7 min read

我模拟了 10,000 个 Polymarket 赛季,最后只有 3 种策略活了下来

原文:https://x.com/0xricker/status/2035334040216113631?s=46

大多数 Polymarket 交易者都靠直觉操作。 我想知道,如果把“人”这个变量彻底拿掉,交给 10,000 次模拟赛季去跑,最后到底哪些策略真的能活下来。

01. 实验设置

我搭了一个 Monte Carlo 模拟引擎,尽量还原完整的 Polymarket 交易环境,包括:

  • LMSR 流动性曲线
  • 真实手续费结构
  • 基于 Kelly Criterion 的仓位控制
  • 随时间衰减的 edge

每个策略起始资金都一样,都是 10,000 美元。 “死亡”的定义是:从净值高点回撤 80%。 没有幸存者偏差。

上面的图里展示了 120 条单独路径:

  • 红线 = 死掉的策略
  • 绿线 = 幸存者

这个比例不是巧合,而是一个数学必然: 当 EV 为负时,破产只是时间问题。

02. 最先死掉的是什么

测试了四种最常见的 Polymarket 交易方式。 结果是四种全都跑输,其中三种死亡率超过 85%。

动量交易

死亡率:94.2%

致命问题: LMSR 会瞬间把大幅波动定价进去。 等你看出“动量”时,edge 已经归零了。

靠感觉 / 靠新闻交易

死亡率:91.7%

致命问题: 公开信息早就反映进价格里了。 你永远是最后一个到场的人。

盲目跟单,尤其是慢机器人跟单

死亡率:88.3%

致命问题: 你是在鲸鱼之后才进场。 等你的单子成交,edge 早就衰减没了。

点差套利

死亡率:79.1%

致命问题: 滑点和 LMSR 的价格冲击,会把任何稍微像样一点仓位的套利空间全吃光。

杀死它们的其实是同一个公式:

EV < 0

只要每次进场没有正期望值,那波动率就只是一个“倒计时器”,最终把你归零。

公式:

EV = (P × Payout) − Cost

如果某一笔交易的 EV ≤ 0,那就直接跳过,不要做。 没有例外。 把负 EV 一路复利下去,本质上就是规模化金融自杀。

03. 活下来的 3 种策略

在 10,000 个模拟赛季里,只有那些稳定、模型驱动、持续具备正 EV 的策略活了下来。下面是最后幸存的三种。

幸存者 #1:保险模型

生存率:71.4%

核心做法: 在极端价格目标市场中卖出 “No”,主要进场价在 88–98 美分。

思路: 找那些市场群众觉得“有可能发生”,但实际上并没那么可能的事件。 在 88–98 美分买入 No,像保险公司一样收保费。 你不是在“预测未来”,你是在给市场的非理性定价。

真实案例: LucasMeow 148 胜 0 负,盈利 27.5 万美元

幸存者 #2:体育 O/U 量化模型

生存率:68.9%

核心做法: 用统计模型做比赛大小分,只有当 edge > 5% 时才进场。

思路: 用真实模型给 NCAA 的大小分定价,比如:

  • NWP 天气数据
  • 球员疲劳度
  • 历史分布切片

群众靠感觉下注。 你的模型靠的是 GFS 张量。

真实案例: sovreign2013 30 天内从 9,000 美元做到 784,000 美元 目前活跃预测 35,627 个

幸存者 #3:贝叶斯事件套利

生存率:64.2%

核心做法: 比市场更快更新概率,要求在 3 分钟窗口内 入场。

思路: 当新证据出现时,比如:

  • 伤病报告
  • 天气突变
  • 突发民调

贝叶斯交易者会在几秒钟内更新概率。 而 Polymarket 往往要 3–5 分钟 才反应过来。 这段时间窗口,就是全部 edge 所在。

公式:

P(H|E) = P(E|H) × P(H) / P(E)

这三种策略里,它的上限最高,波动也最大。

真实案例: 0xPhantomDefi 几小时内从 1,000 美元做到 3,300 美元 靠对 X 上突发民调做贝叶斯更新,拿到 +0.089 的正 EV

注意它们的形状:

  • 死掉的策略,大多都聚集在接近 0 的地方
  • 保险模型稳而窄
  • 体育 O/U 有明显右偏厚尾
  • 贝叶斯策略分布最宽,有的赛季最后只剩 1,000 美元,有的赛季可以冲到 240 万美元

同样是正 edge,不同的是波动结构。 你选哪种,取决于你的风险承受能力。

04. 模拟代码

下面是核心 Monte Carlo 引擎。 你可以自己跑,文章里的每个数字都能复现。 你真正要改的输入只有两个:

  • ev_per_trade
  • kelly_fraction
import numpy as np
from dataclasses import dataclass

