作者： 0xjacobzhao | https://linktr.ee/0xjacobzhao
在我們之前的加密人工智能研究中，我們發現，雖然穩定幣和去中心化金融（DeFi）能夠提供即時的實用性，但代理（Agent）才是人工智能行業的關鍵用戶界面。因此，我們定義了加密人工智能集成的兩條主要價值路徑：短期目標是專注於AgentFi ，它能夠自動化成熟 DeFi 協議上的收益策略；中長期目標是發展代理支付（Agent Payment） ，通過 ACP、x402 和 ERC-8004 等新興標準實現穩定幣的自主結算。
預測市場已成為2025年不容忽視的新興行業趨勢，其年度交易總額將從2024年的約90億美元飆升至2025年的超過400億美元，同比增長超過400%。這一顯著增長受多種因素驅動：宏觀政治事件帶來的不確定性對沖需求、基礎設施和交易模式的成熟，以及監管環境的開放（Kalshi訴訟案的勝訴和Polymarket重返美國市場）。預測市場代理將於2026年初展示早期原型，並有望在未來一年內成為代理領域的一種新型產品。
一、預測市場：從博彩工具到“全球真相層”
預測市場是一種圍繞未來事件結果進行交易的金融機制。合約價格本質上反映了市場對事件發生概率的集體判斷。其有效性源於群體智慧和經濟激勵的結合：在匿名、真金白銀的投注環境中，分散的信息會被迅速整合為價格信號，並根據參與者的財務意願進行加權，從而顯著降低噪音和錯誤判斷。
到2025年底，預測市場基本形成由Polymarket和Kalshi兩家公司主導的雙寡頭壟斷格局。據《福布斯》報道，2025年總交易量約為440億美元，其中Polymarket貢獻約215億美元，Kalshi貢獻約171億美元。2026年2月的週數據顯示，Kalshi的交易量（259億美元）已超過Polymarket（183億美元），市場份額接近50%。Kalshi憑藉此前在選舉合同案中的勝訴、在美國體育預測市場的先發優勢以及相對清晰的監管預期，實現了快速擴張。目前，兩家公司的發展路徑已明顯分道揚鑣：
- Polymarket採用混合型CLOB（中央限價訂單簿）架構，結合“鏈下撮合、鏈上結算”和去中心化結算機制，構建了一個全球化、非託管、高流動性的市場，並在合規迴歸美國後形成了“境內+境外”雙軌運營結構。
- Kalshi融入傳統金融體系，通過API接入主流零售經紀商，吸引華爾街做市商深度參與宏觀和數據驅動的合約交易。其產品受制於傳統監管流程，導致在應對長期需求和突發事件方面存在滯後。
除了 Polymarket 和 Kalshi 之外，預測市場領域的其他競爭者主要沿著兩條路徑發展：
- 合規分銷路徑：將事件合約嵌入經紀商或大型平臺的現有賬戶和清算系統，依靠渠道覆蓋、合規資質和機構信任來構建優勢（例如，盈透證券×ForecastEx的ForecastTrader，FanDuel×芝商所集團的FanDuel Predicts）。雖然合規性和資源優勢顯著，但產品和用戶規模仍處於早期階段。
- 加密原生鏈上路徑：以Opinion.trade 、Limitless 和 Myriad 為代表，這些項目利用挖礦、短週期合約和媒體分發等槓桿點來實現交易量的快速增長。它們強調性能和資金效率，但其長期可持續性和風險控制的穩健性仍有待驗證。
這兩種途徑——傳統的金融合規准入和加密原生性能優勢——共同構成了預測市場生態系統多元化的競爭格局。
預測市場表面上看似賭博，本質上也是零和博弈，但其核心區別在於是否具有正外部性：通過真金白銀的交易聚合分散的信息，從而公開對現實世界事件進行定價，形成一個有價值的信號層。這一趨勢正從博弈轉向“全球真理層”——隨著芝加哥商品交易所（CME）和彭博社等機構的互聯互通，事件概率已成為金融和企業系統可直接調用的決策元數據，從而提供更及時、可量化、基於市場的真理。
從全球監管角度來看，預測市場的合規路徑差異巨大。美國是唯一一個明確將預測市場納入其金融衍生品監管框架的主要經濟體。歐洲、英國、澳大利亞和新加坡的市場普遍將其視為賭博，並傾向於加強監管，而中國和印度則完全禁止預測市場。預測市場未來在全球的擴張仍取決於各國的監管框架。
