二次发酵,300多万人围观的套利系统,真正能用的赚钱机器是怎么运转的。
Source: http://x.com/i/article/2034798301141508097
这是欧美交易大神Roan揭露的,在预测市场无风险套走巨额资金那批人的神秘手法,目前已经有接近三百多万人观看,外网都传疯了,国内也经过Mr.RC的翻译,也是200多万人看,非常受欢迎。如果你真的想知道预测市场背后的无风险赚钱机器是怎么运转的,并计划把这套东西搭起来,这期内容会很值钱。
有人在一年内,从预测市场里一共拿走了 4000 万美元的无风险套利利润。注意是无风险套利,不是靠赌方向赌运气。只排名第一的那位,一个人就套走了两百多万美元。
这些人可不是赌徒,他们非常专业。
他们跑的不是情绪,也不是新闻,而是 Bregman 投影、Frank-Wolfe算法和整数规划,会求解那种甚至很多计算机博士看了都会发愁的优化问题。
现在很多人一提到预测市场,想到的还是“押方向”“赌概率”,好像谁消息快一点,谁运气好一点,谁就能在这个市场赚到钱。
其实现实要比这个残酷的多。
假如你看到预测市场Polymarket里。yes是 0.62 美元,no是 0.33 美元,你的第一反应会是什么?各位可能会说,这两个加起来只有 0.95,里面有0.05的套利空间。
没错,但问题在于,当大多数的人还停留在这一步的时候,有人已经在干完全不同的事情。
他们不是在手动检查yes加no是否等于 1。而是在毫秒级别里,求解整数规划,用系统扫描上万个条件,以及 2 的n次方种可能的结果。等一个人类把两边订单都手动下完,价差早就没了。系统不仅已经吃掉了这次机会,它甚至已经在几十个相关市场里,把同样的定价错误全都扫过一遍,考虑好了订单簿深度、手续费、最优仓位大小,执行了并行的非原子交易,然后把资金轮换进到下一个机会。
所以差距从来不只是速度,真正的差距在于数学基础设施。
接下来你会看到,在 Polymarket 这种预测市场里,真正把钱拿走的人,到底在做什么。他们为什么可以,在大家还在看yes和no能不能加起来等于 1 的时候,就已经提走了几百万美元。更重要的是,如果你真的想构建能赚到七位数以上资金规模的交易系统,而不是停留在业余和vibe coding阶段,你应该做什么。
建议先点赞收藏,方便日后反复观看。
第一部分,讲一个很多人以为很简单,其实一点都不简单的边际多面体问题。为什么在多条件市场里简单数学会失效。
先看一个最普通的单一条件市场。
比如,“特朗普是否会赢得宾夕法尼亚州?”
yes是0.48,no是0.52,两个加起来正好是一美元,看起来好像没有套利空间对吧。
但现在我们再加一个市场。“共和党是否可以 5 个点以上的优势赢得宾夕法尼亚州?”
yes是0.32,no是0.68美元,这一组自己加起来也等于 1。有人看到这里会说,两个市场都各自平衡,那就没问题。
但恰恰就错在这里,因为这两个市场并不独立。如果共和党以 5 个点以上优势赢下宾州,那么特朗普就一定赢下宾州。也就是说,后一个事件其实蕴含前一个事件。当市场把它们当成彼此独立的东西来定价时,套利空间就出现了。
这时候,真正的问题已经不是“yes和no能不能加起来等于 1”。而是在一个有依赖关系的结果空间里,哪些结果组合才是有效的。
数学上,会把所有有效收益向量的凸包,叫做边际多面体。无套利价格必须落在这个多面体里面,只要价格落在它外面,就一定能被套利。
问题来了,那把所有可能结果枚举一遍,不就能知道哪里有错了吗?理论上可以但实际上会死。
二零壹零年的NCAA 锦标赛市场,一共有 63 场比赛,每场比赛只有胜负两种结果。那总共会有多少种可能结果?是 2 的 63 次方,也就是 9,223,372,036,854,775,808 种,同时还有 5000 多种证券。
这是天文数字,根本不可能靠暴力枚举去检查每一种组合。
所以真正的量化套利系统,不会去枚举。与其所有可能结果一个一个列出来,不如直接用线性约束,把“什么叫有效结果”描述出来。
比如一个真实案例是 Duke 对 Cornell 的体育市场。
每支队伍都有 7 种证券,表示赢 0 到 6 场,两队一共 14 个条件。如果你暴力枚举,就是 2 的 14 次方,也就是 16,384 种可能组合。
但这里面很多组合根本不可能发生。比如两队都赢 5 场以上就不可能,因为他们会在半决赛碰面。那就只需要加三条线性约束就可以:
Duke 的 0 到 6 场结果加起来必须等于 1,Cornell 的 0 到 6 场结果加起来必须等于 1,并且双方都赢到 5 场以上的情况总和不能超过 1。
三条约束,替代了 16,384 次检查。这就是量化系统处理指数级复杂度的方法。不需要枚举,加约束就可以。
因为真实数据比很多人想象的更夸张。
