Polymarket每日交易量中越来越大的一部分来自自动化交易策略，在一些合约上，订单簿的大部分挂单都由少数几个机器人提供。你以为自己是在和其他人类交易的预测市场？越来越不是了。
过去六个月里，一场静悄悄的革命重塑了预测市场的运作机制。算法交易者——他们的策略从简单的套利脚本到由语言模型驱动的复杂系统不等——已经从边缘走到了生态系统的中心。他们的存在正在改变一切：流动性、定价效率、市场对新闻的反应速度，以及那些自以为是“聪明钱”的散户交易者的体验。
为了展示表面之下到底在发生什么，本文跟随三位综合而成的交易者，每人代表一种主要策略。交易者A、交易者B和交易者C是根据机器人运营者公开描述其系统的方式综合而成的示例人物，并非具名或接受过采访的真实个人。
机器的崛起
预测市场上的自动化交易并不新鲜。简单的套利机器人——利用Polymarket和Kalshi等平台之间价格差异的脚本——自从这两个平台的流动性足以让价差变得有利可图以来就已存在。改变的是复杂程度。
当今这一代预测市场机器人大致可分为三类：
套利机器人实时监控各平台之间的价格差异。当Polymarket把一份合约定价为43美分，而Kalshi上的同类合约是38美分时，机器人会买入便宜的一边、卖出贵的一边，赚取扣除费用和滑点后的价差。这是最简单、也最为人熟知的一类。
做市机器人通过在合约两边同时挂出买单和卖单来提供流动性，赚取买卖价差。它们会根据订单流、波动率和库存风险动态调整报价。Polymarket上好几份看起来拥有深厚、充足流动性订单簿的合约，实际上几乎完全由两三个自动化做市商支撑。
信号机器人是最新也最有意思的一类。这些系统吸收外部数据——新闻推送、社交媒体情绪、经济指标，甚至大语言模型的输出——并以任何人都无法企及的速度把这些信息转化为交易决策。不妨把它想象成一台阅读新闻的机器，只不过它是通过预测市场交易来表达观点的。
深入一个机器人交易操作
“交易者A”是我们综合出来的信号型运营者，他运营的操作每周在Polymarket的政治和宏观合约上交易约20万美元的名义交易量。
他的系统表面上看简单得出奇。一组云服务器监控着一份精心挑选的数据源清单：美联社和路透社的新闻推送、X上几位可信的政治分析师、美联储的公开讲话，以及宏观经济数据发布。一个LLM处理输入的信息，为他交易的每份合约输出概率估计。当模型的估计与市场价格出现明显偏离时，系统就会下单。
“优势不在模型本身，”他解释说，“任何像样的LLM都能估计概率。优势在于速度和纪律。当一位美联储理事在某个地区会议上脱稿发言时，我的系统在大多数人类交易者还没看到标题之前，就已经对相关合约重新定价了。”
他的系统还包含一个反馈回路。它会跟踪自身的历史准确率，并据此调整置信度。历史上表现好的合约，会获得更大的仓位；表现参差不齐的合约，仓位会更小，或者干脆回避。
运行这类系统的运营者很少公开自己的收益，他们对这门生意的描述也很低调：“这不是一夜暴富的钱，是靠苦功夫赚的钱。成百上千个小优势不断累积。”
套利层
“交易者B”运行的是纯粹的跨平台套利策略。她的系统监控Polymarket、Kalshi和几个较小平台上的同类合约，当价差超过她的成本门槛时就执行交易。
“人们以为套利是白捡的钱。不是的，”她说，“你要面对不同的结算机制、不同的费用结构、不同的入金和出金周期，还要时刻担心在两个平台上看起来一样的合约，其结算标准其实有细微差别。”
套利者最怕的情景是这样的：在Polymarket和Kalshi上看似等价的合约上持有相反的仓位。标的事件结算了，Polymarket已经赔付——但Kalshi的合约因为结算措辞略有不同，又因一场关于模糊条款的争议而多拖了三周没有结算。交易者在一边赚了钱，另一边的资金却被锁住。
“预测市场套利真正的风险不是价格风险，而是结算风险和平台风险。”
尽管困难重重，过去一年里套利层还是大幅收窄了跨平台价差。过去在不同平台之间相差5–8美分的合约，如今通常会收敛到1–2美分以内。“说实话，我们是在为市场提供服务，让整个生态系统的价格更准确。”
做市问题
第三位运营者“交易者C”在Polymarket上运行做市策略。他为约30份活跃合约提供流动性，同时报出买单和卖单，赚取价差。
“大多数散户交易者没有意识到，他们在订单簿上看到的流动性并不是自然形成的。是我，可能再加上另外两个人，”他说，“如果我们明天关掉机器人，Polymarket一半中等规模合约的买卖价差会从1–2美分飙升到8–10美分。”
