when do prophets profit in prediction markets¶
会议: NeurIPS 2026
arXiv: 2607.06166
论文: https://arxiv.org/abs/2607.06166
领域: 其他
关键词: 预测市场、严格真值计分规则、恰当投注策略、Bregman散度、中心限价订单薄
一句话总结¶
针对中心限价订单薄预测市场中高预测精度无法稳定转化为交易盈利的理论脱节，本文证明了基于严格真值计分规则的“恰当投注策略”（\(\mathbf{s}_G = \nabla G(\mathbf{p}) - \nabla G(\mathbf{q})\)）是本质上唯一具有鲁棒盈利保证的策略，并通过三项式利润分解揭示了预测精度、Bregman分歧红利与流动性损失之间的内生平衡。
研究背景与动机¶
预测市场通过合约交易价格汇总群体分散的信念，形成对未来不确定事件的高质量概率预测。传统理论（如 Hanson 的市场计分规则机制）建立在自动做市商（AMM）的基础之上：信息优势交易者通过将市场价格推动至自身信念分布获取预期收益，该收益恰好等于其相对市场的计分规则精度提升。然而，当今主导现实预测市场（如 Kalshi、Polymarket）的核心机制并非 AMM，而是具备更强可扩展性与监管合规性的中心限价订单薄（CLOB）。在订单薄环境下，交易者面对的是离散买卖价差、有限流动性造成的滑点冲击以及交易手续费，资产定价不再由单一凸成本势函数机械绑定，这导致预测精度向交易利润的转化机制彻底失去了原有的理论保护伞。
这一制度变革在近期的 AI 预测评测中暴露出尖锐矛盾：在 Prophet Arena 等多智能体真实交易基准上，诸多前沿大模型在 Brier 分数或对数分数上显著超越市场基准，但在实际建仓时却普遍陷入亏损；相反，部分预测精度落后于市场的模型在某些策略下反而能斩获正收益。即使在排除价差与滑点的零摩擦理想市场中，业界惯用的经典投注启发式同样面临理论失效：基于对数财富最优的 Kelly 准则因强行假设主观概率为真实分布，极易在校准误差下过度放大头寸而产生灾难性亏损；贪心押注最大边际差（Max-Margin）的策略因丢弃多元概率结构而频繁错失整体组合期望。从预测优势到交易盈利之间存在着巨大的认知鸿沟，迫切需要一种不依赖于不可观测真实概率分布、且能适配任意价格冲击函数的通用投注理论。
面对真实概率永远不可预知的本质困境，本文的切入点是将计分规则凸分析与交易执行理论相结合，探究是否存在一类仅依赖于预测信念与市场价格、且能在任意充分流动市场中保证“只要测得准就必然赚到钱”的鲁棒投注法则。核心 idea：基于严格真值计分规则的凸势函数梯度差，构造形式为 \(\mathbf{s}_G(\mathbf{p}, \mathbf{q}) = \nabla G(\mathbf{p}) - \nabla G(\mathbf{q})\) 的恰当投注策略（Proper Betting），证明其将预期利润精确分解为计分优势、Bregman散度红利与流动性滑点损失三部分，且在等价变换意义下是唯一具有鲁棒盈利保证的交易策略。
方法详解¶
整体框架¶
在包含 \(K\) 个互斥结果的预测市场中，令市场当前价格向量为 \(\mathbf{q} \in \Delta_{[K]}\)，交易者的预测概率为 \(\mathbf{p} \in \Delta_{[K]}\)，而不可观测的客观真实分布为 \(\mathbf{p}^* \in \Delta_{[K]}\)。当交易者执行持仓头寸 \(\mathbf{s} \in \mathbb{R}^K\) 时，市场流动性由单调价格冲击函数 \(\rho(\mathbf{s})\) 刻画，买入总成本为沿路径积分 \(\int_0^1 \rho(t\mathbf{s}) \cdot \mathbf{s} \, dt = \mathbf{s} \cdot \mathbf{q} + L_\rho(\mathbf{s}, \mathbf{q})\)，其中 \(L_\rho\) 为内生流动性损失。对应严格真值计分规则 \(S(\mathbf{p}, y)\) 的凸势函数为 \(G(\mathbf{p})\)。本文提出的恰当投注框架通过势函数梯度构建头寸，并拓展至有限买卖价差与动态调仓场景。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["输入数据<br/>模型预测 p 与订单薄价格 q"] --> B["恰当头寸映射<br/>计算势函数梯度差 s_G = ∇G(p) - ∇G(q)"]
