，能够承受一连串相关的不利结果。

敞口上限（观察到的默认值）

上限	数值
单份合约的账户资金上限	账户资金的 1.5%
单一城市／单一事件	账户资金的 5%
总未平仓敞口	账户资金的 20–25%
最大滑点占优势的比例	50%

滑点也是筛选的一部分

沿着真实的 NO/YES 订单簿梯度逐档成交，直到达到完整仓位，以计算深度加权入场价。如果逐档成交使 net_edge 低于 θ，或滑点超过优势的 50%，就跳过这笔交易。逐档计算前，必须从订单簿梯度中排除虚假的一分钱档位（≤2¢ 的卖单价，这些价格不会在连续快照中持续存在，且没有成交记录佐证）。

Maker 与 taker

挂出限价单（maker）可以赚取价差，而不是支付价差，并避免（或减少）taker 费用。这也是盈利账户采用的执行方式。Maker 优势会叠加结构性的长尾反转收益。仅当限价单的成交概率相对于交易机会低到不可接受时，才应使用市价单（taker）。

所有仓位 sizing 函数都在 scripts/sizing.py 中。可直接运行以查看完整示例。

---

回测方法

首要规则：以平台自身的结果结算

绝不要根据第三方来源重新推导结算结果。应使用平台的 result 字段（Kalshi：result: "yes"/"no"；Polymarket：结算交易）。任何仅与平台结算结果相关的推导真值，都可能导致约 10% 的结果翻转，并凭空制造出两位数的虚假优势。

方法核对清单

• 使用平台的 result 进行结算——绝不自行计算真值
• 使用 close_time（或从 ticker 获取的结算日期），而非爬取日期
• 决策特征应截止于城市／事件自身的本地决策时间——避免 UTC 时间不匹配
• 入场价格应取自决策时的快照，而非已趋于收敛的临近收盘价格
• 按完整仓位沿真实订单簿梯度逐档计算；以最优买卖价深度为上限；对成交去重
• 仅使用扣除费用后的 PnL——绝不使用名义金额
• 仅使用时间留出验证或扩展窗口的滚动前推验证——不使用随机打乱的交叉验证
• 投入实盘资金前，先进行前向模拟交易：记录模型 p、决策时卖价和结果；并与回测的 Brier 分数／准确率进行比较

Phantom-Edge 名人堂

以下每个问题都曾产生看似合理的回测结果，但经仔细检查后都站不住脚。

Bug	症状	修复
结算数据源错误	重新推导真实结果后，约 10% 的结果发生反转 → 虚假的 +18% 反向投注优势	使用交易场所的 result
区间边界差一位	将包含 2°F 的区间 {floor,cap} 误当作半开区间 1°F → +1640% 的虚假回测	仔细阅读合约规范
虚假的低价卖单	对 ≤2¢ 的伪造价位过度计入深度，夸大 23×（25 万 vs 约 9 千笔真实成交）	仅统计在多个快照中持续存在且有成交记录佐证的深度
误读 strike_type	根据代码推断大于/小于 → 44% 的影子交易方向错误	从 API 读取 strike_type — 切勿推断
混淆影子交易与实盘	重放混合影子和实盘持仓的日志 → 虚假的每份合约 $14K 盈利	只根据实盘成交追踪 PnL（PositionStore）；切勿重放内存中的数据
先验平坦或未校准	预测中心配置错误 → 单日实盘亏损 $121.93	所有决策都必须基于经过校准并签名的先验
运行极值初始值过期	被污染的持久化 day_max 让每个低位区间看起来都已获胜	启动时重置/重建运行极值状态；切勿继承
时钟不匹配导致前视	使用 18:00Z 的订单簿快照成交，而特征数据截至 14:00 LST，导致非东部城市泄漏未来信息	在每个市场自己的本地决策时间进行决策和成交

前向纸面交易

在投入实盘资金前：以影子模式运行完整流程。记录模型的 p、决策时的卖价和实际结算结果。将所得 Brier 分数和准确率与回测数据进行比较。如果在 100 个以上样本中，差距持续超过 2–3 个 Brier 分数点，就说明存在数据泄漏或分布漂移，必须在实盘前查明原因。

