1美元回報率僅43%，為何87%的Polymarket玩家都在虧錢？

Asher

Odaily资深作者

@Asher_0210

2026-03-30 08:01

本文約4877字，閱讀全文需要約7分鐘

不是因為運氣差，而是憑感覺決定倉位，忽視新的資訊變化，並在每一次市價交易中為「樂觀情緒」付費。

AI總結

展開

核心觀點：Polymarket等預測市場中，87%的交易者虧損，而13%的持續獲利者並非依賴運氣，而是系統性地運用賽局理論與數學公式（如期望值、凱利公式、貝葉斯更新等）進行決策，利用市場在低機率和高機率合約上的系統性定價偏差獲利。
關鍵要素：
1. 期望值決策：獲利交易者透過計算期望值（EV）進行決策，例如當主觀判斷的機率高於市場隱含機率時買入。數據顯示，掛單者（maker）平均每筆盈利約1.12%，而市價交易者（taker）平均虧損約1.12%。
2. 系統性定價偏差：市場存在「冷門偏好」，交易者系統性高估低機率事件。例如，定價1¢的合約對taker的實際勝率僅0.43%，偏差高達-57%，導致每投入1美元平均僅收回0.43美元。
3. 凱利公式管理倉位：在發現正期望值機會後，獲利者使用凱利公式或其分數版本（如1/2或1/4凱利）來優化下注比例，以平衡增長與風險控制，避免過度波動。
4. 貝葉斯更新調整判斷：獲利者能根據新資訊快速、合理地調整機率判斷，例如透過計算概似比，在不確定性高時對資訊反應更敏銳，從而領先市場。
5. 納許均衡與策略演化：市場最優策略隨參與者結構動態變化。隨著專業做市商湧入，均衡策略已從偏向主動成交轉向以掛單為主（約65%-70%），早期有效策略可能失效。

原文標題：Game Theory on Polymarket: The 5 Formulas tested on 72 million trades，作者：Movez（@0xMovez）

編譯｜Odaily（@OdailyChina）；譯者｜Asher（@Asher_ 0210）

在拉斯維加斯大道，老虎機的平均回報率約為 93%，也就是每投入 1 美元，平均只能拿回 0.93 美元；而在 Polymarket 上，交易者卻自願接受低至 0.43 美元的報酬，用 1 美元去押注那些賠率甚至比賭場還差的冷門結果。

這並非比喻，而是基於真實數據。研究員 Jonathan Becker 對 Kalshi 上所有已結算市場進行了分析，覆蓋 7210 萬筆交易、總計 182.6 億美元的交易量。他所發現的這些規律，同樣適用於 Polymarket——相同的機制、相同的偏差，也意味著相同的機會。數據給出的結論很直接，即約 87% 的預測市場錢包最終是虧損的，但那剩下的 13% 並不是靠運氣取勝，而是掌握了一套大多數交易者甚至未曾了解的數學方法。

本文將拆解 5 個將贏家與輸家區分開的賽局理論公式，每一個都配有對應的數學原理、真實案例，以及可直接運行的 Python 代碼，一些已經在實戰中運用這些方法的交易者包括：

RN（Polymarket 地址：https://polymarket.com/profile/%40rn1）：一款 Polymarket 算法交易機器人，基於文中模型在體育市場實現了超過 600 萬美元的總利潤。

distinct-baguette（Polymarket 地址：https://polymarket.com/profile/%40distinct-baguette）：透過做市 UP/DOWN 市場，將 560 美元滾倉到 81.2 萬美元。

一、期望值：最核心的公式

在 Polymarket 上，每一筆交易本質上都是一次期望值判斷。多數交易者依賴直覺，而那 13% 的贏家，則用數學做決策。期望值（EV）衡量的不是單次結果，而是重複多次後的平均回報，用來判斷一筆交易是否值得參與。

以一個實際市場為例，「比特幣是否會在 2026 年 6 月前達到 15 萬美元？」當前 YES 報價為 12¢，對應市場隱含機率 12%。若基於鏈上數據、減半週期和 ETF 資金流等因素，判斷真實機率約為 20%，那麼這筆交易即具備正期望值。按此計算，以 12¢ 買入的每一份合約，長期平均可獲得 8¢收益；買入 100 份，對應 12 美元成本，期望收益為 8 美元，回報率約為 +66.7%。