B --> C["真实市场摩擦适配<br/>买卖价差门限判定与无套利区间过滤"]
C --> D["三项式利润分解机制<br/>计分优势 + Bregman散度 - 流动性损失"]
D --> E["动态执行机制<br/>基本面持有至到期 / 动量多期动态再平衡"]关键设计¶
1. 恰当头寸映射：将严格计分规则凸势函数转化为交易仓位
传统投注策略（如 Kelly 或固定比例）割裂了计分规则与资产配置的数学纽带。本文指出，对于任意严格真值计分规则 \(S(\mathbf{p}, y) = G(\mathbf{p}) + \nabla G(\mathbf{p}) \cdot (\mathbf{1}_y - \mathbf{p})\)，其内生伴随的凸势函数 \(G(\mathbf{p})\) 具备全空间几何一致性。定义恰当投注策略为两点梯度之差： $\(\mathbf{s}_G(\mathbf{p}, \mathbf{q}) := \nabla G(\mathbf{p}) - \nabla G(\mathbf{q})\)$ 该设计使头寸规模天然与预测偏差的几何斜率成正比。例如，在二次计分（Brier Score，对应 \(G(\mathbf{p}) = \|\mathbf{p}\|^2 - 1\)）下，恰当头寸为线性的 \(\mathbf{s}_{\text{Brier}} = 2(\mathbf{p} - \mathbf{q})\)；在对数计分（Logarithmic Score，对应 \(G(\mathbf{p}) = \sum_k p_k \log p_k\)）下，头寸体现为对数几率差 \(\mathbf{s}_{\text{Log}} = \log(\mathbf{p}) - \log(\mathbf{q})\)；在球面计分（Spherical Score，对应 \(G(\mathbf{p}) = \|\mathbf{p}\|\)）下，头寸为归一化方向差 \(\mathbf{s}_{\text{Sph}} = \mathbf{p}/\|\mathbf{p}\| - \mathbf{q}/\|\mathbf{q}\|\)。
2. 三项式利润分解机制：理清盈利源泉与鲁棒盈利性保证
为了证明恰当投注策略的优越性，本文推导了单次结果实现与期望收益下的精确分解定理。对于任意真实分布 \(\mathbf{p}^*\) 和市场冲击函数 \(\rho\)，恰当投注的预期收益恒等满足： $\(\pi(\mathbf{s}^*, \mathbf{p}^*) = \underbrace{\left[S(\mathbf{p}; \mathbf{p}^*) - S(\mathbf{q}; \mathbf{p}^*)\right]}_{\text{计分优势 (Score Gap)}} + \underbrace{D_G(\mathbf{q}, \mathbf{p})}_{\text{Bregman散度红利}} - \underbrace{L_\rho(\mathbf{s}^*, \mathbf{q})}_{\text{流动性滑点损失}}\)$ 其中 \(D_G(\mathbf{q}, \mathbf{p}) = G(\mathbf{q}) - G(\mathbf{p}) - \nabla G(\mathbf{p}) \cdot (\mathbf{q} - \mathbf{p}) \ge 0\) 为 Bregman 散度。该分解具备极其深刻的经济学内涵：首先，若市场流动性充分（\(D_G(\mathbf{q}, \mathbf{p}) \ge L_\rho\)），只要交易者预测精度优于市场（计分优势 \(>0\)），无论真实概率 \(\mathbf{p}^*\) 为何，策略预期利润必然严格为正，即满足鲁棒盈利性（Robust Profitability）。其次，Bregman 项解释了“预测落后却能赚钱”的悖论：当预测偏离市场价格极远时，巨大的分歧溢价足以弥补负计分优势。最后，该定理严格涵盖了经典 AMM 理论作为特例：在 AMM 凸成本函数 \(C(\mathbf{x})\) 下，做市滑点精确等于 \(D_C = D_G(\mathbf{q}, \mathbf{p})\)，使得散度与滑点完全抵消，退化为经典纯计分差结论。更进一步，定理 2 证明了在常数平移（买入无风险组合 \(\mathbf{1}\)）和正比例缩放下，恰当投注策略是全空间唯一具备鲁棒盈利保证的策略。