但发现套利机会是一回事,计算最优套利交易策略是另一回事。
接下来说第二部分,Bregman 投影,如何真正让无风险捡钱的空间从系统里消失。
你要把当前市场状态,投影到一个无套利的价格流形上,同时还要保留它原本的信息结构。
市场不是均匀的,价格从0.5到 0.6,和价格从 0.05 到 0.15,虽然都是 10 美分的变化,但它们包含的信息量完全不一样。做市商用的是对数成本函数,也就是 LMSR。
这意味着,正确的距离度量必须尊重这种信息结构,于是就会用到 Bregman 散度。这个词听起来很陌生,但你只要抓住核心。它是在告诉你,怎样在保留市场信息结构的前提下,把价格投影回无套利空间。
更关键的是,有团队已经研究证明了一件非常绝的事。任意交易能提取的最大无风险利润,等价于这个 Bregman 投影问题的最优值。也就是说,寻找最优套利交易,本质上就是在做 Bregman 投影。
这就意味着那些经常赚到钱的人,做的根本不是“凭感觉看出市场错了”。他们做的是,在价格变动之前,先把最优投影点求出来,再把最优交易方向和仓位一口气算出来。
这也是为什么,排名第一的套利者能在市场提走200多万美元。因为他们的策略,本质上就是比其他人更快、更准地求解这个优化问题。
每一笔盈利交易,都是在价格发生变动之前,先找到 μ*。
这对执行交易很重要,当你检测到套利时,你需要知道,该建立什么仓位,也就是买卖哪些条件;仓位要多大,需要考虑订单簿深度;预计的利润是多少,需要考虑的执行风险。
Bregman 投影可以把这三件事全都给你。投影结果 μ* 告诉你无套利价格向量。散度告诉你最大可提取利润。梯度 ∇D 告诉你交易方向。
没有这个框架,是在猜。有了它,才能进行真正的优化。
第三部分是要用到Frank-Wolfe 算法,这可以让计算变得容易。理论上你知道该做 Bregman 投影,但你实际会发现。直接算,还是算不动。因为边际多面体有指数级增长的顶点,标准凸优化也不现实。对于预测市场来说,这意味着你要枚举每一个有效的结果。这规模一大,直接就死。
Frank-Wolfe 算法,就是为了解决这个问题。它最厉害的地方在于,不需要一开始就把整个多面体都拿出来。它会一轮一轮的从一个很小的已知顶点集合开始,每次只加入一个新的、有用的顶点,逐步逼近真实解。
说白了,它不是一上来就把所有东西都搬出来优化,它是边走边涨,边算边补。
这时候最费事的一步,是每轮都要解一个整数线性规划问题。这件事一般情况下是 NP-hard,也就是没有任何计算捷径,只能靠穷举所有可能性才能找到最优解。听起来很难,但其实用 Gurobi 这样的现代求解器,就能巧妙地跳过绝大多数不可能的组合,迅速锁定最优解,其实非常快。
有研究团队用的 Gurobi 5.5,早期迭代时不到 1 秒,锦标赛中期,大概 10 到 30 秒,后期反而不到 5 秒。
为什么后期更快?因为随着结果不断结算,可行集合越来越小,变量越来越少,约束越来越紧,问题反而更容易解。当结果空间收缩到足够小,才能在交易时间窗口内完成。
研究还发现,在真实市场里,对于包含数千个条件的市场,50 到 150 次迭代,通常就足够收敛。这意味着,原本一个看起来完全不可行的优化问题,在实践中终于变成了能跑起来的东西。
那 4000 万美元套利利润,才真正从“数学存在”变成了“现实可执行”。
但还没完,真正容易让人亏钱的,是第四部分执行。
就算你检测到了套利,也算出了最优的套利交易策略,事情也才算做了一半。执行才是很多人最容易忽略,也最容易亏钱的地方。
比如Polymarket 用的是中心化限价订单簿,也就是 CLOB。它和链上那种能原子执行的套利完全不同。在这里,你的交易腿是顺序成交的,不是“要么全部成功,要么全部失败”。
举个例子,你计划以 0.3 买yes,再以 0.3 买no,总成本 0.6,保证兑付是1,利润是0.4,听起来很完美。
但现实就不一定,可能第一条腿成交后,市场因为你的订单动了。第二条腿再去下单,结果就变成了 0.78 成交。总成本 1.08,兑付是一,但你反而亏了 0.08。
这就叫非原子风险,数学上是对的,在执行上照样会死。
与其假设能按照报价立刻成交,不如用VWAP去计算预期成交价。区块是原子时间单位,按区块分析 VWAP,才能抓住真实可实现的价格,而不是那种假想中的瞬时成交价格。
即使价格被错定,你能吃到的利润,也只受限于当时可用的流动性。哪怕一个市场看起来有 15% 的套利边际,如果这个价位上的深度只有 234 美元,那最大利润也就35.1。并不是市场错15%,你就能无脑吃到无限的利润。在现实中,最小那条腿的流动性才决定了你的利润上限。
每个机会的最大利润公式,可以是profit = 价格偏差 × 所有所需仓位中最小的成交量,对于多条件市场,你必须同时在所有仓位上都有足够的流动性。