二、預測市場代理的架構設計
預測市場代理目前正處於早期實踐階段。它們的價值不在於“人工智能更準確地預測”，而在於提升預測市場的信息處理和執行效率。預測市場本質上是信息聚合機制，其價格反映了對事件概率的集體判斷；現實世界的市場低效源於信息不對稱、流動性不足和注意力限制。預測市場代理的合理定位是可執行的概率投資組合管理：將新聞、規則文本和鏈上數據轉化為可驗證的價格偏差，以更快、更規範、更低成本的方式執行策略，並通過跨平臺套利和投資組合風險控制來把握結構性機會。
理想的預測市場代理可以抽象為四層架構：
- 信息層：聚合新聞、社交媒體、鏈上數據和官方數據。
- 分析層：使用 LLM 和 ML 來識別定價錯誤並計算 Edge。
- 策略層：利用凱利準則、分批入場和風險控制，將優勢轉化為倉位。
- 執行層：完成多市場下單、滑點和 Gas 優化以及套利執行，形成高效的自動化閉環。
三、預測市場參與者的戰略框架
與傳統交易環境不同，預測市場在結算機制、流動性和信息分發方面存在顯著差異。並非所有市場和策略都適合自動執行。預測市場代理的核心在於其是否部署在規則清晰、可編碼且具有結構優勢的場景中。以下分析涵蓋目標選擇、倉位管理和策略結構。
1. 預測市場目標選擇
並非所有預測市場都具有交易價值。參與價值取決於：結算清晰度（規則是否清晰，數據來源是否唯一） 、流動性質量（市場深度、點差和交易量） 、內幕風險（信息不對稱程度） 、時間結構（到期時間和事件節奏）以及交易者自身的信息優勢和專業背景。只有當大多數方面都滿足基本要求時，預測市場才具備參與的基礎。參與者應根據自身優勢和市場特徵進行匹配：
- 人類核心優勢：依賴領域專業知識、判斷力和對模糊信息的整合能力，且時間窗口相對較寬（數天/數週）的市場。典型例子：政治選舉、宏觀趨勢和公司里程碑事件。
- AI代理核心優勢：適用於依賴數據處理、模式識別和快速執行，且決策窗口極短（秒/分鐘）的市場。典型案例：高頻加密貨幣價格、跨市場套利和自動做市。
- 不適宜的領域：受內幕消息主導的市場或純粹隨機/高度操縱的市場，對任何參與者都沒有優勢。
2. 預測市場中的倉位管理
凱利準則是重複博弈中最具代表性的資本管理理論。它的目標並非最大化單筆交易的收益，而是最大化資本的長期複合增長率。該準則基於勝率和賠率的估計值計算理論上的最優倉位比例，在預期收益為正的前提下提高資本增長效率。它被廣泛應用於量化投資、職業博彩、撲克和資產管理等領域。
- 經典公式： f^* = (bp — q) / b
- 其中 f∗ 為最優投注比例，b 為淨賠率，p 為勝率，q=1−p。
- 簡化為 PM： f^* = (p — 市場價格) / (1 — 市場價格)
- 其中 p 為主觀真實概率，market\_price 為市場隱含概率。
凱利公式的理論有效性高度依賴於對真實概率和賠率的準確估計。然而，在現實中，交易者很難持續準確地掌握真實概率。因此，職業賭徒和預測市場參與者在實踐中傾向於採用基於規則的策略，這些策略更易於執行，且對概率估計的依賴性更低。
- 單位投資法：將資金分成固定單位（例如1%），並根據信心水平投資不同數量的單位。這種方法通過單位上限自動限制單筆投資的風險，是目前最常用的實用方法。
- 固定投注：每次投注使用固定比例的資金。強調紀律性和穩定性，適合風險規避型或信念較低的投注環境。
- 置信度層級：預設離散位置層級並設置絕對上限，以降低決策複雜性，避免 Kelly 模型的虛假精確性問題。
- 反向風險法：從最大可承受損失開始反向計算倉位規模。它根據風險約束而非盈利預期來界定倉位邊界。
對於預測市場參與者而言，策略設計應優先考慮可執行性和穩定性，而非理論上的最優性。關鍵在於清晰的規則、簡單的參數以及對判斷誤差的容忍度。在這些約束條件下，置信度分級法結合固定倉位上限是預測市場參與者最合適的通用倉位管理方案。該方法不依賴於精確的概率估計，而是根據信號強度將交易機會劃分為有限的層級，並設定明確的上限來控制風險，即使在高置信度的情況下也能有效控制風險。
