37 min read

预测市场交易员的数学101

Source: http://x.com/i/article/2030551410006470656

原文作者:

Roan (@RohOnChain) 翻译、注释与改写: @MrRyanChi

原文链接: https://x.com/RohOnChain/status/2028489070394171427 ## 序言:为什么你一定要读这一篇文章

在过去半年,不论为了是创立 @insidersdotbot , 还是在 @Polymarket 上进行预测市场投资,我都和大量的预测市场交易员有过很深度的交流,自己也在交易上踩过各式各样的坑。

在这个过程中,一个很直观的感受是:在 Polymarket 上真正持续赚钱的人,靠的从来不是”消息灵通”或者”感觉准”。他们靠的是一套对概率、风险和市场微观结构的数学直觉——而这套直觉,是可以学的。

Roan 这篇文章做了一件我在中英文社区都很少见到的事:他把 MIT 金融数学课里的每一个核心概念,拆开来,一个一个对应到 Polymarket 的真实交易场景里。不是”这个理论很重要你去学吧”,而是”这个公式,对应的就是你昨天下单时犯的那个错误”。

我自己是一个数学生,虽然大学的时候就为了做项目,放弃了帝国理工数学系的Offer,直接“弃数从商”了。即便如此,作为打过几次IMO,在AMC也算是名列前茅的前数学生,我觉得这篇文章真的很精妙。

如果你想认真做预测市场,而不只是凭感觉赌大小,这篇值得你花一个下午读完。

考虑到文章非常非常技术性,我和我的agent一起,做了大量改写和添加。数年前,我还在靠补习赚零花钱的时候,就教出过几个IBDP高级数学满分的学生,运用当时的习惯,我会针对一些专业术语以及公式的背景和使用方法进行进一步补充,让它更好理解,对你的实际交易更有帮助。

这篇文章的来历

先说说作者 Roan 是谁。他是一个专注系统设计、高频执行和量化交易系统的后端开发者,日常工作就是研究预测市场在高负载下的真实行为——说白了,就是研究当大量订单同时涌入时,市场到底会怎么反应。

事情的起因是他看到 @GoshawkTrades 发了一篇帖子,说”40 小时的免费课程,顶一个量化交易学位”,列了 MIT、耶鲁、牛津、哥伦比亚四所大学的公开课。

Roan 看完之后做了一个决定:不再把这些课程当”收藏夹里吃灰的东西”。他清了几天时间,拿出笔和本子,从头到尾看完了

MIT 的金融数学课程

——YouTube 上免费的 20 多个小时 [1]。不跳、不倍速、不懂就倒回去重看。

他说,看完之后,再看 Polymarket 上的每一个价格、每一笔订单、每一个买卖价差,感觉完全不一样了。

这篇文章就是他的学习笔记。但不是那种”第一讲讲了什么、第二讲讲了什么”的流水账,而是把每个数学概念翻译成了你在 Polymarket 上能直接用的语言。

第一章:线性代数——你以为你分散了风险,其实没有

“线性代数”这四个字,大多数人听到就想跑。

别跑。这一章可能会改变你看自己持仓的方式。

矩阵不只是一张表格 MIT 课程上来就讲了一个很关键的区分:矩阵有两种理解方式。

第一种,你已经很熟了——矩阵就是一张表格。行是日期,列是不同的合约,格子里填的是价格。Excel 里天天见。
第二种,才是真正有用的——矩阵是一个变换器。它能把一组数据从一个”视角”映射到另一个”视角”。

这什么意思?

打个比方。你在 Polymarket 上同时持有 40 个 YES 合约。如果你只用”表格思维”去看,你看到的是:“我在这 40 个市场各买了多少”。

但如果你用”变换思维”去看,你看到的是一个完全不同的东西:当某一条新闻出来的时候,这 40 个仓位会怎么同时动?风险是怎么从一个仓位传导到另一个仓位的?

这就是矩阵思维的威力。同样的数据,换一个看法,你看到的世界完全不同。

特征值和特征向量:找到”幕后推手”

接下来课程引入了一对概念:特征值(eigenvalue) 和 特征向量(eigenvector)。

公式长这样:

Av = λv

先别被公式吓到,我用大白话解释一下。

想象你有一面哈哈镜。你站在镜子前面,镜子会把你的形象”变形”——可能拉宽、可能压扁、可能扭曲。这个”变形”就是矩阵在做的事。

但是,有一些特殊的方向,镜子只会把你拉长或缩短,不会改变方向。这些特殊方向就是特征向量。而拉长或缩短的倍数,就是特征值。

好,这跟交易有什么关系?

