13 min read

Polymarket 的印钞公式

Source: http://x.com/i/article/2032349622610354176

预测市场基本已经能涵盖大多数你能想到的领域了。

选举、战争、美联储降不降息、哪个明星要翻车——只要能算概率的,这上面都能押。

但是,绝大多数人在上面都是韭菜。

和走进赌场押注百家乐一样,天然对庄家都是劣势。

普通玩家把 Polymarket 当老虎机摇——全凭感觉,全凭"我觉得特朗普稳了"——但 Polymarket 根本不是赌场,它可能是人类造出来的最纯粹的数学系统。

有个事没人跟你说过:Polymarket 整套定价引擎的底层,就是一个方程。搞懂它,你就从赌徒变成了交易员。

如果你仔细地去观察整个市场前百分之1的钱包,而不是推特上天天晒盈利截图的KOL,你应该不难发现不少钱包的背后,是有公式的,和印钞机差不多。

---------------

注,部分代码和摘要来自于作者:

@LunarResearcher

第一部分:Polymarket 到底怎么给你的"信仰"标价

先说问题出在哪

传统金融市场靠订单簿运转。买方喊 $50,卖方喊 $52,中间一凑,成交。

股票、比特币这种几百万人交易的品种,这套玩法没毛病。但要是市场问的是"厄瓜多尔总统扛不扛得过弹劾?"呢?鬼都没人挂单,买卖差价能开一条河,根本没有流动性。

预测市场需要另一种东西——一个永远在线的机器人做市商,永远报价,永远接你的单,而且永远不会弹尽粮绝。

2002 年,一个叫 Robin Hanson 的计算机科学家搞出了答案:LMSR,对数市场评分规则。

优雅、漂亮,你在 Polymarket 上买过的每一张合约,底下跑的都是这套东西。

核心方程 LMSR 不撮合买卖双方,它维护的是一个成本函数。你的对手不是人,是数学本身。

C(q) = b × ln(Σ e^(qi / b))
  • q 是数量向量——每个结果被买了多少份
  • b 是流动性参数——决定这个市场有多"厚"
  • 求和覆盖所有可能结果

看着唬人,其实不难。就是简单的数学。

举个最简单的例子

市场:"明天下不下雨?" 两个结果:下 / 不下。

还没人买,q = [0, 0],b 设 100。

python

import numpy as np

def lmsr_cost(q, b):
    return b * np.log(np.sum(np.exp(np.array(q) / b)))

def lmsr_price(q, b, outcome):
    q = np.array(q)
    exp_q = np.exp(q / b)
    return exp_q[outcome] / np.sum(exp_q)

q = [0, 0]
b = 100
print(f"YES 价格: {lmsr_price(q, b, 0):.4f}")  # 0.5000
print(f"NO 价格: {lmsr_price(q, b, 1):.4f}")   # 0.5000

两边都是 50 美分,市场从完全中性开始。这是故意设计的。

然后有人进来扫了 50 份 YES:

python

q_after = [50, 0]
print(f"YES 价格: {lmsr_price(q_after, b, 0):.4f}")  # 0.6225
print(f"NO 价格: {lmsr_price(q_after, b, 1):.4f}")   # 0.3775

买 YES → YES 涨,NO 跌。定价函数长这样:

latex

p_k(q) = e^(qk/b) / Σ e^(qi/b)

认出来了吗?这就是 softmax——神经网络最后一层用的同一套数学。GPT 输出下一个词的概率和 Polymarket 给信念定价,用的是同一个函数。不是巧合。

Image

流动性参数为什么这么关键

b 这个参数掌控一切。

  • b 小(比如 50):价格一碰就飞。一条大鲸鱼砸 $5K 进去就能把市场拉 20%。薄如纸,波动剧烈。
  • b 大(比如 100,000):价格纹丝不动。得砸大钱才推得动。池子深,稳如老狗。

代价呢?流动性越大 = 做市商风险越大。最大可能亏损:

L_max = b × ln(n)

b = 100,000 的二元市场,这个数字大约是 $69,315。这是平台为了让市场跑起来付出的补贴——发现真相的代价。

第二部分:期望值——统治一切的终极公式

价格怎么来的你已经知道了。下一个问题:优势从哪来?

答案就一个词:EV,期望值。 这篇文章你只记一样东西的话,记这个。

EV = Σ(概率 × 回报)

你在 Polymarket 下的每一笔单,都有若干种可能结果。每种结果有个概率、有个回报。乘起来,加起来,就是你的期望值。

一个让你脑子打结的抛硬币游戏

朋友跟你打赌:抛硬币,正面他给你 $150,反面你给他 $100。

大部分人犹豫了。"亏 100 块可不是小数目啊!"