3. 預測市場的策略選擇
從結構上看，策略主要分為兩大類：確定性套利策略（以規則清晰、可規範化為特徵）和投機性方向策略（依賴於信息解讀和方向判斷）。此外，還有做市策略和套期保值策略，主要面向資本和基礎設施要求較高的專業機構。
確定性套利策略（套利）
- 解析套利：當事件結果基本確定，但市場尚未完全反映其價格時，就會發生解析套利。收益來源於信息同步和執行速度。規則清晰，風險低，且完全可編碼——這是最適合代理執行的核心策略。
- 荷蘭式套利（概率守恆）：利用結構性失衡，即一組互斥且窮盡事件的價格總和偏離概率守恆約束（$\sum P \neq 1$）。通過構建投資組合，它可以鎖定無風險收益。該策略僅依賴於規則和價格關係，風險低，且可高度正則化。它是一種典型的確定性套利形式，適用於自動化代理執行。
- 跨平臺套利：通過捕捉同一事件在不同市場間的價格差異來獲利。風險低，但對延遲和並行監控的要求高。適合擁有基礎設施優勢的代理商，但競爭日益激烈，導致邊際收益遞減。
- 捆綁套利：利用相關合約之間的價格差異。邏輯清晰，但機會有限。代理人可以執行此操作，但需要一些工程設計來進行規則解析和投資組合約束。代理人的適用性中等。
投機性方向策略（投機性）
- 結構化信息驅動（信息交易）：以清晰的事件或結構化信息為中心，例如官方數據發佈、公告或政策窗口。只要信息來源明確且觸發條件可定義，智能體就能在監控和執行過程中發揮速度和紀律優勢。然而，當信息需要進行語義判斷或情景解讀時，仍然需要人工干預。
- 信號跟蹤：通過跟蹤歷史上表現優異的賬戶或資金行為來獲利。規則相對簡單且可自動化。核心風險在於信號衰減和被搶先交易/反向交易，因此需要過濾機制和嚴格的倉位管理。適合作為代理人的輔助策略。
- 非結構化/噪聲驅動型：高度依賴於情緒、隨機性或參與行為。缺乏穩定、可復現的優勢，長期預期值不穩定。難以建模且風險極高；不適合系統化代理執行，也不建議作為長期策略。
高頻價格與流動性策略（市場微觀結構）：依賴於極短的決策窗口、連續報價或高頻交易。對延遲、模型和資金的要求極高。雖然理論上適用於代理人，但預測市場中的流動性和競爭強度往往限制了其應用，因此僅適用於少數擁有顯著基礎設施優勢的參與者。
風險控制與對沖：不直接以盈利為目的，而是用於降低整體風險敞口。規則和目標明確；作為基礎風險控制模塊長期運行。
摘要：適用於預測市場中代理執行的策略主要集中在規則清晰、可編碼性強且主觀判斷要求較低的場景。確定性套利應是核心收益來源，結構化信息和信號跟蹤策略作為補充。應系統性地排除高噪音和情緒化交易。代理的長期優勢在於其紀律嚴明、執行迅速且風險控制能力強。
四、預測市場代理的商業模式和產品形式
預測市場代理商的理想商業模式設計在不同層面上都有探索空間：
- 基礎設施層：提供多源實時數據聚合、智能資金地址庫、統一的預測市場執行引擎和回測工具。通過收取B2B費用來獲取與預測準確率無關的穩定收入。
- 策略層：引入社區和第三方策略，構建可複用、可評估的策略生態系統。通過期權調用、權重分配或執行利潤分成來獲取價值，從而降低對單一Alpha策略的依賴。
- 代理/金庫層：代理人通過受託管理直接參與實時交易，依靠鏈上透明記錄和嚴格的風險控制系統，根據能力賺取管理費和業績費。
相應的產品形式可分為：
- 娛樂/遊戲化模式：通過類似 Tinder 的直觀互動降低參與門檻。擁有最強的用戶增長和市場教育能力，使其成為突破小眾市場的理想切入點，但需要引導用戶購買訂閱或執行產品才能實現盈利。
- 策略訂閱/信號模式：不涉及資金託管，監管友好，權利和責任明確，且擁有相對穩定的SaaS收入結構。目前這是最可行的商業化路徑。其侷限性在於策略容易被複制，執行容易出現偏差。長期收入上限有限，但通過“信號+一鍵執行”的半自動化模式，可以顯著提升用戶體驗和用戶留存率。