关系大了。假设你在选举周期里,对 100 个 Polymarket 合约做了一个相关性分析(就是看它们的价格是不是经常一起涨、一起跌)。然后你对这个相关性矩阵做特征值分解。

你会发现一个让人不安的事实:第一个特征向量(对应最大特征值的那个),几乎总是代表”整体政治情绪”。

什么意思?就是说,一条重磅新闻出来,不是只影响一个合约——它会同时推动几十个合约的价格。这些合约表面上看起来是不同的市场,但它们的价格背后,被同一股力量在驱动。

**更扎心的是,**你以为你持有 100 个仓位,风险很分散?做完特征值分解你可能会发现,3 个特征向量就解释了 80% 的总波动。你的”分散化”是个幻觉。你的真实风险,集中在 3 个你可能连名字都叫不出来的底层因子上。

用人话说,特征向量本质上是回答一个问题——**“我这 100 个仓位,到底是被几股力量在推着走?”**如果答案是”3 股”,那你不是在做 100 笔独立的交易,你是在同一个赌注上下了 100 次。想深入了解可以看 MIT 课程第 2 讲 [1]。

Image

SVD:更通用的”照妖镜”

课程还讲了奇异值分解(SVD),公式是 A = UΣVᵀ。

你不需要记这个公式。你只需要知道它能干什么:

把几个月的 Polymarket 合约价格变动数据扔进去,SVD 会告诉你——在你所有的市场里,真正独立的价格驱动因素有几个。

实际结果几乎总是让人意外:你以为有 50 个独立的市场,SVD 告诉你其实只有 5 个独立的驱动力,剩下的都是这 5 个力量的不同组合。

怎么操作: Python 里一行代码 numpy.linalg.svd() 就能算。关键不是算,是理解结果——如果前几个奇异值远大于其他的,说明你的市场远没有你想象的那么”多样化”。

第一章的核心收获 你在 Polymarket 上持有的每一个仓位,都不是独立的。它们是一个整体结构的组成部分。

用数学理解这个结构,是”管理一本账”和”真正看懂一本账”之间的区别。

第二章:概率论——你最熟悉的假设,可能正在悄悄吃掉你的利润

如果第一章讲的是”你的仓位之间有什么隐藏的联系”,第二章讲的是”你对概率的理解,从根上可能就是歪的”。

正态分布:好用,但在预测市场里是错的

正态分布(就是那个钟形曲线),你在任何统计课上都见过。它很优雅,只需要两个数字(均值和标准差)就能完全描述。

Image

但用它来直接建模 Polymarket 的价格,有两个致命问题:

问题一:正态分布允许负数。

但 Polymarket 合约的价格永远不可能低于 0。一个合约要么值 0(NO),要么值 1(YES),中间的价格代表市场认为 YES 的概率。你见过概率是 -5% 的吗?

问题二:它搞不定百分比。

一个合约从 $0.10 涨到 $0.15,涨了 50%。另一个从 $0.80 涨到 $0.85,只涨了 6.25%。但在正态分布的眼里,这两个都是”涨了 $0.05”,一样大。这显然是错的——第一个涨幅是第二个的 8 倍。如果你的模型分不清这个区别,它产出的每一个概率估计都是歪的。

对数正态分布:正确的起点

正确的做法是用对数正态分布 [3]。

Image

听起来吓人,其实很简单。核心思想就一句话:不要直接对价格建模,而是对价格的”对数”建模。

为什么这样更好?因为对数有一个天然的好处——它把乘法变成了加法。

举个例子:一个东西涨 50% 再跌 50%,你觉得回到原点了?没有。100 块涨 50% 变 150,150 跌 50% 变 75。亏了 25 块。涨跌幅是不对称的。