算一下:

EV = (0.50 × $150) + (0.50 × -$100) = $75 - $50 = +$25

平均每次赚 $25。翻 100 次差不多净赚 $2,500。拒绝这个赌注,数学上讲,是纯粹的犯蠢。

但研究表明大部分人真的会拒绝。为啥?损失厌恶。 人类感受亏损的强度大约是同等收益的两倍。亏 $100 的肉疼远超赚 $150 的快感。你的大脑在骗你,而且每天都在 Polymarket 上骗你亏钱。

把 EV 用到 Polymarket 上

重头戏来了。某份合约交易价 40 美分——也就是市场认为 YES 有 40% 概率。你做了真正的研究(不是拍脑袋),判断真实概率是 60%。

python

def expected_value(market_price, true_prob):
    ev = true_prob * (1 - market_price) - (1 - true_prob) * market_price
    return ev

market = 0.40
your_estimate = 0.60
ev = expected_value(market, your_estimate)
print(f"每股 EV: ${ev:.3f}")  # $0.200

每冒 1 块钱风险就有 20 美分的优势。这个数字大得离谱。传统金融里有人靠 2 美分的 edge 就能养活一整个交易台。

但有个坑:你自己的买入会把价格往上推。买 1,000 份 YES,价格就不是 40 美分了——一路爬到 55、60,每买一份都在变贵。你的平均成本在恶化,edge 在缩水。

python

def simulate_buy_impact(initial_q, shares, b, outcome=0, steps=20):
    q = list(initial_q)
    total_cost = 0
    shares_per_step = shares / steps
    for _ in range(steps):
        q_after = q.copy()
        q_after[outcome] += shares_per_step
        step_cost = lmsr_cost(q_after, b) - lmsr_cost(q, b)
        total_cost += step_cost
        q = q_after
    avg_fill = total_cost / shares
    final_price = lmsr_price(q, b, outcome)
    print(f"起始价格: {lmsr_price(initial_q, b, outcome):.4f}")
    print(f"平均成交价: {avg_fill:.4f}")
    print(f"最终价格: {final_price:.4f}")
    print(f"总成本: ${total_cost:.2f}")

simulate_buy_impact([0, 0], 200, b=100)

这就是为什么老手从来不只看盘面价格。他们建模价格冲击曲线——精确算到买多少份的时候优势就没了。

第三部分:搞炸 Polymarket 账户的 5 个心理陷阱

光有数学救不了你。你的大脑有 bug——人类几十万年进化焊死在脑袋里的认知错误。。

1. 无视基础概率 一种病,每 1,000 人里有 1 个得。你去测,准确率 99%,结果阳性。

你真的得了的概率是多少?说 99% 的话,恭喜,你和大多数医生一样答错了。

1,000 人里:1 个真阳性,大约 10 个假阳性(999 × 1%)。总共 11 个阳性,真的就 1 个。

P(真得病 | 测出阳性) = 1/11 ≈ 9%

不是 99%,是九个百分点。

Polymarket 上这种坑到处都是:

"这人初选赢了——大选也肯定赢!" 初选赢家最终赢大选的基础概率?看具体选举,远没那么高。

"合约都到 85 美分了——板上钉钉!" 85 美分的市场大约每 6-7 次就有 1 次翻车结算成 NO。这不叫稀有,这叫常规操作。

永远先问自己:基础概率是多少?别管故事讲得多动听。

2. 沉没成本陷阱 你 70 美分买了 YES。跌到 40。新消息一出,明摆着该站 NO 那边了。

你卖吗?

多数人不卖。"我都亏了 30 美分了,现在割肉不是亏大了?"

市场不知道你的入场价,也懒得知道。唯一值得想的事:如果我现在手里是现金,我会在 40 美分买 YES 吗?

答案是不会的话,你应该卖。就这么简单。

那 30 美分已经没了。死扛不会把它变回来,只会让你冒着再亏 40 美分的风险。

3. 幸存者偏差 币圈推特是赚钱才有流量的。

Polymarket 上 87% 的钱包都在亏。他们发帖了你也看不到。

下次有人给你晒暴利截图来"证明"他的策略好使——别光顾着点赞。

他那玩意说不定就是个玩具,被发出来的策略少有还能赚钱的,学学思路还凑活。

4. 拉胯的贝叶斯更新

多数人形成一个判断之后就死守到底。新证据来了?无所谓——老子已经决定了。

贝叶斯定理告诉你数学上正确的改主意方式:

P(判断 | 新证据) = P(新证据 | 判断) × P(判断) / P(新证据)

从先验概率开始。新数据一来,按比例更新。别因为一次民调就大惊小怪,也别因为十次民调跟你唱反调就装看不见。

预测市场就是这么运转的。成千上万的交易者不停地把新信息灌进价格。每个人推一点点——0.5%、2%——汇总出来的结果才会这么准。Polymarket 在所有电视台之前就喊对了 2024 大选结果,靠的就是这个。

最强的交易者不是一开始就蒙对的人,而是证据一来就最快调头的人。

5. 反凯利的仓位管理

你找到了真 edge。EV 是正的。贝叶斯分析也过了。那到底该押多少?