3. 真实市场摩擦适配：非零买卖价差与动态执行机制
现实订单薄存在买价 \(q_k^+\) 与卖价 \(q_k^-\)，满足无套利条件 \(q_k^+ + q_k^- \ge 1\)。本文将每个结果拆解为独立的二元合约（YES/NO），定义带门限的买卖价差自适应恰当头寸： $\(s_k = \begin{cases} \nabla G(p_k) - \nabla G(q_k^+), & \text{若 } p_k > q_k^+ \text{ (以 } q_k^+ \text{ 买入 YES)} \\ \nabla G(p_k) - \nabla G(1 - q_k^-), & \text{若 } p_k < 1 - q_k^- \text{ (以 } q_k^- \text{ 买入 NO)} \\ 0, & \text{若 } 1 - q_k^- \le p_k \le q_k^+ \text{ (不作为区间)} \end{cases}\)$ 该机制建立了内生“无交易带”（No-Bet Zone），自动过滤掉不足以覆盖价差成本的微弱信号。针对多期长跨度事件，本文进一步提出动量驱动型多期调仓策略（Momentum-Driven Strategy），证明其累积利润分解依赖于交易者对下一期市场价格 \(\mathbf{q}^{t+1}\) 的预测优势，将原本无法直接观测的 \(\mathbf{p}^*\) 转化为完全可观测的步进式对冲检验。
一个完整示例¶
考虑三分类事件 \(K=3\)（如某地选举三方竞争），市场当前报价为 \(\mathbf{q} = (0.80, 0.10, 0.10)\)，模型预测为 \(\mathbf{p} = (0.64, 0.32, 0.04)\)，而潜在真实概率为 \(\mathbf{p}^* = (0.10, 0.10, 0.80)\)。 - 精度检验：在二次计分下，\(\|\mathbf{p}^* - \mathbf{p}\|^2 = (0.54)^2 + (0.22)^2 + (0.76)^2 = 0.9176\)，而 \(\|\mathbf{p}^* - \mathbf{q}\|^2 = (0.70)^2 + (0.00)^2 + (0.70)^2 = 0.9800\)。由于距离更小，模型精度显著超越市场。 - Kelly 准则失效：多元 Kelly 准则按 \(\mathbf{p} \oslash \mathbf{q}\) 分配资金，计算得头寸比为 \((0.80, 3.20, 0.40)\)，其预期收益为 \((\mathbf{p} \oslash \mathbf{q}) \cdot (\mathbf{p}^* - \mathbf{q}) = 0.80 \times (-0.70) + 3.20 \times 0.00 + 0.40 \times 0.70 = -0.56 + 0.28 = -0.28 < 0\)。模型因高估了第二项的倍率并重仓，导致严重亏损。 - 恰当投注策略（Brier）：头寸为 \(\mathbf{s}_{\text{Brier}} = 2(\mathbf{p} - \mathbf{q}) = 2(-0.16, +0.22, -0.06) = (-0.32, +0.44, -0.12)\)。在零摩擦下预期收益为 \(\mathbf{s} \cdot (\mathbf{p}^* - \mathbf{q}) = (-0.32)(-0.70) + 0.44(0.00) + (-0.12)(0.70) = +0.224 - 0.084 = +0.140 > 0\)。计分优势为 \(0.9800 - 0.9176 = 0.0624\)，Bregman 散度为 \(\|\mathbf{q} - \mathbf{p}\|^2 = (-0.16)^2 + (0.22)^2 + (-0.06)^2 = 0.0776\)，两者相加恰好等于预期利润 \(0.0624 + 0.0776 = 0.1400\)。
实验关键数据¶
主实验¶
实验基于 Prophet Arena 平台收集的 18 个前沿大语言模型、共计 94,453 条跨领域（政治、体育、经济、加密资产）真实事件预测。表 1 对比了基于二次规则的恰当投注策略（Brier）相对四类经典启发式基线的超额收益差距（\(\text{ROI}_{\text{Brier}} - \text{ROI}_{\text{Baseline}}\)，百分比点），置信区间采用 95% 事件聚类 Bootstrap。