但如果你用对数来算:ln(1.5) ≈ 0.405,ln(0.5) ≈ -0.693。加起来是负的,正确地反映了你亏钱的事实。

对数正态分布天然处理了这种不对称性,而且保证价格永远为正。这就是为什么几乎所有严肃的金融模型都用它,而不是直接用正态分布。

一个容易踩的坑: 对数正态分布里的参数 μ 和 σ,是对数世界里的参数,不是价格世界里的。这听起来像个小细节,但搞混了会让你的模型系统性地偏离——你以为你在估计价格的波动,其实你在估计一个完全不同的东西。

大数定律:为什么”有 edge 就一直打”是对的 大数定律说的是:

如果你重复做同一件事足够多次,平均结果会越来越接近”期望值”。

用扔硬币来理解:扔 10 次,可能 7 次正面 3 次反面,看起来很不均匀。但扔 10000 次,正面的比例会非常接近 50%。

这对 Polymarket 交易者意味着什么?

如果你的模型有真实的 edge——比如说,你判断一个合约的真实概率是 50%,但市场只定价在 35%——那你每次买入都有 15% 的期望利润。

单笔交易可能亏。连续几笔可能都亏。但大数定律告诉你:只要你的 edge 是真的,交易次数足够多,利润一定会来。

这就是为什么”精确估计你的 edge 有多大”比”在某个具体合约上押对”重要一万倍。单笔交易的输赢是噪音,上千笔交易的期望才是信号。

中心极限定理:为什么你的总收益会”变正常”

这个定理的名字听起来很唬人,但它说的事情其实很直觉。

想象这个场景: 你去菜市场买菜。每个摊位的价格都不一样,有的贵有的便宜,分布很不规则。但如果你每天都去买一大堆菜,把每天的总花费记下来,过一个月再看——你会发现,每天的总花费形成了一个漂亮的钟形曲线。

这就是中心极限定理在说的事:不管单个随机事件的分布长什么奇怪的样子,只要你把足够多的随机事件加在一起,总和的分布就会趋近正态分布。

对 Polymarket 交易者来说:你的单笔交易收益分布可能很怪——可能是”要么赚 65%,要么亏 35%“这种双峰分布,完全不是正态的。但当你把几百笔交易的收益加总起来,总收益的分布开始趋近正态。

这意味着什么? 意味着你可以用正态分布的工具(比如标准差、置信区间)来管理你的整体组合风险,即使单笔交易的收益分布一点都不”正态”。

但有个前提:交易次数要够多,而且交易之间要足够独立。如果你的 100 笔交易其实都在赌同一个事件(回想第一章的特征值分解),中心极限定理的”魔法”就不灵了。

第三章:随机过程——价格到底是怎么动的

这是 Roan 说”MIT 课程开始不像在讲数学,而像在直接描述我每天在 Polymarket 上看到的东西”的部分。

先搞清楚一个概念:什么是随机过程

你现在打开 Polymarket,看到某个合约的价格图——一条从左到右的折线。

这条折线,只是无数种可能中的一种。

随机过程描述的不是这一条线,而是所有可能的线的集合。从现在到结算,价格可能走出无数条不同的路径。你看到的那条,只是命运随机选中的一条。随机过程就是那个”命运”——它定义了每条路径出现的概率。

Image

理解了这一点,你看价格图的方式就会变。你不再问”价格会涨还是跌”,而是问”所有可能的路径里,涨的路径占多大比例”。

随机游走和一个被大多数人忽略的规律

最简单的随机过程叫随机游走:每一步要么 +1 要么 -1,各 50% 概率。

关键结论来了:经过 T 步之后,你的位置的不确定性(标准差)跟 √T 成正比。

这什么意思?我用数字说话:

一个 7 天后结算的合约,不确定性是 √7 ≈ 2.65。一个 28 天后结算的合约,不确定性是 √28 ≈ 5.29。

28 天是 7 天的 4 倍,但不确定性只有 7 天的 2 倍,不是 4 倍。

Image

为什么这很重要? 因为如果你在给不同到期时间的合约定价差(spread),而你用的是线性关系(“28 天的价差应该是 7 天的 4 倍”),你就在系统性地错误定价。正确的做法是用平方根关系。

**从具体操作上来说,**下次你在比较不同到期时间的合约时,用 √(剩余天数) 来调整你的价差,而不是直接按天数等比例放大。这一个改动就能让你的定价比大多数人准确得多。

赌徒破产公式:你会不会在赚钱之前先爆仓

课程讲了一个经典问题:一个随机游走,它先碰到上界 B 还是先碰到下界 -A?