但數據表明，大多數預測市場交易者並不會進行這樣的計算。在覆蓋 7200 萬筆交易的樣本中，taker（市價買入者）平均每筆虧損約 1.12%，而 maker（掛單者）平均每筆盈利約 1.12%。兩者之間的差距不在於資訊，而在於耐心——maker 等待正期望值的機會，taker 則更容易衝動交易。

二、錯誤定價：低價合約陷阱

「冷門偏好」是預測市場中最昂貴的錯誤之一，交易者往往系統性高估低機率事件，為看似便宜的合約付出過高價格。一個定價為 5¢ 的合約，理論上應有 5% 的勝率，但在 Kalshi 上實際勝率只有 4.18%，對應 -16.36% 的定價偏差；在更極端的情況下，1¢ 合約本應有 1% 的勝率，但對於 taker 而言，實際勝率僅為 0.43%，偏差高達 -57%。

從整體分佈來看，市場在中間區間（30¢–70¢）的定價相對準確，但在兩端出現明顯偏差：低於 20¢ 的合約，實際勝率普遍低於定價隱含機率；高於 80¢ 的合約，則往往勝率高於其價格所反映的機率。

也就是說，市場的低效性主要集中在兩端，而這些區間恰恰是情緒化交易最集中的地方。具體來說，有兩個公式：

公式一：錯誤定價（Mispricing, δ）

錯誤定價用於衡量合約的實際勝率與其隱含機率之間的偏離程度。以 5¢ 合約為例，在所有已結算市場中，假設共有 10 萬筆以 5¢ 成交的交易，其中 4180 筆最終結果為 YES，則實際勝率為 4.18%，而價格對應的隱含機率為 5.00%。兩者之間的差值為 -0.82 個百分點，相對偏差約為 -16.36%。這意味著，每買入一份 5¢ 合約，實際都在為其支付約 16.36% 的溢價。

公式二：單筆超額收益（Gross Excess Return, rᵢ）

若錯誤定價反映的是整體偏差，那麼單筆超額收益則揭示了每一筆交易的實際回報結構，也正是在這裡，行為偏差變得清晰可見。當買入一份 5¢ 合約時，會出現兩種結果：若合約命中，收益可達 +1900%（約 20 倍回報）；若未命中，則直接虧損 100%，投入的 5¢ 全部歸零。

這正是「冷門偏好」為何具有吸引力的原因，一旦命中，回報極高，容易被記住、被放大、被傳播。但從整體來看，其實際命中率低於價格所隱含的機率，而「全部虧損」與「極高收益」之間的非對稱結構，在大量交易中會形成負期望值，本質上等同於購買被高估的彩票。

從整體分佈來看，這種偏差具有明顯的價格梯度，即價格越低的合約，回報越差。例如，作為 taker，在 1¢ 合約上每投入 1 美元，平均只能收回約 0.43 美元；而在 90¢ 合約上，每投入 1 美元，平均可獲得約 1.02 美元。價格越便宜，實際交易條件反而越不利。

進一步拆分角色可以發現，這種結構幾乎是鏡像關係，taker 在低價區間的虧損（最低可達 -57%），正對應著 maker 在同一區間的收益；整體市場的定價偏差，則位於兩者之間。換句話說，taker 每虧掉的一分錢，幾乎都被 maker 所獲得。

從賽局理論角度來看，低機率合約通常被系統性高估，高機率合約則往往被低估。真正的策略，並不是追逐冷門，而是賣出冷門、買入高確定性。

三、凱利公式：該下注多少

當發現一筆具備正期望值的交易時，真正的問題才剛剛開始，交易員該下多少？倉位過大，一次虧損就可能抹掉數週收益；倉位過小，即便有優勢，增長速度也慢到幾乎沒有意義。在「全押」和「完全不下」之間，存在一個數學上最優的下注比例，這就是凱利公式。

凱利公式由 John Kelly Jr. 於 1956 年提出，最初用於優化通訊訊號雜訊問題，後來被證明是賭博、交易乃至預測市場中最有效的倉位管理方法之一。職業撲克玩家、體育博彩高手，以及華爾街量化基金，幾乎都在使用某種形式的凱利策略。

在預測市場中，由於合約是二元結構（結果為 $1 或 $0），且價格本身就代表機率，凱利公式的應用也更為直接。關鍵在於理解賠率（b）：若以 30¢ 買入 YES 合約，實際是用 0.30 美元去博取 0.70 美元收益，對應賠率為 0.70 / 0.30 ≈ 2.33；價格為 50¢ 時賠率為 1；10¢ 時為 9；80¢ 時則僅為 0.25。賠率越高，在存在優勢的前提下，凱利建議的下注比例也越大。

