作者：Jacob Zhao @IOSG

在過往 Crypto AI 系列研報中我們持續強調的觀點：目前加密領域最具實際應用價值的場景，主要集中在穩定幣支付與 DeFi，而 Agent 是 AI 產業面向用戶的關鍵界面。因此，在 Crypto 與 AI 融合的趨勢中，最具價值的兩條路徑分別是：短期內基於現有成熟 DeFi 協議（借貸、流動性挖礦等基礎策略，以及 Swap、Pendle PT、資金費率套利等高級策略）的 AgentFi，以及中長期圍繞穩定幣結算、並依托 ACP/AP2/x402/ERC-8004 等協議的 Agent Payment。

預測市場在 2025 年已成為不可忽視的行業新趨勢，其年度總交易量從 2024 年的約 90 億美元激增至 2025 年的超過 400 億美元，實現超過 400% 的年同比增長。這一顯著增長由多重因素共同推動：宏觀政治事件帶來的不確定性需求、基礎設施與交易模式的成熟，以及監管環境出現破冰（Kalshi 勝訴與 Polymarket 回歸美國）。預測市場智能體（Prediction Market Agent）在 2026 年初呈現早期雛形，有望在未來一年成為智能體領域的新興產品形態。

1、預測市場：從下注工具到“全球真相層”

預測市場是一種圍繞未來事件結果進行交易的金融機制，合約價格本質上反映了市場對事件發生概率的集體判斷。其有效性源於群體智慧與經濟激勵的結合：在匿名、真金白銀下注的環境中，分散信息被快速整合為按資金意願加權的價格信號，從而顯著降低噪音與虛假判斷。

▲ 預測市場名義交易量趨勢圖 資料來源：Dune Analytics (Query ID: 5753743)

截至 2025 年底，預測市場已基本形成 Polymarket 與 Kalshi 兩大寡頭主導的格局。據《福布斯》統計，2025 年總交易量約達 440 億美元，其中 Polymarket 貢獻約 215 億美元，Kalshi 約為 171 億美元。2026 年 2 月周數據顯示 Kalshi 交易量（$25.9B）已超過 Polymarket（$18.3B），接近 50% 市場份額。Kalshi 憑藉此前選舉合約案的法律勝訴、在美國體育預測市場的合規先發優勢，以及較為明確的監管預期，實現了快速擴張。目前，二者的發展路徑已呈現清晰分化：

• Polymarket 採用“鏈下撮合、鏈上結算”的混合 CLOB 架構與去中心化結算機制，構建起全球化、非托管的高流動性市場，合規重返美國後形成“在岸+離岸”雙軌運營結構；
• Kalshi 融入傳統金融體系，通過 API 接入主流零售券商，吸引華爾街做市商深度參與宏觀與數據型合約交易，產品受制於傳統監管流程，長尾需求與突發事件相對滯後。

除 Polymarket 與 Kalshi 之外，預測市場領域具備競爭力的其他參與者主要沿著兩條路徑發展：

• 一是合規分發路徑，將事件合約嵌入券商或大型平台的既有帳戶與清算體系，依托渠道覆蓋、合規資質與機構信任建立優勢（如 Interactive Brokers × ForecastEx 的 ForecastTrader，FanDuel × CME Group 的 FanDuel Predicts），合規與資源優勢顯著，但產品與用戶規模仍早期。
• 二是 Crypto 原生鏈上路徑，以 Opinion.trade、Limitless、Myriad 為代表，借助積分挖礦、短周期合約與媒體分發實現快速放量，強調性能與資金效率，但其長期可持續性與風控穩健性仍有待驗證。

傳統金融合規入口與加密原生性能優勢這兩類路徑共同構成預測市場生態的多元競爭格局。

預測市場表面上與賭博相似，本質是零和博弈，但二者的核心區別在於是否具有正外部性：通過真金白銀的交易聚合分散信息，對現實事件進行公共定價，形成有價值的信號層。其趨勢正從博弈轉向“全球真相層”——隨著 CME、彭博等機構的接入，事件概率已成為可被金融與企業系統直接調用的決策元數據，提供更及時、可量化的市場化真相。