- 金庫託管模式：具有規模效應和執行效率優勢，類似於資產管理產品。然而，它面臨諸多結構性限制，例如資產管理牌照、信任門檻以及集中式技術風險。該商業模式高度依賴市場環境和持續盈利能力。除非擁有長期業績記錄和機構級認可，否則不應作為主要發展路徑。
總體而言， “基礎設施貨幣化+戰略生態系統拓展+績效分成”多元化的收入結構有助於降低對“人工智能持續跑贏市場”這一單一假設的依賴。即使隨著市場成熟，超額收益（Alpha）趨於穩定，執行、風險控制和結算等基礎能力仍能保持長期價值，從而構建更可持續的業務閉環。
五、預測市場代理的項目案例
目前，預測市場代理仍處於早期探索階段。儘管市場已出現從底層框架到上層工具的各種嘗試，但尚未形成在策略生成、執行效率、風險控制系統和業務閉環等方面都成熟的標準化產品。
我們將當前的生態系統格局分為三個層次：基礎設施、自主代理和預測市場工具。
基礎設施層
這個官方開發者框架規範了“連接與交互”，處理數據檢索、訂單構建和基本的LLM接口。然而，它主要是一個訪問標準，而非一站式解決方案；它解決了“如何編寫訂單”的問題，但將策略生成、概率校準和風險管理等核心交易功能完全留給了開發者。
該工具集為 Gnosis 生態系統（Omen/Manifold）提供完整的讀寫支持，但僅對 Polymarket 提供讀取權限，從而造成了明顯的生態系統壁壘。它為 Gnosis 原生代理提供了堅實的基礎，但在跨平臺開發方面的實用性有限。
目前，Polymarket 和 Gnosis 是僅有的將“代理開發”明確產品化為官方框架的預測市場生態系統。其他預測市場，例如 Kalshi，仍然主要停留在 API 和 Python SDK 層面，需要開發者自行完善策略、風險控制、運維和監控等關鍵系統功能。
自主代理
目前市面上的“預測市場AI代理”大多仍處於早期階段。雖然被冠以“代理”之名，但它們的實際能力距離可委託的自動化閉環交易還有相當大的差距。它們通常缺乏獨立、系統化的風險控制層，也沒有將倉位管理、止損、對沖和預期值約束等功能納入決策過程。整體而言，這些產品化程度較低，尚未形成可長期運行的成熟系統。
Olas Predict 目前是產品化程度最高的預測市場代理生態系統。其核心產品“Omenstrat”基於 Gnosis 系統中的 Omen 平臺構建，採用 FPMM 和去中心化套利機制。它支持小規模高頻交易，但受限於 Omen 單一市場流動性不足。其“AI 預測”主要依賴於通用 LLM，缺乏實時數據和系統性風險控制，歷史勝率在不同類別間差異顯著。
2026年2月，Olas推出了“Polystrat”，將代理功能擴展至Polymarket平臺——用戶可以使用自然語言定義策略，代理會自動識別4天內結算的市場中的概率偏差並執行交易。該系統通過Pearl本地執行、自託管安全賬戶和硬編碼限額來控制風險，使其成為Polymarket平臺上首個面向消費者的自主交易代理。
為 Polymarket 提供自動化交易代理，其核心策略是尾部風險控制：掃描臨近結算日且隱含概率大於 95% 的合約並買入，目標是捕獲 3-5% 的價差。鏈上數據顯示勝率接近 95%，但不同類別合約的收益差異顯著。該策略高度依賴於執行頻率和類別選擇。
該項目旨在構建一個完整的“研究-判斷-執行”閉環。其架構包含一個用於信號聚合的智能層和一個使用意圖（Intent）來管理跨鏈複雜性的抽象層。目前，其全鏈金庫（Omnichain Vaults）已交付；預測市場代理（Prediction Market Agent）仍在開發中，完整的主網閉環尚未形成。總體而言，該項目仍處於願景驗證階段。
預測市場工具
目前的預測市場分析工具尚不足以構成完整的“預測市場代理”。它們的價值主要集中在代理架構的信息和分析層；交易執行、倉位管理和風險控制仍需交易者自行承擔。產品形式更接近於“策略訂閱/信號輔助/研究增強”，可以視為預測市場代理的早期原型。
基於對優秀預測市場工具的系統性回顧，我們選擇了具有初步產品形式的代表性項目：
市場分析工具