---

为什么预测能力 ≠ 交易优势

良好的预测是交易优势的必要条件，但并非充分条件。

1. 市场会汇总信息。 到了决策时，市场价格已经反映了 NWS 模型输出、近期实况，以及实力强劲的账户所获得的优势。你的预测必须可衡量地优于市场 — 而不只是准确。

2. Brier 分数不等于优势。 OOS Brier 分数为 0.07（优于气候基准）仍可能意味着净优势为零，前提是市场定价也为 0.07。

3. 真正的优势来自行为。 对冷门选项的过高定价并非信息因素所致，而是行为因素所致（散户对低价合约过度自信）。无论你对这些区间的预测质量如何，只要在尾部充当流动性提供者，就能从中获利。

4. 基于预测的 YES 入场只在边际情况下有效。 当你的校准模型认为某个区间的定价明显偏低（扣除费用后的优势 > θ）时，买入 YES 是有效的。但这只适用于少数决策点，而尾部市场深度不足也限制了成交率和容量。

实际启示：应出于预测本身的价值来构建和验证预测模型（它能改进 NO 报价目标，并在不利条件下限制敞口），但不要假设预测准确率会自动转化为交易收益，除非另有正确且计入费用的回测。

---

证据与文献

基础研究结论

• Whelan，做市商与吃单者：Kalshi 预测市场的经济学（CEPR VoxEU；GWU/UCD 工作论文）。研究涵盖 30 多万份 Kalshi 合约。平均费用前收益 ≈ −20%，亏损主要集中在吃单者和冷门选项买家身上。做市商获得正收益。基础性结论：赢家提供流动性，输家吃掉流动性。

• 大规模 Polymarket 做市商—吃单者研究（5.88 亿多笔交易，SSRN）。排名前约 1% 的账户拿走约 76.5% 的利润，主要通过挂出限价单实现。该研究证实，做市优势可推广到不同交易场所。

• Gupta，谁能在二元预测市场中获利？Kalshi 上的做市商—吃单者动态、行为偏差与情绪套利（SSRN）。该研究从微观结构和行为偏差角度分析谁能获胜以及原因。

最爱—冷门偏差

• 经典博彩市场文献（Thaler、Ziemba）：在大多数博彩市场中，冷门选手的胜率低于其赔率所暗示的水平。
• Kalshi 特有情况：历史上，价格约为 $0.05 的合约胜率约为 2%；价格低于 $0.10 的合约会让买方损失约 60% 的本金。热门选项的定价公允至略低。
• 可交易的策略：在便宜的区间上挂 NO 侧做市买单，并进行分散投资。

内部验证（bracket-model skill）

• 对 Kalshi 天气市场进行包含手续费的轮换式交叉验证回测：做空冷门选项的 taker ROI 约为 +1.7–3.3%，maker ROI 约为 +7.9–9%。
• 定价约为 10% 的区间，实际命中率约为 3–7% → 每份合约毛收益约为 +6.7¢；maker 的收益表现会进一步提升。

证据不支持的结论

• 准确的天气或事件预测能在决策时点战胜市场（这与价格所反映的信息重复——见上文经验教训）。
• 零售用户可见的跨平台或平台内套利，扣除手续费、地域限制和资金锁定成本后仍能反复获利。
• 优势集中在预测最准确的地方（实际上，它反映的是市场流动性不足或零售用户占比较高）。

确定仓位规模前，请根据一手来源核实具体数据——数值会因样本窗口和交易平台而异。

---

文件

参考资料

• references/strategy-catalog.md — 完整的策略评估结果，包括证据和注意事项
• references/sizing-and-edge-gates.md — 完整的手续费感知仓位规模规则和门槛推导
• references/backtesting-methodology.md — 按交易平台结果结算的规则、虚假优势案例集、方法检查清单
• references/evidence-and-literature.md — 一手来源：Whelan、Polymarket 588M、Gupta、最爱—冷门偏差幅度

脚本

• scripts/sizing.py — kalshi_fee、net_edge、theta_for_account、limit_price_cents、kelly_contracts、slippage_ok — 纯标准库，无需联网即可运行