從全球監管現狀看，預測市場的合規路徑高度分化。美國是唯一明確將預測市場納入金融衍生品監管框架的主要經濟體，歐洲、英國、澳大利亞、新加坡等市場普遍將其視為博彩並趨於收緊監管，中國、印度等則完全禁止，預測市場未來全球化擴張仍依賴於各國的監管框架。

2、預測市場智能體的架構設計

當下預測市場智能體（Prediction Market Agent）正在進入早期實踐階段，其價值不在於“AI 預測更準”，而在於放大預測市場中的信息處理與執行效率。預測市場本質是信息聚合機制，價格反映對事件概率的集體判斷；現實中的市場低效源於信息不對稱、流動性與注意力約束。預測市場智能體的合理定位是可執行的概率資產管理（Executable Probabilistic Portfolio Management）：將新聞、規則文本與鏈上數據轉化為可驗證的定價偏差，以更快、更紀律化、低成本的方式執行策略，並通過跨平台套利與組合風控捕獲結構性機會。

理想的預測市場智能體可抽象為四層架構：

• 信息層匯集新聞、社交、鏈上與官方數據；
• 分析層以 LLM 與 ML 識別錯價並計算 Edge；
• 策略層通過凱利公式、分批建倉與風控將 Edge 轉化為倉位；
• 執行層完成多市場下單、滑點與 Gas 優化與套利執行，形成高效自動化閉環。

3、預測市場智能體的策略框架

不同於傳統交易環境，預測市場在結算機制、流動性與信息分佈上具有顯著差異，並非所有市場與策略都適合自動化執行。預測市場智能體的核心在於是否被部署於規則清晰、可編碼且符合其結構性優勢的場景中。下文將從標的選擇、倉位管理與策略結構三個層面展開分析。

預測市場的標的選擇

並非所有預測市場都具備可交易價值，其參與價值取決於：結算清晰度（規則是否明確、數據源是否唯一）、流動性質量（市場深度、點差與成交量）、內幕風險（信息不對稱程度）、時間結構（到期時間與事件節奏）、以及交易者自身的信息優勢與專業背景。僅多數維度滿足基本要求時，預測市場才具備參與的基礎，參與者應依據自身優勢與市場特性進行匹配：

• 人類核心優勢：依賴專業知識、判斷力與模糊信息整合，且時間窗口相對寬鬆（以天/周計）的市場。典型如政治選舉、宏觀趨勢及企業里程碑。
• AI Agent 核心優勢：依賴數據處理、模式識別與快速執行，且決策窗口極短（以秒/分計）的市場。典型如高頻加密價格、跨市場套利及自動化做市。
• 不適配領域：由內幕信息主導或純隨機/高操縱性的市場，對任何參與者不構成優勢。

預測市場的倉位管理

凱利公式（Kelly Criterion）是重複博弈場景中最具代表性的資金管理理論，其目標並非最大化單次收益，而是最大化資金的長期複利增長率。該方法基於對勝率與賠率的估計，計算理論最優倉位比例，在具備正期望的前提下提升資本增長效率，廣泛應用於量化投資、職業博彩、撲克及資產管理領域。

• 經典形式為： f^* = (bp - q) / b
• 其中，f∗ 為最優投注比例，b 為淨賠率，p 為勝率，q=1−p
• 預測市場可簡化為：f^* = (p - market\_price) / (1 - market\_price)
• 其中，p 為主觀真實概率，market_price 為市場隱含概率

凱利公式的理論有效性高度依賴對真實概率與賠率的準確估計，現實中交易者難以持續準確掌握真實概率，在實操中，職業博彩者與預測市場參與者更傾向採用可執行性更強、對概率估計依賴更低的規則化策略：