- Polyseer ：一款面向研究的工具，採用多智能體架構（規劃者/研究員/評論家/分析師/報告員）進行證據收集和貝葉斯聚合，以輸出結構化報告。方法透明，開源。
- Oddpool ： “彭博預測市場終端”，聚合了 Polymarket、Kalshi、CME 等市場，並進行套利掃描。
- Polymarket Analytics ：面向 Polymarket 的全球數據分析平臺，顯示交易員、市場、持倉和交易量數據。
- Hashdive ：一款面向交易者的數據工具，使用智能評分來識別“聰明資金”。
- Polyfactual ：專注於通過 Chrome 擴展程序進行 AI 市場情報和情緒/風險分析。
- Predly ：一款人工智能定價錯誤檢測平臺，它將市場價格與基於 Polymarket 和 Kalshi 的人工智能計算概率進行比較。聲稱警報準確率高達 89%。
- Polysights ：涵蓋 30 多個市場和鏈上指標，Insider Finder 可跟蹤新錢包和大額單向投注。
- PolyRadar ：多模型並行分析，具有實時解釋、時間線演變和置信度評分功能。
- Alphascope ：人工智能驅動的實時信號和研究摘要智能引擎（早期階段）。
警報/鯨魚追蹤
- 立場：專注於巨鯨跟單交易和高勝率警報。
- 鯨魚追蹤器 Livid ：將鯨魚位置變化產品化。
套利發現工具
- ArbBets ：人工智能驅動的工具，用於識別跨平臺套利機會（Polymarket、Kalshi、體育博彩公司）。
- PolyScalping ：針對 Polymarket 的實時套利和短線交易分析（1 分鐘掃描）。
- Eventarb ：輕量級跨平臺套利計算器（Polymarket、Kalshi、Robinhood）。
- Prediction Hunt ：跨交易所聚合器，比較價格以進行套利（Polymarket、Kalshi、PredictIt）。
交易終端/聚合執行
- Verso ：機構級終端（YC 2024 年秋季），採用彭博風格的界面，涵蓋 Polymarket 和 Kalshi 的 15,000 多個合約，並具備 AI 新聞情報功能。
- Matchr ：跨平臺聚合器，覆蓋 1500 多個市場，具有智能路由功能，可實現最佳價格匹配和計劃的自動化收益策略。
- TradeFox ：由 Alliance DAO 和 CMT Digital 提供支持的專業聚合和主經紀商平臺。提供高級訂單執行（限價、止損、TWAP）、自託管和多平臺智能路由。正在擴展至 Kalshi、Limitless 和 SxBet。
六、總結與展望
目前，預測市場代理尚處於早期探索發展階段。
- 市場本質：在 Polymarket 和 Kalshi 雙寡頭壟斷的支持下，預測市場與賭博不同，它充當“全球真理層”，通過真錢交易聚合信息。
- 核心定位：代理人作為可執行的概率投資組合管理工具發揮作用。他們將數據轉化為可驗證的價格偏差，優先考慮紀律性和執行速度。
- 策略與風險：確定性套利是自動化交易的最佳策略，投機僅作為補充。風險管理應優先考慮可執行性，並採用置信度分級和固定上限機制。
- 商業模式：最可持續的路徑結合了基礎設施（B2B 數據/執行費）、戰略生態系統（第三方許可）和金庫（基於績效的資產管理）。
儘管生態系統中湧現出各種工具和框架，但尚未出現能夠完整整合策略生成、執行效率和風險控制的成熟、標準化產品。我們期待預測市場代理的持續迭代和發展。
免責聲明：本文藉助 ChatGPT-5.2、Gemini 3 和 Claude Opus 4.5 等人工智能工具生成。儘管作者力求準確，但仍可能存在錯誤。請注意，加密資產的基本面往往與二級市場價格存在差異。本文內容僅供參考和研究之用，不構成任何投資建議或買賣代幣的推薦。
將概率轉化為資產：展望預測市場代理的未來，最初發表於 Medium 上的IOSG Ventures ，人們正在那裡通過突出顯示和回應這篇文章繼續進行討論。