再往下,时间窗口,执行成功率,速度这些层级也很残酷。比如速度,散户调用 API、等待撮合、等 Polygon 出块,总延迟大概 2.65 秒。专业的套利者,用 WebSocket、预计算、直接 RPC 提交、并行执行。能把决策到进 mempool 压到 20 到 30 毫秒,总延迟大概 2.04 秒。
差了多少?只差几百毫秒。但问题是,对这种交易机会来说,几百毫秒就是一个世界。
因为当你在链上看到别人那笔套利确认的时候,他们其实在两秒前就已经检测到机会,并且在 30 毫秒里把所有交易腿全都发了出去。这是从决策到进 mempool 的时间,而且这个优势会不断的复利。等你看到后再动手,价格可能早就从0.3变成 0.78。
所以如果你要跟单聪明钱包,那就不是在套利,而是在给别人提供退出流动性,订单簿深度会直接弄死你。
而且专业的套利者运作的资本规模一般在 50 万美元以上。如果你只有 5,000 美元的话,同样的策略也很可能失效。因为滑点会吃掉小仓位中更大的比例,无法分散到足够多的机会中。一次执行失败,就会抹掉好几天利润。固定成本比如 gas,会吃掉更大比例的收益。
四腿策略的 gas 费用是约零点零二美元。如果利润是 0.08 ,其中 25% 会被吃掉。如果利润是 0.03 美元,其中 67% 会被 gas 吃掉。
执行结果的差距很大,数学上正确只是必要条件,不是充分条件。执行速度、订单簿深度、以及非原子成交风险,决定了实际利润。能提走 4000 万美元,不是因为他们只解决了数学问题,而是他们同时也很好的解决了执行问题。
最重要的留在最后这部分,专业的套利者真正在用的完整套利系统,到底长什么样。一个能工作的套利系统,首先要有实时的数据管道,你得通过 WebSocket 连接到 Polymarket CLOB API。看价格和成交量变化、成交情况,市场创建和结算事件。
还得做历史分析,接 Polygon 节点,看链上历史成交、代币拆分、合并事件。这个量级不是脚本能解决的,这是基础设施问题。
然后你还得有依赖关系检测层。就像305 个美国大选市场,会形成 46,360 对市场组合。人工分析根本不可能。这个研究论文里是直接上了 DeepSeek-R1-Distill-Qwen-32B,配合提示工程做初筛。
结果是,40,057对的独立市场,无法套利。1,576 对依赖市场,存在潜在套利机会。374 对满足严格的组合条件。最后人工验证后,只有 13 对可被利用的漏洞。
在复杂的多条件市场上,准确率是 81.45%,完全可以用于初筛。但真正执行之前,还是需要人工验证。
再往后是优化引擎,第一层做快速线性松弛,秒级筛掉明显的错价。第二层是整数规划投影,用 Frank-Wolfe 加 Gurobi 算真正的最优交易。第三层做执行验证,用当前订单簿模拟成交,检查流动性够不够、滑点后还有没有利润、利润有没有高于 0.05 美元门槛。只有这些都可以,才会执行下单。
仓位也有讲究,会根据执行成功概率、订单簿深度,用修正版凯利准则去算仓位,还会把仓位上限限制在订单簿深度的 50%,防止自己把市场推走。
最后再配一个监控面板实时追踪,还要设定好预警项,比如回撤超过15%报警,执行率降至30%以下报警,订单成交失败率激增时报警。
看到这里,你应该已经能感受到,真正赚钱的系统,到底和大多数人脑子里的“套利脚本”差了多远。
可以看到这个统计结果也非常夸张,二零贰肆年 4 月到 贰零贰伍年 4 月,Polymarket 总共被提走的无风险套利利润,大约是三千九百六十八万美元。只前十名的套利者,就拿走了 8,127,849,占了总量的 20.5%。排名第一那位,一个人就做了 4,049 笔交易,拿走了两百多万,单笔平均利润接近500美元。
这就是系统化执行下的数学精度,这就是赢家和输家的差别。
散户的做法是,每 30 秒看一次价格。看yes加no大概是不是等于 1,然后手动下单,听天由命。
专业套利者的做法是,实时的 WebSocket 数据流。整数规划检测依赖关系。Frank-Wolfe 加 Bregman 投影求最优交易。结合 VWAP 做滑点估算。并行订单执行。系统化仓位控制。2.65 秒的延迟,被压到20 到 30毫秒级别的决策提交。
一群人提走了 4000 万美元,另一群人则提供了流动性。
差距不是运气,差距就是这些,研究论文是公开的,算法是已知的,数学是可行的。基础设施也是现成的。利润也是真实存在的。真正的问题是,在下一轮的4000万美元被提走之前,你能不能把这套东西搭建出来。
如果你想更深入一点,我把最关键的资源也放在视频下方的说明栏。然后就,只剩下是否执行。
好了,娱乐节目没有任何投资建议,祝你早安午安晚安,拜拜。