• Unit System（單位下注法）：將資金拆分為固定單位（如 1%），根據信心等級投入不同單位數，通過單位上限自動約束單筆風險，是最常見的實務方法。
• 固定比例法（Flat Betting）：每次下注使用固定資金比例，強調紀律性與穩定性，適合風險厭惡型或低确信度環境。
• 阶梯信心法（Confidence Tiers）：預設離散倉位檔位並設置絕對上限，以降低決策複雜度，避免凱利模型的偽精確問題。
• 反向風險法（Inverted Risk Approach）：以可承受最大虧損為起點反推倉位規模，從風險約束而非收益預期出發，形成穩定的風險邊界。

對於預測市場智能體而言，策略設計應優先強調可執行性與穩定性，而非追求理論最優。關鍵在於規則清晰、參數簡潔、對判斷誤差具備容錯性。在此約束下，階梯信心法結合固定倉位上限是最適合 PM Agent 的通用倉位管理方案。該方法不依賴精確概率估計，而是根據信號強弱將機會劃分為有限檔位並對應固定倉位；即便在高确信場景下亦設置明確上限控制風險。

預測市場的策略選擇

從策略結構看，預測市場主要可分為兩大類：以規則清晰、可編碼為特徵的確定性套利策略（Arbitrage），以及依賴信息解讀與方向判斷的投機類方向策略（Speculative）；此外，還存在以專業機構為主、對資本與基礎設施要求較高的做市與對沖策略。

確定性套利策略（Arbitrage）

• 結算套利（Resolution Arbitrage）：結算套利發生在事件結果已基本確定、但市場尚未完全定價的階段，收益主要來自信息同步與執行速度。該策略規則清晰、風險較低且可完全編碼，是預測市場中最適合 Agent 執行的核心策略。
• 概率守恒套利（Dutch Book Arbitrage）：Dutch Book 套利利用互斥且完備事件集合的價格之和偏離概率守恒約束（∑P≠1）所形成的結構性失衡，通過組合建倉鎖定無方向風險收益。該策略僅依賴規則與價格關係，風險較低且可高度規則化，是適合 Agent 自動化執行的典型確定性套利形式。
• 跨平台套利：跨平台套利通過捕捉同一事件在不同市場間的定價偏差獲利，風險較低但對延遲與並行監控要求較高。該策略適合具備基礎設施優勢的 Agent 執行，但競爭加劇使邊際收益持續下降。
• 組合套利（Bundle）：組合套利利用相關合約之間的定價不一致進行交易，邏輯清晰但機會有限。該策略可由 Agent 執行，但對規則解析與組合約束有一定工程要求，Agent 適配度中等。

投機類方向策略（Speculative）

• 結構化信息驅動策略（Information Trading）：該類策略圍繞明確事件或結構化信息展開，如官方數據發布、公告或裁決窗口。只要信息來源清晰、觸發條件可定義，Agent 可在監測與執行層面發揮速度與紀律優勢；但當信息轉為語義判斷或情景解讀時，仍需人類介入。
• 信號跟隨策略（Signal Following）：該策略通過跟隨歷史表現較優的帳戶或資金行為獲取收益，規則相對簡單、可自動化執行。其核心風險在於信號退化與被反向利用，因此需要過濾機制與嚴格的倉位管理。適合作為 Agent 的輔助型策略。
• 非結構化與高噪聲策略（Unstructured / Noise-driven）：該類策略高度依賴情緒、隨機性或參與行為，缺乏穩定可複製的 edge，長期期望值不穩定。由於難以建模、風險極高，不適合 Agent 系統性執行，也不建議作為長期策略。

高頻價格與流動性策略（Market Microstructure）：該類策略依賴極短決策窗口、持續報價或高頻交易，對延遲、模型與資本要求極高。雖然理論上適合 Agent，但在預測市場中往往受限於流動性與競爭強度，僅適合少數具備顯著基礎設施優勢的參與者。

風險管理與對沖策略（Risk Control & Hedging）：該類策略並不直接追求收益，而是用於降低整體風險暴露。規則明確、目標清晰，作為底層風險控制模塊長期運行。