# ── Strategy config ─────────────────────────────
@dataclass
class Strategy:
    name:           str
    ev_per_trade:   float   # expected value per $1 bet
    volatility:     float   # std dev of outcomes
    kelly_fraction: float   # fraction of Kelly to use

STRATEGIES = [
    Strategy("Insurance Model",  ev=0.041, vol=0.12, kelly=0.20),
    Strategy("Sports O/U Quant", ev=0.067, vol=0.18, kelly=0.28),
    Strategy("Bayesian Arb",     ev=0.089, vol=0.28, kelly=0.15),
    Strategy("Momentum",         ev=-0.031, vol=0.22, kelly=0.25),
]

# ── Single season simulation ──────────────────────
def simulate_season(strategy, bankroll=10_000, markets=500):
    b = bankroll
    peak = b

    for _ in range(markets):
        # Kelly sizing with LMSR liquidity discount
        bet_size = b * strategy.kelly_fraction * 0.85
        
        # Outcome: EV + random noise
        outcome = strategy.ev_per_trade + np.random.normal(0, strategy.volatility)
        b += bet_size * outcome
        b = max(b, 0)
        peak = max(peak, b)

        # Death condition: 80% drawdown from peak
        if b < peak * 0.20:
            return b, True   # (final_bankroll, is_dead)

    return b, False

# ── Monte Carlo: 10,000 seasons ──────────────────
def run_monte_carlo(strategy, n_seasons=10_000):
    results = [simulate_season(strategy) for _ in range(n_seasons)]
    finals  = [r[0] for r in results]
    deaths  = [r[1] for r in results]

    return {
        "survival_rate": 1 - sum(deaths) / n_seasons,
        "median_roi":    (np.median(finals) - 10_000) / 10_000,
        "p10":           np.percentile(finals, 10),
        "p90":           np.percentile(finals, 90),
    }

# ── Run it ────────────────────────────────────────
for s in STRATEGIES:
    result = run_monte_carlo(s)
    print(f"{s.name}: survival={result['survival_rate']:.1%} | "
          f"median_roi={result['median_roi']:+.0%} | "
          f"P10=${result['p10']:,.0f} | P90=${result['p90']:,.0f}")

代码里的关键点是:

bet_size 只使用 85% Kelly,用来折算 LMSR 的价格冲击。

如果你用满 Kelly,默认假设是“完全没有市场冲击”。 但在 Polymarket 里,只要仓位到 1 万到 10 万美元,这个假设就不现实了。 打个 15% 折扣,是更保守、也更能活下来的做法。

05. 这 3 种幸存策略的共同点

表面看起来,它们完全不像一类东西:

  • 市场不同
  • 入场条件不同
  • 波动特征不同

但它们有四个共同点,而且一个都不能少。

1. 每一笔进场都必须是正 EV

不是“平均下来是正的”就够了。 而是每一笔单独看都得是正 EV。

如果 EV ≤ 0,就跳过。 这条规则在 10,000 个模拟赛季里,没有任何例外。

2. 用 Kelly Criterion 控仓

公式:

f = (bp − q) / b*

哪怕策略本身是正 EV,仓位打太大一样会死。 数学很残酷,2 倍 Kelly 的长期收益,可能和 0 Kelly 一样烂。

3. 模型优先,永远不要直觉优先

每一笔进场都必须有:

  • 计算出来的概率
  • 置信区间

不是叙事,不是感觉,而是数字。

4. 你的 edge 必须是散户复制不了的

比如:

  • 实时数据流
  • 统计模型
  • 极端耐心

这个 edge 必须有结构性来源,而不是“刚好运气好”。

06. 最难听但最真实的结论

10,000 个模拟交易者里,有 9,710 个最后归零。

剩下活下来的 290 个,并不是更会预测未来。 他们只是能系统性、数学化、重复性地利用“市场价格”和“真实概率”之间的差值。

Polymarket 不奖励“你猜对了”。

它奖励的是:

你猜对了,而且仓位也下对了。

如果你在 Polymarket 交易,却没有一套数学框架, 那你不属于那 290 个幸存者。 你是在给他们送钱。

这篇回测的几个关键信息

  • 前三名幸存策略,都有正的中位 ROI,同时破产风险较低
  • 后四种策略长期都无法盈亏平衡,只会慢慢流血直到破产
  • 贝叶斯策略上限最高,中位回报可达 +1240%,但波动也最大,适合激进仓位
  • 体育 O/U 是最稳定的高 ROI 策略,说明“总分统计 edge”长期能碾压群众情绪
  • 保险模型,也就是在 88–98 美分卖 No,是风险最低的幸存者,像庄家收保费一样赚钱