但一個關鍵原則是不要使用完整凱利。雖然從數學上看，完整凱利可以最大化長期資金增長率，但在實際執行中，其波動極大，回撤動輒超過 50%。在長週期內或許收益最高，但中途劇烈波動往往讓大多數人難以堅持。因此，更常見的做法是採用分數凱利（如 1/2 或 1/4 Kelly）。例如，在穩定勝率條件下，完整凱利雖然最終資金曲線最高，但波動劇烈；1/4 凱利增長更平滑，回撤可控；1/2 凱利則介於兩者之間。

本質上，凱利公式提供的是一套紀律，先判斷是否存在優勢（即主觀機率高於市場隱含機率），在此基礎上，再決定投入多少資金。只有當「是否下注」和「下注多少」同時被數學約束時，交易才真正從博弈走向策略。

四、貝氏更新：像專家一樣改變想法

預測市場之所以波動，本質上是因為新資訊不斷進入。關鍵並不在於最初判斷是否正確，而在於當證據發生變化時，如何調整認知。多數交易者要麼忽視新資訊，要麼過度反應，而貝氏更新提供了一種「調整多少才合理」的數學方法。

其核心邏輯可以簡單理解為新的判斷 = 證據對原假設的支持程度 × 原有判斷 ÷ 該證據本身出現的總體機率。實際應用中，通常會透過全機率公式展開，得到更便於計算的形式。

以一個典型市場為例，「聯準會是否會在 6 月會議降息？」當前市場價格為 35¢，對應 35% 機率，作為初始判斷。隨後非農數據公佈，新增就業僅 12 萬（預期 20 萬），失業率上升、薪資增速放緩。在這種情況下，若聯準會確實會降息，那麼出現疲弱就業數據的機率較高，可估為 70%；若不會降息，這類數據出現的機率較低，但仍有可能，可估為 25%。

代入貝氏更新後，新的機率約為 60.1%，即從 35% 一次性上修至 60.1%，提升約 25 個百分點。這意味著，一條關鍵資訊就足以顯著改變市場判斷。

在實際操作中，並不需要每次都完整計算公式。更常用的方法是「概似比」。同一條資訊（例如 LR = 3），在不同初始判斷下影響並不相同：從 10% 出發，可能提升至約 25%；從 50% 出發，可提升至 75%；而從 90% 出發，則僅提升至約 96%。不確定性越高，資訊的影響越大。

真正長期跑贏預測市場的交易者，並不一定是「判斷最準確」的人，而是能夠在新證據出現時，最快、最合理地調整判斷的人。貝氏方法，本質上提供的就是這種「調整速度」的刻度。

五、納許均衡：預測市場中的「撲克公式」

在撲克中，詐唬從來不是拍腦袋的行為，而是一種可以被精確計算的策略。理論上存在一個最優詐唬頻率，一旦偏離，熟練的對手就能加以利用。同樣的邏輯也適用於預測市場。在 Polymarket 上，「詐唬」對應的是逆勢交易——在市場定價出現偏差時，選擇站在多數人對立面；而「棄牌」，則類似於作為被動 taker，持續為市場情緒支付溢價。

在 Polymarket 中，maker 與 taker 構成了類似的對抗關係。逆勢交易（對抗市場共識）類似於「詐唬」，順勢交易（跟隨主流判斷）類似於「價值下注」。從均衡角度來看，市場應當讓邊際參與者在「做 maker」與「做 taker」之間保持無差異，這一狀態對應的就是預測市場中的納許均衡。

但這個均衡並不是固定的，而是會隨參與者結構變化而動態調整。數據顯示，不同市場類別對應著不同的最優策略：在資訊更理性、定價更有效的領域（如金融類市場），逆勢空間較小；而在情緒更強、非理性更集中的領域（如娛樂、體育），市場更容易出現定價偏差，從而為逆勢交易提供機會。

更重要的是，這一均衡在時間維度上也發生了顯著變化。早期（2021–2023 年），taker 反而是盈利群體，最優策略偏向主動成交；而在 2024 年第四季度交易量爆發後，專業做市商大量進入，市場結構發生改變，均衡策略轉向以 maker 為主（約 65%–70%）。這正是賽局理論的典型結果，當參與者結構發生變化時，最優策略也會隨之演化。原本在「新手環境」中有效的策略，在「專業對手」面前可能迅速失效，市場的「打法」也因此不斷迭代。