總體而言，預測市場中適合 Agent 執行的策略集中於規則清晰、可編碼且弱主觀判斷的場景，其中確定性套利應作為核心收益來源，結構化信息與信號跟隨策略作為補充，高噪聲與情緒型交易應被系統性排除。Agent 的長期優勢在於高紀律、高速度的執行與風控能力。

4、預測市場智能體商業模式與產品形態

預測市場智能體的理想的商業模式設計在不同層級有不同方向的探索空間：

• 基建層（Infrastructure），提供多源實時數據聚合、Smart Money 地址庫、統一的預測市場執行引擎與回測工具，向 B2B 收費，獲取與預測準確率無關的穩定收入；
• 策略層（Strategy），引入社群與第三方策略，構建可復用、可評估的策略生態，並通過調用、權重或執行分成實現價值捕獲，從而降低對單一 Alpha 的依賴。
• Agent / Vault 層，智能體以受託管理方式直接參與實盤執行，依托鏈上透明記錄與嚴格風控體系，收取管理費與績效費用。

而不同商業模式對應的產品形態，亦可以劃分為：

• 娛樂化 / 遊戲化模式：通過類 Tinder 的直覺交互降低參與門檻，具備最強的用戶增長與市場教育能力，是實現破圈的理想入口，但需承接至訂閱或執行型產品變現。
• 策略訂閱 / 信號模式：不涉及資金托管，監管友好、權責清晰，SaaS 收入結構相對穩定，是當前階段最可行的商業化路徑。其局限在於策略易被複製、執行存在損耗，長期收入天花板有限，可通過“信號 + 一鍵執行”的半自動化形態顯著改善體驗與留存。
• Vault 托管模式：具備規模效應與執行效率優勢，形態接近資管產品，但面臨資產管理牌照、信任門檻與集中化技術風險等多重結構性約束，商業模式高度依賴市場環境與持續盈利能力。除非具備長期業績與機構級背書，否則不宜作為主路徑。

總體而言，“基礎設施變現 + 策略生態擴展 + 業績參與”的多元收入結構，有助於降低對“AI 持續戰勝市場”的單一假設依賴。即便 Alpha 隨市場成熟而收斂，執行、風控與結算等底層能力仍具長期價值，從而構建更具可持續性的商業閉環。

5、預測市場智能體的項目案例

目前，預測市場智能體（Prediction Market Agents）仍處於早期探索階段。市場雖然湧現出從底層框架到上層工具的多樣化嘗試，但尚未形成一套在策略生成、執行效率、風控體系及商業閉環上均成熟的標準化產品。

我們將目前的生態版圖劃分為三個層級：基礎設施層（Infrastructure）、自主交易智能體（Autonomous Agents）以及預測市場工具（Prediction Market Tools）。

基礎設施層（Infrastructure）

Polymarket Agents框架

Polymarket Agents 是 Polymarket 官方推出的開發者框架，旨在解決“連接與交互”的工程標準化問題。該框架封裝了市場數據獲取、訂單構建及基礎的 LLM 調用接口。它解決了“如何用代碼下單”的問題，但在核心的交易能力——如策略生成、概率校準、動態倉位管理及回測系統上基本留白。它更像是官方認可的“接入規範”，而非具備 Alpha 收益的成品。商業級的 Agent 仍需在此基礎上自建完整的投研與風控內核。

Gnosis 預測市場工具

Gnosis Prediction Market Agent Tooling（PMAT）對 Omen/AIOmen 及 Manifold 提供了完整的讀寫支持，但對 Polymarket 僅開放只讀權限，生態壁壘明顯。它適合作為 Gnosis 體系內 Agent 的開發基石，但對於以 Polymarket 為主戰場的開發者而言，實用性有限。

Polymarket 與 Gnosis 是目前將“Agent 開發”明確產品化為官方框架的預測市場生態。Kalshi 等其他預測市場仍主要停留在 API 及 Python SDK 層，開發者需自行補齊策略、風控、運行與監控等關鍵系統能力。