答案很简洁:

P(先碰到 B) = A / (A + B)

这个公式在 Polymarket 上有一个非常直接的应用。

假设你在一个定价 $0.90 的合约上做空(你认为它不会发生)。如果你是对的,你赚 $0.10。如果你是错的,你亏 $0.90。

在结算之前,价格会随机波动。这个公式告诉你:在你最终赚到那 $0.10 之前,价格先反向波动到让你爆仓的概率有多大。

当 A 很小(你的潜在利润很薄)而 B 很大(你的潜在亏损很大)时,你被”震出去”的概率非常高。这就是为什么在极端概率附近交易,即使你的方向判断是对的,也经常亏钱——你扛不到结算就被波动杀死了。

Image

马尔可夫性:价格”没有记忆”……真的吗? 马尔可夫性质说的是:未来只取决于现在,跟过去无关。

Image
用人话说:一个合约现在定价 $0.60,不管它是从 $0.30 涨上来的,还是从 $0.90 跌下来的,未来的走势应该是一样的。因为当前价格已经包含了市场知道的所有信息。
大多数定价模型都建立在这个假设上。它让数学变得简单很多。

**但这里有一个大多数量化交易者会忽略的东西:**在真实的 Polymarket 订单簿里,马尔可夫假设经常是错的。

比如:一个合约的价格是 $0.60,但你观察到过去一小时里有连续的大额买单在吃掉卖单**。这个”连续大额买单”的模式,携带了超越当前价格的信息**——可能有人知道了什么你还不知道的事。
再比如:结算事件之前,某一侧的流动性突然变薄。这也是一个信号,但纯马尔可夫模型看不到它,因为马尔可夫模型只看当前价格,不看”价格是怎么到这里的”。

知道什么时候该信任马尔可夫假设(大多数时候),什么时候该推翻它(关键时刻),这就是系统性 edge 在订单簿里存在的地方。

鞅:整个课程里最重要的一个概念

如果你只能从这篇文章里记住一个东西,记住这个。

鞅(Martingale) 是一个随机过程,它的核心性质是: 给定你现在知道的所有信息,你对明天价格的最佳预测,就是今天的价格。

不会更高,也不会更低。没有趋势,没有漂移。一个完全公平的游戏。

公式写出来是:E[X(t+1) | 所有历史信息] = X(t)

Image

为什么这很重要?因为在数学上可以证明:在风险中性的框架下,Polymarket 的价格就是一个鞅。

MIT的课程讲了一个叫可选停止定理(Optional Stopping Theorem) 的东西,它说了一件很残酷的事:

对于一个鞅,不存在任何基于历史信息的”聪明”进出场策略能改变你的期望收益。

翻译成人话:你不可能通过”在合适的时候买入、在合适的时候卖出”来打败一个公平的游戏。所有的技术分析、所有的择时策略,在一个鞅面前,期望收益都是零。

那 edge 从哪来? > 不是从择时来的。是从更准确的概率估计来的。

如果市场把一个事件定价在 35%,但你通过更好的信息、更好的模型,知道它的真实概率是 50%——这 15% 的差距,就是你的 edge。这个 edge 不需要你”选对时机”,你只需要在价格低于你认为的真实概率时买入,然后等结算。

**市场价格和真实概率之间的差距,是系统性 edge 唯一真正存在的地方。 所以,唯一的实操建议就是,**不要花时间研究 K 线图和技术指标。在预测市场里,这些东西的价值接近于零。把你的精力花在信息收集和概率估计上——读新闻、看数据、建模型、校准你的判断。这才是赚钱的地方。

第四章:回归分析——预测市场模型的地基

没有任何一个严肃的预测市场量化模型不用回归。这一章讲的是为什么,以及怎么用对。

回归在干什么 用最简单的话说:回归就是从一堆数据里找规律。

你有一个想预测的东西(合约最终是 YES 还是 NO),你还有一堆可能相关的信号(民调数据、订单流、历史基准率、市场动量、距离结算的时间、相关市场的走势)。回归帮你找出这些信号和结果之间的数学关系。

OLS(普通最小二乘法) 是最基础的回归方法。它的逻辑很直觉:在所有可能的预测公式里,找一个让”预测值和实际值之间的差距”最小的。这里的”差距”用的是差值的平方和——所以叫”最小二乘”。