| 模型 | 计分优势 \(\Delta S\) | 相对最大边际 (单市场) | 相对最大边际 (事件组) | 相对反向边际 | 相对类 Kelly 启发式 | 相对标准 Kelly |
|---|---|---|---|---|---|---|
| Gemini 3.1 Pro (B) | +0.0076 | +30.3 [+20.7, +39.9] | +30.1 [+15.5, +42.9] | +39.2 [+27.7, +50.6] | +24.3 [+16.1, +32.8] | +138.9 [+127.3, +150.4] |
| Claude Fable 5 | +0.0039 | +26.8 [+15.3, +40.0] | +48.3 [+34.2, +63.1] | +33.6 [+20.0, +48.9] | +16.8 [+7.3, +27.4] | +129.0 [-1.3e9, +141.8] |
| GPT-5.6 Sol | +0.0033 | +22.4 [+12.2, +35.4] | +39.9 [+24.3, +55.7] | +28.5 [+15.7, +43.7] | +15.7 [+6.0, +27.1] | -1220.4 [-2.2e8, +122.5] |
| GPT-5.5 (B) | -0.0059 | +13.0 [-1.2, +29.3] | +20.3 [-0.7, +41.1] | +18.6 [+0.1, +38.9] | +8.6 [-2.7, +21.4] | +116.8 [+99.8, +136.0] |
| GPT-5.5 (C) | -0.0056 | +8.8 [-1.5, +18.7] | +3.6 [-28.4, +27.3] | +7.0 [-5.5, +19.4] | +2.0 [-6.3, +10.0] | +107.3 [+94.9, +119.2] |
消融实验¶
表 2 呈现了多模型在不同计分规则（Brier 二次规则、Log 对数规则、Spherical 球面规则）下的理论利润三项式消融验证（归一化为 ROI 贡献：\(\text{ROI} = \Delta S + D\)），揭示了计分优势与散度红利的权衡。
| 模型 | Brier 计分差 \(\Delta S\) | Brier 散度 \(D\) | Brier 实际 ROI | Log 计分差 \(\Delta S\) | Log 散度 \(D\) | Log 实际 ROI | 测试事件数 |
|---|---|---|---|---|---|---|---|
| Gemini 3.1 Pro (B) | +11.7% | +27.2% | +38.9% | +7.5% | +20.9% | +28.4% | 1,113 |
| Claude Fable 5 | +12.3% | +16.7% | +29.0% | +8.6% | +12.9% | +21.5% | 1,140 |
| GPT-5.6 Sol | +10.9% | +15.9% | +26.7% | +10.7% | +12.6% | +23.3% | 866 |
| GPT-5.5 (B) | -15.4% | +32.2% | +16.8% | -9.5% | +21.2% | +11.7% | 842 |
| GPT-5.5 (C) | -15.6% | +22.9% | +7.3% | -13.1% | +18.4% | +5.2% | 979 |
此外，作者在真实受管辖交易所 Kalshi 上进行了为期 26 天（2026 年 4-5 月）的实盘资金验证：使用 Gemini 3 + Brier 动量策略，初始资金 200 美元，完成 236 笔实盘撮合成交（覆盖 129 个市场），在扣除 26.31 美元手续费和全部流动性滑点后，期末资金达 360.67 美元，实现未经修剪的实际 ROI +80.33%，3-截尾 ROI（剔除最赚与最亏各 3 笔交易）达 +24.2%，年化夏普比率达 3.35（90% CI [0.90, 6.12]），最大回撤仅 15.7%。
关键发现¶