自主交易智能體（Autonomous Agent）

當前市場上的“預測市場 AI Agents”多仍處於早期階段，雖冠以“Agent”之名，但實際能力距離可放權的自動化閉環交易仍有顯著差距，普遍缺乏獨立、系統化的風控層，未將倉位管理、止損、對沖與期望值約束納入決策流程，整體產品化程度偏低尚未形成可長期運行的成熟系統。

Olas Predict

Olas Predict 是當前產品化程度最高的預測市場智能體生態。其核心產品 Omenstrat 基於 Gnosis 體系內的 Omen 構建，底層採用 FPMM 與去中心化仲裁機制，支持小額高頻交互，但受限於 Omen 單市場流動性不足。其"AI 預測"主要依賴通用 LLM，缺乏實時數據與系統化風控，歷史勝率在品類間分化明顯。2026 年 2 月，Olas 推出 Polystrat，將 Agent 能力擴展至 Polymarket——用戶可用自然語言設定策略，Agent 自動識別 4 天內結算市場的概率偏差並執行交易。系統通過 Pearl 本地運行、自托管 Safe 賬戶與硬編碼限制控制風險，是目前首個面向 Polymarket 的消費級自主交易 Agent。

UnifAI Network Polymarket Strategy

提供 Polymarket 自動化交易 Agent，核心為尾部風險承擔策略：掃描隱含概率 >95% 的臨近結算合約並買入，目標獲取 3–5% 價差。鏈上數據顯示勝率接近 95%，但收益在品類間分化明顯，策略高度依賴執行頻率與品類選擇。

NOYA.ai

NOYA.ai 試圖將"研究—判斷—執行—監控"整合為 Agent 閉環，架構涵蓋情報層、抽象層與執行層。當前已交付 Omnichain Vaults；Prediction Market Agent 仍處開發階段，尚未形成完整主網閉環，整體處於願景驗證期。

預測市場工具 (Prediction Market Tools)

當前預測市場分析工具尚不足以構成完整的“預測市場智能體”，其價值主要集中在智能體架構中的信息層與分析層，交易執行、倉位管理與風控仍需由交易者自行承擔。從產品形態看，更符合“策略訂閱 / 信號輔助 / 研究增強”的定位，可被視為預測市場智能體的早期雛形。

通過對 Awesome-Prediction-Market-Tools 收錄項目的系統梳理與實證篩選，本文選取其中已具備初步產品形態與使用場景的代表性項目作為研報案例。主要集中於四個方向：分析與信號層、警報與鯨魚追蹤系統、套利發現工具和交易終端與聚合執行。

市場分析工具

• Polyseer：研究型預測市場工具，採用多 Agent 分工架構（Planner / Researcher / Critic / Analyst / Reporter）進行雙邊證據搜集與貝葉斯概率聚合，輸出結構化研報。其優勢在於方法論透明、流程工程化、完全開源可審計。
• Oddpool：定位為“預測市場的 Bloomberg 終端”，提供 Polymarket、Kalshi、CME 等跨平台聚合、套利掃描與實時數據儀表盤終端。
• Polymarket Analytics：全球化的 Polymarket 數據分析平台，系統性展示交易者、市場、倉位與成交數據，定位清晰、數據直觀，適合作為基礎數據查詢與研究參考。
• Hashdive：面向交易者的數據工具，通過 Smart Score 與多維 Screener 量化篩選交易者與市場，在“聰明錢識別”和跟單決策上具備實用性。
• Polyfactual：聚焦 AI 市場情報與情緒/風險分析，通過 Chrome 擴展將分析結果嵌入交易界面，偏向 B2B 與機構用戶場景。
• Predly：AI 價格偏差檢測平台，通過對比市場價格與 AI 計算概率識別 Polymarket 與 Kalshi 的定價偏差，官方聲稱警報準確率達 89%，定位於信號發現與機會篩選。
• Polysights：覆蓋 30+ 市場與鏈上指標，並以 Insider Finder 追蹤新錢包、大額單向下注等異常行為，適合日常監控與信號發現。
• PolyRadar：多模型並行分析平台，對單一事件提供實時解讀、時間線演化、置信度評分與來源透明度，強調多 AI 交叉驗證，定位分析工具。
• Alphascope：AI 驅動的預測市場情報引擎，提供實時信號、研究摘要與概率變化監控，整體仍處早期階段，偏研究與信號支持。