为什么用平方? 因为有的差距是正的(预测偏高),有的是负的(预测偏低),如果直接加起来会互相抵消。平方之后全变成正数,就能正确衡量总偏差了。

Gauss-Markov 定理:OLS 为什么是”金标准” Gauss-Markov 定理 [4] 说:在三个条件满足的情况下,OLS 是你能找到的最好的线性预测方法。

Image

这三个条件是:

1. 预测误差的平均值是零(你的模型没有系统性偏差)
2. 预测误差的大小是恒定的(不会时大时小)
3. 不同时间点的预测误差之间互不相关

满足这三个条件,OLS 就是最佳线性无偏估计量——在所有不偏不倚的线性方法里,它的误差最小。

问题来了:预测市场天然违反第二个条件

在预测市场里,“误差大小恒定”这个假设几乎不可能成立。

想想看:一个合约还有 30 天才结算,价格在 $0.50 附近,波动很大,预测误差自然也大。但同一个合约只剩 1 天就结算了,价格已经到了 $0.95,结果几乎确定,预测误差接近零。

误差大小随时间剧烈变化。

这在统计学里叫异方差性(heteroscedasticity)——名字很吓人,但意思很简单:误差的”方差”不是恒定的。

这直接导致 Gauss-Markov 定理的保证失效。一个忽略这个问题的模型会怎样?

它会在接近结算时过度自信(以为自己的预测很准,其实只是因为结果快揭晓了),在远离结算时不够自信(以为自己的预测很差,其实只是因为不确定性本来就高)。
Image

解决方案:加权回归

修复方法叫广义最小二乘法(GLS),但你不需要记这个名字。核心思想很简单:

给每个数据点不同的权重。

接近结算的数据点,因为方差小,信息量其实不大,降低权重。远离结算的数据点,因为方差大,包含更多真实信息,提高权重。

Image

这样,模型在合约生命周期的每个阶段,对自己的置信度都是正确校准的。

稳健回归:别让异常值毁掉你的模型

最后一个重要概念:稳健回归。

标准 OLS 有一个弱点——它对异常值非常敏感。一个极端的数据点就能把整条回归线拉歪。

在 Polymarket 上,异常值从哪来?有争议的结算和预言机故障。

比如一个合约因为预言机出了 bug,结算结果跟实际情况不符。这在你的数据里就是一个巨大的异常值。

标准 OLS 会把这个异常值当成”非常重要的信息”,让它严重影响模型。稳健回归则会说:“这个数据点太离谱了,大概率是噪音,我不怎么理它。”

对于跨几百个合约运行的系统化模型,这种处理异常值方式的差异,可能就是稳定盈利和偶尔爆仓之间的区别。

第五章:VaR——“最坏能亏多少”的科学回答

这一讲 MIT 请来了摩根士丹利的实操人员。Roan 说语气立刻变了——不是教授在黑板上推公式,而是一个每天收盘后都要为亏损签字负责的人在说话。

VaR 是什么

VaR(Value at Risk,风险价值)回答一个非常具体的问题: 在正常市场条件下,我明天最多可能亏多少钱?

比如:你的 99% 单日 VaR 是 $4,200。意思是:有 99% 的概率,你明天的亏损不会超过 $4,200。或者反过来说,只有 1% 的概率,你会亏超过这个数。

为什么这很重要? 因为如果你不知道自己最多能亏多少,你就不知道该拿多少钱来交易。所有大型金融机构都用 VaR 来管理风险 [5]——不是因为它完美,而是因为它给了你一个具体的数字,让你可以做决策。

Image

三种算法,各有优劣 1/ 参数法

怎么算:假设收益服从正态分布,用公式直接算。优点是快,一秒出结果。缺点是假设经常是错的。在 Polymarket 上接近结算时完全不能用——收益是”要么赚要么亏”的双峰分布,跟正态分布差了十万八千里。

2/ 蒙特卡洛模拟 怎么算:用电脑随机生成上万种可能的场景,看最差的那些。优点是对各种奇怪的分布都能处理。缺点是算得慢,需要算力。最适合 Polymarket,因为它不要求收益是正态分布的。

