7 min read

6条公式玩赚Polymarket

Source: http://x.com/i/article/2033163141002264576

2026年的Polymarket已经不再是“赌狗”的乐园,它正在悄然演变成量化玩家的竞技场。高端玩家正利用期权和期货市场的成熟框架,在PM系统性的收割无脑赌狗和撸毛党

不管你现在看不看得懂有没有用,只要你玩 @Polymarket 都建议你先收藏 如果你没有一套交易框架,那就很容易成为92%送钱的“燃料”

Image

Polymarket 用户盈亏数据,超过82%的用户都是亏损

本文在原文作者

@0xRicker

基础上修改**,**将拆解对冲基金用来在预测市场“提款”的6个核心公式,并演示散户和普通玩家如何复制这套量化打法,在撸毛的同时进一步提高

同时,附上相关预测实例操作

公式1:LMSR 定价模型 (Polymarket的核心) @Polymarket 的价格不是传统订单簿决定的,而是一种AMM机制

LMSR 简单理解: 市场价格 = 根据买卖数量动态计算出的概率

概率范围在0到1之间。

公式:Price_i = e^(q_i / b) / Σ e^(q_j / b)

其中:q = 每个结果被买入的数量 b = 市场流动性深度 b 越小:价格被交易影响得越大 实战案例:

在一个 5 分钟 BTC 涨跌预测市场中,若 B =100,买入 10 份 YES 份额可能让价格跳涨 5%。量化机器人会抢在所有散户之前计算出这种波动,并进行冲击套利

Image

代码:

python

import sympy as sp
import matplotlib.pyplot as plt
import numpy as np

b = 100
q_yes = sp.symbols('q_yes')
price_yes = sp.exp(q_yes / b) / (sp.exp(q_yes / b) + sp.exp(0 / b))  # Binary market
price_func = sp.lambdify(q_yes, price_yes)

qs = np.linspace(0, 1000, 100)
prices = price_func(qs)
plt.plot(qs, prices)
plt.xlabel('Quantity Bought')
plt.ylabel('Price')
plt.title('LMSR Pricing Curve')
plt.show()

风险提示: 在 B < 50 的浅水区,大户容易操纵价格,必须时刻盯着成交量

公式 2:凯利公式(长期增长的最优仓位管理) 绝不梭哈 =

凯利公式(Kelly Criterion)也是顶级对冲基金的长青秘籍。它能在避免爆仓风险的同时,相对安全的最大化资金效率

核心逻辑: 根据你的获胜概率和赔率计算出最优下注比例

数学表达:

f* = (p × odds − (1 − p)) / odds

(P是你模型计算出的真实概率,odds是市场赔率)

实战案例: 假设 2028 年 JD Vance 胜选市场价格为 0.21(赔率约 3.76),你的模型根据民调计算出真实概率P为0.25,计算得出 f* = 0.1。那么Kelly公式给出的最优仓位就是10%的资金

Image

代码:

python

import numpy as np

def kelly(p, odds):
    return (p * odds - (1 - p)) / odds

p = 0.25  # Your edge
odds = (1 / 0.21) - 1  # From market price
f_star = kelly(p, odds)
print(f"Optimal fraction: {f_star:.2f}")

# Simulate growth
bankrolls = [1]
for _ in range(100):
    outcome = np.random.rand() < p
    bankrolls.append(bankrolls[-1] * (1 + f_star * odds if outcome else 1 - f_star))

进阶建议: 永远使用“半凯利”(即计算结果除以1.5或2),以应对模型可能存在的误差。因为,如果你高估了自己的概率判断和模型误差很容易亏麻

公式 3:预期价值 (EV) 缺口(核心定价偏差检测)

当自己的概率模型 > 市场概率

量化玩家会扫描数千个合约,寻找模型与市场价格之间的“缝隙”

公式:EV = (真实概率 − 市场价格) × 回报

(当EV > 0.05且扣除手续费仍盈利时入场)

实战案例: 某地区停火协议市场价格 0.47(47% 概率),但你的新闻舆情模型给出 0.52。EV 为 0.08。在数百万美元成交量的支撑下,这就约等于无风险利润

Image

代码/实操:

python

import pandas as pd
# Assume df with 'market_price' and 'model_p'
df['ev'] = (df['model_p'] - df['market_price']) * (1 / df['market_price'])
opps = df[df['ev'] > 0.05]
print(opps)

提取10个市场的Polygon数据,计算你的模型p值(例如,平均民调)

公式 4:KL散度(关联市场错误定价扫描仪)

用来衡量两个相关联市场概率分布之间的“距离”。如果两个本该强相关的市场走势脱节,KL背离指标就会发出套利信号

核心逻辑: 计算分布 P 和 Q 之间的信息损耗

数学表达: D_KL(P||Q) = Σ P_i log(P_i / Q_i) 如果KL值很高,说明市场之间存在错误定价 实战案例: 2028 年大选的两个不同候选人(如 Vance 和 Newsom)的胜选概率。如果由于情绪扰动导致其中一个价格异常的高,KL背离会超过阈值,提醒你进行对冲套利

Image

代码:

python

from scipy.stats import entropy
p = [0.21, 0.79]  # Vance yes/no
q = [0.17, 0.83]  # Newsom
kl = entropy(p, q)
print(f"KL: {kl:.2f}")

公式 5:Bregman 投影(多结果套利优化器)

这是对冲基金常用的顶级法宝

当一个市场有几十个选项(如奥斯卡最佳影片)时,通过将复杂的概率投影到多胞体上,可以快速找出风险几乎为零的组合。如果市场价格偏离这个组合,就可以做无风险套利

核心逻辑: 在满足所有约束条件(如总概率必须为 1)的前提下,寻找最优的边缘概率,在风险可控的范围利益最大化

公式:min D_φ(μ||θ) 代码: python

import cvxpy as cp
mu = cp.Variable(2)  # Binary example
theta = [0.5, 0.5]
obj = cp.kl_div(mu[0], theta[0]) + cp.kl_div(mu[1], theta[1])
constraints = [cp.sum(mu) == 1, mu >= 0]
prob = cp.Problem(cp.Minimize(obj), constraints)
prob.solve()
print(mu.value)

公式 6:贝叶斯更新(动态概率调整)

拒绝静态思维。 在快节奏的新闻驱动市场中,每当有新的推文、民调或突发新闻出现时,你必须立即更新你的“胜率预期”

核心逻辑: 修正后的概率 = (这事儿有多反常 × 我之前的估计) / 综合可能性

数学表达:P(H|E) = P(E|H) × P(H) / P(E) 实战案例:

马斯克的推文频率市场。初始预期(经验预估)为 50%,当新推文频率激增(动态修正)时,模型自动将胜率调高至 65%,此时市场反应往往滞后,你可以利用这个时间差获利

Image

python

from scipy import stats
prior = stats.beta(1,1)  # Uniform
likelihood = 0.7  # Evidence strength
posterior = prior.pdf(0.65) * likelihood  # Simplify; use full update
Image

一图总结概括6条公

更多细节和更基础的预测落地,之后也会更新,点点赞