警報/鯨魚追蹤

• Stand：明確定位鯨魚跟單與高确信動作提醒。
• Whale Tracker Livid：將鯨魚倉位變化產品化。

套利發現工具

• ArbBets：AI 驅動的套利發現工具，聚焦於 Polymarket、Kalshi 及體育博彩市場，識別跨平台套利與正期望值（+EV）交易機會，定位於高頻機會掃描層。
• PolyScalping：面向 Polymarket 的實時套利與剝頭皮分析平台，支持每 60 秒全市場掃描、ROI 計算與 Telegram 推送，並可按流動性、價差與成交量等維度篩選機會，偏向主動交易者。
• Eventarb：輕量級跨平台套利計算與提醒工具，覆蓋 Polymarket、Kalshi 與 Robinhood，功能聚焦、免費使用，適合作為基礎套利輔助。
• Prediction Hunt：跨交易所預測市場聚合與對比工具，提供 Polymarket、Kalshi 與 PredictIt 的實時價格比較與套利識別（約 5 分鐘刷新），定位於信息對稱與市場低效發現。

交易終端/聚合執行

• Verso：獲得 YC Fall 2024 支持的機構級預測市場交易終端，提供 Bloomberg 風格界面，覆蓋 Polymarket 與 Kalshi 的 15,000+ 合約實時追蹤、深度數據分析與 AI 新聞情報，定位於專業與機構交易者。
• Matchr：跨平台預測市場聚合與執行工具，覆蓋 1,500+ 市場，通過智能路由實現最優價格撮合，並規劃基於高概率事件、跨場套利與事件驅動的自動化收益策略，定位於執行與資金效率層。
• TradeFox：由 Alliance DAO 與 CMT Digital 支持的專業預測市場聚合與 Prime Brokerage 平台，提供高級訂單執行（限價單、止盈止損、TWAP）、自托管交易與多平台智能路由，定位機構級交易者，計劃擴展至 Kalshi、Limitless、SxBet 等平台。

6、總結與展望

目前，預測市場智能體（Prediction Market Agent）正處於發展的早期探索階段。

1. 市場基礎與本質演進：Polymarket 與 Kalshi 已形成雙寡頭結構，圍繞其構建智能體具備充分的流動性與場景基礎。預測市場與賭博的核心區別在於正外部性，通過真實交易聚合分散信息，對現實事件進行公共定價，逐步演化為“全球真相層”。
2. 核心定位：預測市場智能體應定位為可執行的概率資產管理工具，其核心任務是將新聞、規則文本與鏈上數據轉化為可驗證的定價偏差，並以更高紀律性、更低成本和跨市場能力執行策略。理想架構可抽象為信息、分析、策略與執行四層，但其實際可交易性高度依賴於結算的清晰度、流動性的質量以及信息的結構化程度。
3. 策略選擇與風控邏輯：從策略層面看，確定性套利（包括結算套利、概率守恒套利及跨平台價差交易）最適合由智能體自動化執行，而方向性投機僅可作為補充。在倉位管理上，應優先考慮可執行性與容錯性，階梯法結合固定倉位上限最適合。
4. 商業模式與前景：商業化主要分為三層：基建層以數據執行基礎設施獲取穩定 B2B 收入，策略層通過第三方策略調用或分成變現，Agent/Vault 層在鏈上透明風控約束下參與實盤並收取管理費與績效費用。對應形態包括娛樂化入口、策略訂閱/信號（當前最可行）及高門檻的 Vault 托管，“基建 + 策略生態 + 業績參與”為更可持續路徑。

儘管預測市場智能體（Prediction Market Agents）生態中已湧現出從底層框架到上層工具的多樣化嘗試，但在策略生成、執行效率、風控體系及商業閉環等關鍵維度上，目前尚未出現成熟、可複製的標準化產品，我們期待未來預測市場智能體的迭代與進化。