3/ 历史模拟 怎么算:直接用过去真实发生过的行情来模拟。优点是不需要任何分布假设,真实发生过的极端情况自动包含在内。缺点是只能模拟历史上出现过的情况。如果你交易的是一个史无前例的事件类型,历史模拟就没有参考数据,会低估风险。

蒙特卡洛模拟怎么做? 简单说:让电脑随机生成 10,000 种”明天可能发生的情况”,对你的每个仓位算出在每种情况下赚多少或亏多少,然后把 10,000 个结果从最差到最好排序。第 100 差的那个(也就是最差的 1%),就是你的 99% VaR。

摩根士丹利的讲师说了一句话,Roan 用大字写在了笔记本上:

“最危险的风险,不是你的模型能衡量的风险,而是你的模型根本不知道要去找的风险。” 实操建议:

同时跑两三种 VaR 方法,然后比较结果。如果参数法说你的 VaR 是 $3,000,蒙特卡洛说是 $8,000——这个巨大的分歧本身就是一个红色警报,说明你对收益分布的假设可能正在崩塌。

第六章:GARCH——新闻冲击之后,波动要多久才会平息

Roan 说这是改变他看 Polymarket 价格图方式的一讲。我觉得他没夸张。

波动率聚集:一个你天天看到但可能没注意到的规律

你有没有注意到一个现象:Polymarket 上某个合约,平时价格波动很小,但一旦出了一条大新闻,价格剧烈波动——而且这种剧烈波动不会马上停,它会持续一段时间,然后慢慢平息。

这个现象有个名字:波动率聚集(volatility clustering) [6]。

Image

高波动之后,往往跟着更多高波动。低波动之后,往往跟着更多低波动。

这不是巧合,这是一个在股票、外汇、商品、预测市场里都反复出现的统计规律。

GARCH:把”波动率会怎么变”变成一个公式

普通的时间序列模型假设波动率是恒定的——今天的波动和明天的波动一样大。这显然跟现实不符。

GARCH(1,1) 模型用三个参数就捕捉了波动率聚集: 今天的波动率 = 一个常数 + 昨天的意外冲击有多大 + 昨天的波动率有多高

写成公式:σ²(t) = α₀ + α₁ε²(t-1) + β₁σ²(t-1)

这里面最关键的是 β₁ 这个参数。它控制的是:一次冲击之后,波动率衰减回正常水平的速度。

β₁ 接近 1?波动率会持续很久。一条大新闻出来,市场要好几天才能消化完。

β₁ 接近 0?波动率很快就回归正常。冲击来得快去得也快。

这对做市商意味着什么 > 如果你在 Polymarket 上做市(就是同时挂买单和卖单,赚中间的价差),你面临一个非常实际的问题:

一条大新闻出来之后,你应该把价差加宽多少?加宽多久?什么时候可以恢复正常报价?

以前你可能凭感觉:“嗯,感觉市场稳定了,收紧价差吧。”

现在你可以用 GARCH 来回答:拟合一个 GARCH(1,1) 模型,看 β₁ 的值。β₁ 高,就多等几个小时再收紧。β₁ 低,可以很快恢复。 怎么操作:

Python 的 arch 库(pip install arch)可以很方便地拟合 GARCH 模型。几行代码就能算出 β₁,然后你就知道波动率的”半衰期”——冲击衰减到一半需要多长时间。这比凭感觉靠谱一万倍。

第七章:投资组合理论——以及一个关于”所有人都用同一个策略”的恐怖故事 夏普比率:衡量策略好不好的标尺 夏普比率(Sharpe Ratio) [7] 可能是金融界最常用的一个指标: 夏普比率 = (你的收益 - 无风险收益) / 你的收益的波动率

它衡量的是:你每承担一单位风险,能赚到多少回报。

打个比方:策略 A 一年赚 20%,但波动率是 40%(大起大落)。策略 B 一年赚 10%,但波动率只有 5%(稳如老狗)。

策略 A 的夏普比率:20% / 40% = 0.5 策略 B 的夏普比率:10% / 5% = 2.0

策略 B 虽然赚得少,但夏普比率高得多——它每承担一分风险,赚到的回报是策略 A 的 4 倍。在专业量化的世界里,策略 B 远远优于策略 A。

一般来说,夏普比率 > 1 算不错,> 2 算很好,> 3 就是顶级了。

风险平价:一种更聪明的仓位分配方式

传统方法是按预期收益分配资本——哪个市场你觉得赚钱机会大,就多放钱。

风险平价(Risk Parity) [8] 换了一个思路:按风险贡献来分配。让每个仓位对你总组合风险的贡献相等。

在 Polymarket 上,这意味着什么?