这为整个生态系统提出了一个令人不安的问题：预测市场本应是把人类的判断汇集成准确概率估计的机制。如果相当一部分订单流是由本身在对其他算法作出反应的算法产生的，那么最终的价格到底代表了什么？
交易者C反驳了这种担忧。“我们没有扭曲价格，而是让市场更有效率。我们的报价基于真实的信息——订单流模式、隐含波动率、跨市场信号。我们只是比坐在笔记本电脑前的人更快、更稳定地处理这些信息。”
但其他市场参与者并不这么确定。
散户的体验
对个人交易者来说，机器人的兴起好坏参半。
好的一面是，市场的流动性比以往任何时候都好，价差也比以往任何时候都窄。2024年，散户在Polymarket一份主要合约上下500美元的单，可能会遇到3–5美分的滑点。如今，同样一笔交易的滑点往往不到1美分。
坏的一面是，曾经吸引资深散户的信息优势正在被侵蚀。如果你是那种看到突发新闻、打开Polymarket、试图根据新信息交易的人——你几乎肯定已经晚了。等你消化完标题、找到对应合约时，信号机器人早已把价格推动了。
活跃的散户交易者把这比作和一个能看到你底牌的人打扑克：不是因为有人作弊，而是因为机器人运作的速度让人类的决策过程变得毫无意义。
任何关注过传统金融市场演变的人都会对这种态势感到熟悉。股票市场在2000年代和2010年代随着高频交易公司占据主导地位，经历了类似的转变。结果是普通投资者享受到了更窄的价差和更好的成交，但试图靠信息优势跑赢市场的活跃交易者，处境则艰难得多。
预测市场或许正沿着同样的轨迹前进——只是被压缩到了几年之内，而不是几十年。
平台在采取什么措施
Polymarket公开承认其平台上存在自动化交易，总体上采取了宽松的立场。该平台的核心论点——开放、流动性充足的市场能产生最准确的概率估计——并不在乎这些流动性来自人类还是算法。
Kalshi对其做法说得没那么明确，但已实施了速率限制和报单成交比监控，间接约束了某些类型的高频策略。该平台在CFTC监管下的合规义务，也带来了一些防止市场操纵的护栏，无论交易者是人还是程序，这些规则都同样适用。
较小的平台做法各异。有些引入了延迟或“减速带”，想给人类交易者一个稍微公平一点的竞技场。另一些则拥抱机器人生态，提供专门为吸引算法交易者及其带来的流动性而设计的API接入和文档。
LLM因素
也许最有意思的进展，是由LLM驱动的交易作为一个独立类别出现了。传统量化策略依赖结构化数据和统计规律，而基于LLM的系统则可以处理非结构化信息——演讲、采访、政策文件、社交媒体帖子——并把它转化为概率估计。
一些研究团队和私人运营者正在进行这样的实验：给大语言模型一个预测市场问题，提供相关背景，让它给出一个概率。当这个概率与市场价格出现偏离时，就执行交易。
早期结果显示，对于那些答案取决于综合大量公开信息的问题，这些系统表现得相当不错——而这恰恰是预测市场被设计来回答的那类问题。
这一点颇具挑衅意味：如果一个LLM能读到与整个市场相同的信息，并得出更好的概率估计，那么这对预测市场赖以建立的“群体智慧”论点意味着什么？群体是否正在被一台博览群书的机器所取代？
至少目前，答案大概是否定的。基于LLM的交易者在总交易量中仍只占一小部分，它们的优势似乎也有限且不稳定。但方向很明确。随着模型不断进步、更多运营者入场，AI在预测市场定价中的作用只会越来越大。
接下来会怎样
预测市场中的机器人生态仍处于早期阶段。目前的运营者大多是业余爱好者、小团队，以及误打误撞进入这个领域的加密原生交易者。基础设施相当简陋：云服务器、自写脚本、人工监控。
但这个机会正在吸引更成熟的玩家。传统交易公司已经入场：海纳国际集团（Susquehanna International Group）在2024年成为Kalshi的第一家机构做市商。一旦机构级的资金和基础设施真正到来，格局将再次改变。
对散户交易者来说，实际的结论很简单：预测市场中的信息优势正在缩小。拼速度的策略注定斗不过机器人。仍然有效的是在特定领域的深厚专业知识、在波动中持仓的耐心，以及愿意在机器人优势最小的更长时间维度上交易。
对平台来说，挑战在于维持这样一种认知——以及现实——即预测市场的价格反映的是真正的集体智慧，而不只是少数资金雄厚的算法的输出。这是传统金融界多年来一直在努力维持的平衡。
预测市场曾承诺成为“真相的市场”。现在的问题是：真相有没有API？
披露：PredictReport与Polymarket和Kalshi有联盟营销合作关系。本文为独立的编辑分析，发布前未经任何一家平台审阅。
有关于预测市场自动化交易的线索？请发邮件至support@predictreport.io。