- 启发式策略的系统性失败：标准 Kelly 准则因对概率校准误差极端敏感，头寸过度激进，导致在多数模型上资本瞬间缩水；最大边际策略（Max-Margin）虽然看似直观，但因将资金过度集中于极端分歧合约，在模型幻觉或离群偏差时承受不成比例的下行风险。
- 散度红利的防御性保护：如 GPT-5.5 (B) 所示，即便其 Brier 计分落后于市场（\(\Delta S = -15.4\%\)），其凭借合理的反向分歧产生了 \(+32.2\%\) 的 Bregman 散度贡献，最终依然取得 \(+16.8\%\) 的正投资回报，直接印证了三项式分解在现实中的有效性。
- 预测者画像（Personas）与规则匹配：通过合成与真实画像聚类（保守型、进取型、发散型、脆弱型），发现对于精度超越市场（Regime A）的模型，Brier 策略因提供与偏差严格线性的头寸暴露而实现全画像最优 ROI；而对于精度落后于市场（Regime B）的模型，Log 策略由于在对数几率差下能压制大边际错误的暴露权重，表现出更强的抗暴跌韧性。
亮点与洞察¶
- 从公理化视角统一了现代订单薄与经典做市商：本文首次打破了经典 Hanson 理论仅适用于 AMM 机制的理论藩篱，将任意连续/阶梯价格冲击函数的订单薄市场纳入统一的凸对偶分析框架，证明了 AMM 的经典回报公式不过是散度红利恰好抵消滑点损失的数学巧合。
- 唯一性与充要性双重闭环：定理 2 确立了恰当投注在不变变换下的本质唯一性，命题 2 进一步指出“计分规则严格真值”与“存在鲁棒盈利策略”是彼此等价的充要条件，从经济学博弈角度为严格真值计分规则提供了全新的公理化支撑。
- 从理论解到实盘落地的无缝跨越：不仅给出了优雅的数学形式，还针对买卖价差设定了无套利不作为区间，并设计了适应市场价格动态演进的动量调仓策略，在真实真金白银的 Kalshi 交易中跑赢了摩擦与滑点。
局限与展望¶
- 单笔期望与组合方差控制的脱节：定理保证的是无偏期望收益的非负性，但在真实量化投资中，头寸方差、最大回撤与杠杆风险直接决定基金生存；如何将方差最小化或风险价值（VaR）约束内生结合到梯度差头寸中是重要的后续课题。
- 静态事件假设与流动性耗尽极端情形：理论推导假设滑点函数 \(\rho\) 处处单调且深度足以吸收头寸；若在流动性枯竭的极端黑天鹅事件中，流动性损失可能突破 Bregman 散度的缓冲边界导致暂时失效。
- 自适应计分规则选择机制：虽然分析了不同画像在 Brier 与 Log 下的表现差异，但目前仍依赖离线先验指定规则，未来可探索根据历史校准度动态切换凸势函数的自适应交易算法。
相关工作与启发¶
- vs Hanson 市场计分规则 (LMSR, 2003, 2007)：Hanson 机制要求平台采用预设的做市成本函数 \(C(\mathbf{x})\) 兜底补贴流动性，交易者通过将市场推动至信念分布获利；本文彻底摆脱了中心化做市补贴的假设，证明在自主撮合的限价订单薄（CLOB）中，相同形式的梯度头寸仍是唯一的鲁棒盈利解。
- vs Kelly 准则 (Kelly, 1956)：Kelly 准则追求长期对数财富增长率最大化，但其致命前提是交易者已完全掌握客观真实概率分布；本文提出的恰当投注策略放弃了对真实分布的假设，转而追求在“只要相对市场有优势”下的最坏情况鲁棒盈利性（Worst-case Robust Profitability）。
- vs Prophet Arena AI 评测 (Yang et al., 2025)：Prophet Arena 观察到各家 LLM 在预测市场中“精度赢、交易输”的普遍现象，但将其归咎于交易工程不足；本文从理论根源上解释了传统启发式投注不可避免的内在数学缺陷，为其提供了现成的理论修正方案。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次建立了一般订单薄预测市场中计分规则与交易头寸之间的鲁棒等价映射，理论贡献极其坚实。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 9 万多条多模型离线大数据回测、画像消融模拟以及历时 26 天的实盘真钱 pilot 测试，证据链完整。
- 写作质量: ⭐⭐⭐⭐⭐ 数学推导严丝合缝，定理与直觉阐释相得益彰，论证层层递进。
- 价值: ⭐⭐⭐⭐⭐ 为预测市场量化交易、信息汇总机制设计以及大模型具身经济智能体（Economic Agents）提供了里程碑式的指导框架。