接近结算的合约,短期波动率很高(因为马上就要揭晓结果了,要么 0 要么 1)。远离结算的合约,波动率较低,定价更平稳。
风险平价会自动让你减少接近结算的仓位、增加远离结算的仓位——自动帮你管理了那个最危险的”二元结果风险”。

千禧桥的故事:为什么”和别人一样”是最大的风险

这是整篇文章里我最喜欢的一个故事。

2000 年,伦敦千禧桥开放。成千上万的行人走上桥。然后奇怪的事情发生了:桥开始剧烈摇晃 [9]。

原因是什么?行人为了在摇晃的桥上保持平衡,无意识地开始同步他们的步伐。而同步的步伐又加剧了桥的摇晃。每个人单独来看都在做理性的事(保持平衡),但所有人加在一起,产生了一个危险的集体效应。

同样的事情在 Polymarket 上正在发生。 > 当足够多的做市商都采用同一套风控逻辑——比如都用 VPIN(成交量同步知情交易概率) [10] 作为撤退信号——一笔大的知情交易就会同时触发所有人撤退。

结果?流动性瞬间归零。价格不连续地跳空。所有人的模型同时失效。

VPIN 是什么? 简单说,它是一个衡量”当前市场里,知情交易者有多活跃”的指标。当 VPIN 升高,说明有人可能掌握了你不知道的信息,做市商就倾向于撤回报价以避免被”割”。问题是,如果所有做市商都用同一个 VPIN 阈值来决定何时撤退,就会出现”踩踏”——所有人同时跑,流动性瞬间消失。

Image
**在实际操作上,**如果你在做市,给你的撤退阈值加一些随机性。或者用跟主流不同的信号组合。在预测市场里,“和别人不一样”本身就是一种风险管理。当所有人都在用同一个策略的时候,最大的风险不是市场本身,而是策略的同质化。

这里也加入一个小插曲——在做 @insidersdotbot 的时候,经常有人提到的一个问题,就是如果所有人都去跟单同一个钱包,那这个聪明钱钱包是否就会失效。而前段时间更新的跟单过滤器和止盈止损功能,本质上就是增加了随机性(用户会推断出不同的止盈、止损还有过滤方法),从而打破了”所有人同一时间做同一件事”的踩踏效应。千禧桥的故事完美解释了这个设计背后的逻辑。

第八章:因子模型——找到推动一切的那只”看不见的手”

这是 Roan 说他花最长时间才真正理解、但现在用得最多的概念。

核心思想:100 个合约背后,可能只有 3 股力量

因子模型的出发点是一个观察:很多看起来不同的市场,价格经常一起动。

为什么?因为它们背后被同一些”因子”驱动。

用选举周期举例:Polymarket 上可能有几十个跟选举相关的合约——谁赢哪个州、谁赢总统、哪个党拿下参议院……这些合约的价格经常同涨同跌。为什么?因为它们都被同一个底层因子驱动——整体政治风向。

因子模型用数学把这个直觉变成了精确的框架:

每个合约的收益 = 它对各个因子的敏感度 × 各个因子的变动 + 它自己独有的随机波动 两种找因子的方法 > 方法一:你自己定义因子。

比如”整体政治温度”(所有政治合约的平均变动)、“体育大事件因子”(重大赛事期间所有体育合约的联动)。这些是你根据经验和直觉选出来的。

方法二:让数据告诉你因子是什么。

这就是 PCA(主成分分析) [11]。你把所有合约的历史收益数据扔进去,PCA 会自动找出”解释最多波动的几个方向”。这些方向就是你的因子。

在 Polymarket 的选举周期里,PCA 找出的第一主成分几乎总是”整体政治动量”——一个数字,同时推动几十个市场。

为什么这改变了风险管理的方式

如果 PCA 告诉你,3 个因子解释了你整个持仓 80% 的波动,那你面对的现实是:

你不是在运行 100 个独立仓位。你是在运行 3 个集中的因子敞口,包裹在 100 个合约的外衣下。

机构级的做法是:直接对冲这 3 个因子,而不是逐个管理 100 个仓位。更高效,更诚实,也更安全。

因子模型还能帮你发现一个隐藏的陷阱: > 两个表面上完全不相关的合约(比如一个关于某州选举,一个关于某项政策),可能在同一个底层政治因子上有很高的载荷。在你做因子分解之前,你看不到这个联系。但当这个因子受到冲击时,两个仓位会以你完全没有预料到的方式同时亏损。

Image

怎么操作: Python 的 sklearn.decomposition.PCA 可以对你的持仓历史收益做主成分分析。看看前 3 个主成分解释了多少方差。如果超过 70%,你需要认真想想:你的”分散化”是不是真的分散了,还是只是同一个赌注的 100 种伪装。

接下来

以上只覆盖了 MIT 金融数学课程的一部分——Roan 说连 30% 都不到。还有衍生品定价、信用建模、利率理论、高级风险框架等等,他完全没提。

这门课的深度是真的惊人。这是那种人们花 20 万美元学费才能学到的内容,但它就放在

YouTube

上免费看 [1]。大多数人会收藏,然后再也不打开。

如果你是认真想在预测市场上建立系统性优势的,我和 Roan 的建议一样:清出几天时间,打开播放列表,拿上笔和本子,从头看。你花在上面的每一个小时,都会改变你看 Polymarket 上每一个价格的方式。

概念速查表 特征值分解 → 找出”谁在幕后推动一切”。用来发现你的 100 个仓位其实只有 3 个真正的风险来源。

SVD → 更通用的矩阵分解。找出价格变动中真正独立的驱动因素有几个。

对数正态分布 → 对价格的对数建模,而不是价格本身。避免”价格为负”和”涨跌不对称”的问题。

大数定律 → 重复足够多次,平均值趋近期望值。有 edge 就坚持交易,长期一定赚钱。

中心极限定理 → 大量随机事件加总后趋近正态分布。可以用正态分布的工具管理整体组合风险。

√T 规律 → 不确定性跟时间的平方根成正比。给不同到期时间的合约定价差时,用 √天数 调整。

赌徒破产公式 → 先碰到上界还是下界的概率。评估”在赚钱之前先被波动杀死”的风险。

马尔可夫性 → 未来只取决于现在。大多数时候成立,但订单流模式是重要的例外。

鞅 → 最佳预测 = 当前值。不能靠择时赚钱,edge 只来自更准的概率估计。

OLS 回归 → 从数据里找规律的基础方法。用来建模合约结算概率。

异方差性 → 误差大小不恒定。预测市场天然存在,需要用加权回归修正。

VaR → 正常情况下最多亏多少。量化你的持仓在最坏情况下的亏损。

GARCH → 波动率会怎么随时间变化。估计新闻冲击后波动率的衰减速度。

夏普比率 → 每单位风险赚多少。评价你的交易策略好不好。

风险平价 → 按等风险贡献分配资本。自动减少接近结算的高风险仓位。

因子模型 → 用少数因子解释多个市场的联动。发现隐形的风险集中,用因子对冲替代逐个管理。

VPIN → 知情交易者有多活跃。做市商的撤退信号(但要防”踩踏”)。

参考资料

[1] MIT OpenCourseWare, “Topics in Mathematics with Applications in Finance,” Fall 2013.

课程页面

|

YouTube 播放列表

[2] S. Ross, “The Recovery Theorem,” The Journal of Finance, 2015.

[MIT Open Access](https://dspace.mit.edu/bitstream/handle/1721.1/99126/Ross_The recovery theorem.pdf)

[3] Investopedia, “Log-Normal Distribution.”

链接

[4] Wikipedia, “Gauss-Markov Theorem.”

链接

[5] Investopedia, “Value at Risk (VaR).”

链接

[6] Investopedia, “GARCH Models.”

链接

[7] Investopedia, “Sharpe Ratio.”

链接

[8] AQR Capital Management, “Understanding Risk Parity.”

PDF

[9] Belykh et al., “Emergence of the London Millennium Bridge instability without synchronisation,” Nature Communications, 2021.

链接

[10] Krypton Labs, “VPIN: The Coolest Market Metric You’ve Never Heard Of.”

链接

[11] QuestDB, “Principal Component Analysis (PCA) for Portfolio Risk.”

链接