大部分人只有两个档位:梭哈或者毛毛雨。两种都是错的。公式在这:

f* = (p × b - q) / b

p = 胜率,q = 败率(1-p),b = 赔率倍数,f* = 该押资金的比例。

举例:60% 胜率,1:1 赔率。

f* = (0.60 × 1 - 0.40) / 1 = 0.20

凯利公式说押 20%。但 50 年的实盘血泪史告诉我们:全凯利太猛了。波动会在数学回报兑现之前先把你的心态炸穿。

我研究过的每一个职业选手——交易员也好赌神也好——用的都是 1/4 凯利到 1/2 凯利。也就是不押 20%,押 5-10%。没那么刺激,明天不会让你暴富。但下周也不会让你归零。

第四部分:把所有东西拼到一起——edge 计算器

下面是一个实战工具,把上面讲的全整合了。丢进去市场状态、你的概率判断和资金量,它告诉你该不该做、做多大。

python

def polymarket_analyzer(
    current_q,           # [q_yes, q_no]
    b,                   # 流动性参数
    your_prob,           # 你判断的 YES 概率
    bankroll,            # 总资金
    kelly_fraction=0.25  # 默认 1/4 凯利
):
    market_price = lmsr_price(current_q, b, 0)
    edge = your_prob - market_price

    print(f"市场价格: {market_price:.4f}")
    print(f"你的判断: {your_prob:.4f}")
    print(f"原始 edge: {edge:+.4f}")

    if abs(edge) < 0.03:
        print("\nEdge 太小,不做。")
        return

    if edge > 0:
        b_payout = (1 / market_price) - 1
        kelly = (your_prob * b_payout - (1 - your_prob)) / b_payout
    else:
        no_price = 1 - market_price
        b_payout = (1 / no_price) - 1
        kelly = ((1 - your_prob) * b_payout - your_prob) / b_payout

    position = bankroll * kelly * kelly_fraction
    direction = "YES" if edge > 0 else "NO"

    print(f"\n方向: 买 {direction}")
    print(f"全凯利: 资金的 {kelly:.2%}")
    print(f"1/4 凯利: 资金的 {kelly * kelly_fraction:.2%}")
    print(f"仓位: ${position:.2f}")

    shares = position / (market_price if edge > 0 else 1 - market_price)
    outcome = 0 if edge > 0 else 1
    q_after = list(current_q)
    q_after[outcome] += shares
    new_price = lmsr_price(q_after, b, outcome)
    impact = abs(new_price - (market_price if edge > 0 else 1 - market_price))

    print(f"\n价格冲击: {impact:.4f}")
    if impact > abs(edge) * 0.5:
        print("⚠️ 冲击吃掉了你一半以上的 edge,减仓。")

# 示例:市场报 35%,你觉得是 55%,本金 $10K
polymarket_analyzer(
    current_q=[-20, 20],
    b=100,
    your_prob=0.55,
    bankroll=10000
)

第五部分:完整体系

这些不是零散的数学小聪明,是一整套决策操作系统:

  • LMSR → 告诉你市场机器是怎么转的
  • 期望值 → 告诉你这笔单值不值得下
  • 基础概率 → 让你的判断落地,别飘在故事里
  • 贝叶斯更新 → 新消息来了怎么修正判断
  • 幸存者偏差 → 提醒你看不见的数据
  • 沉没成本 → 告诉你砍仓时该忘掉什么
  • 凯利公式 → 告诉你该压多少筹码

Polymarket 上最猛的那批人,其实想法都差不多。不是因为读了同一本书,也不是谁有内幕,而是市场用真金白银把他们教会的。

概率估错 → 亏钱 → 长记性。 循环个几百次,这基本就是完整课程。

扎心的真话 说实话,当我真的把这些东西想明白之后才发现,之前几乎每一笔重要交易,我的判断都是错的。

亏损单死扛不放(沉没成本)。 仓位大小看“我有多自信”(反凯利)。 跟风某个加密博主,因为他晒过一次暴赚(幸存者偏差)。 有些市场反应太慢,有些又太快(贝叶斯更新拉胯)。

最恐怖的是什么?整个过程里,我一直觉得自己特别理性。

每一笔交易我都有一套“理由”。 后来才发现,那些理由其实都是大脑编出来的故事。

这就是陷阱。

人在不理性的时候,其实感觉不到自己不理性。 你感受到的只有确信。

而很多时候,确信本身就是 bug。 前 1% 的人强在哪

扒了几千个 Polymarket 钱包之后,规律其实很清楚。

顶尖玩家不是更聪明,也不一定有内幕,直觉也未必更准。

他们只是更老实地用数学。

每笔交易先算 EV。 形成观点先看基础概率。 新证据来了按比例更新,而不是跟着情绪跑。 仓位用凯利公式定,不是用自尊心定。

一旦数学告诉他们 edge 没了,立刻砍掉,不犹豫。

这些东西都不是秘密。 公式在维基百科上,Python 随便一台电脑都能跑。

edge 不在于信息,而在于你是不是真的去算。

而现实是,87% 的人懒得算。

去做一笔 比一小时前更聪明一点的交易

吧。

------------------------------------------------

觉得有用就收藏。数学不会变,但每次你在真实交易之后回来重读一遍,理解都会更深一层。