本文基于Polymarket约80.3万个已结算市场,研究仅利用上线时的主题、文本和规则信息预测后续交易量与争议风险。结果显示,主题信息是交易量预测的最大来源,梯度提升模型在同期评估中的对数交易量样本外R²达到0.747、达到1000美元交易量门槛的AUC达到0.940;但平台规则和题型变化会显著削弱跨时期泛化能力,模型AUC由0.940降至0.577,主要原因是特征与需求关系发生变化。争议风险模型的AUC为0.78,但受0.31%的低基准率影响,平均精确率仅为0.012,更适合用于风险排序和人工审核,而非个案预测。
报告题为 《What Prediction-Market Contracts Reveal at Launch: Trading Volume and Dispute Risk》,作者为 Ahmed Mahrous 和 Roberto Di Pietro,均来自沙特阿卜杜拉国王科技大学(KAUST)。报告拟发表于第七届 ACM International Conference on AI in Finance(ICAIF ’26),会议时间为 2026 年 11 月 14—17 日,研究对象是预测市场合约,核心议题是:在合约刚上线、尚未产生交易数据时,仅凭标题、描述、规则和元数据,能否预测其未来交易量以及是否会发生结算争议。
这不是传统意义上的公司或证券投资研究报告,因此没有股票评级、目标价、DCF、P/E 或 EV/EBITDA 估值。它是一篇关于预测市场设计、机器学习和金融文本分析的实证研究,关注两个经营与治理指标:一是合约能否吸引交易,即“市场牵引力”;二是合约后续结算是否会被正式挑战,即“争议风险”。
报告的总体结论可以概括为三点:
预测市场把对未来事件的判断包装成可交易的 Yes/No 合约,并通过预先规定的结算规则,把现实世界的结果映射为最终收益。市场价格能否有效聚合信息,取决于参与人数、流动性、交易机制以及知情交易者,而不是自动实现的结果。
报告指出,Polymarket 的市场表现极不均衡:排名前 1% 的市场贡献了全部交易量的 62.4%,说明少数热门合约吸收了绝大多数流动性和参与度。 另一方面,正式争议虽然罕见,却集中在更有交易价值的合约上;在完整分析面板中,争议市场占总市场数的 0.31%,但占总交易量的 5.8%,在争议记录可观测的子样本中则占 8.6%。
这形成了一个重要的平台设计问题:如果平台在上线时就知道哪些合约可能吸引大量交易,便可以改善推广、流动性配置和市场排序;如果平台能够提前发现规则模糊、来源不可验证的合约,则可以在上线前进行人工审核,降低结算争议成本。
作者只使用上线时可以获得的信息,排除了价格、交易者数量、实际交易流、最终结果等事后变量。预测变量主要来自四类:
作者特别重视数据依赖问题。同一体育比赛、同一价格阶梯或同一政治竞选中的多个合约,可能共享页面、评论区、交易注意力和结算逻辑,因此不能把相关合约随机拆入训练集和测试集,否则会造成信息泄漏。研究将合约按事件分组,并确保同一事件不会同时出现在训练和测试中。
作者从 Polymarket 公共 API 收集了 2022 年 1 月至 2026 年 6 月的市场记录,其中 818,431 个市场有记录的结算结果。研究排除 15,473 个没有有效计划结束日期的市场,以及 95 个分类取值过少、无法稳定估计或匹配的市场,最终得到 802,863 个市场,分布于 391,955 个事件中,实际分析区间为 2023 年 1 月至 2026 年 5 月。
样本具有明显的时间结构:74.3% 的市场在 2026 年创建,且这一时期平台明显转向高频、重复的短周期合约,例如 15 分钟加密货币价格窗口。这个结构变化后来成为时间外推失败的主要背景。
交易量使用平台记录的终身美元交易量。由于交易量极度偏斜,作者以 log(1+volume) 作为连续型目标变量;同时设置一个分类目标,即市场终身交易量是否达到 1,000 美元,样本中有 68.5% 达到该门槛。 对数转换的含义是,模型主要解释相对规模和排序,而不是直接预测未转换的美元金额,因此可以降低少数超级热门市场对回归结果的支配。
争议目标只在存在完整预言机生命周期记录的市场中定义。该记录覆盖全样本的 65.9%,主要缺失于早期市场;在 529,408 个可观察争议记录的市场中,有 1,634 个曾被正式挑战,发生率为 0.31%,约为每 320 个市场一个争议。
交易量回归使用样本外 (R^2),其含义是模型在未参与训练的事件上解释对数交易量变异的能力;分类任务使用 AUC,即随机抽取一个高交易量市场和一个低交易量市场时,模型把前者排在前面的概率,0.5 代表随机水平。
对于争议这种极度不平衡的结果,AUC 不能单独代表实际筛查效果,因为它不受基础发生率影响。作者同时报告平均精确率(average precision),它更能体现低发生率环境下的实际正预测质量。
作者建立了从简单到复杂的模型阶梯:
在同一时期的事件分组交叉验证中,M1 对数交易量的样本外 (R^2) 为 0.220,交易量达到 1,000 美元的 AUC 为 0.752。加入词汇主题后,主题层带来约 0.289 的 (R^2) 增量;M5 进一步利用非线性和交互关系,最终达到 (R^2=0.747)、AUC=0.940。
这意味着“市场在讨论什么”比单纯的长度、日期、持续时间或来源字段重要得多。换言之,平台需求并不是均匀地分布在所有合约之间,而是强烈依赖政治、体育、加密货币、金融、天气或娱乐等主题类别。
M5 的分类校准也较好:预测概率最低的 10% 市场中,实际达到 1,000 美元的比例为 6.2%,预测值为 6.3%;预测概率最高的 10% 市场中,实际比例为 99.93%,预测值为 99.87%。这说明模型不仅能够排序,而且在同一制度时期内,其概率水平也大致具有可解释性。
图 1 的横轴是某一 NMF 主题在全部市场中的占比,纵轴是该主题市场达到 1,000 美元交易量的比例,圆点大小表示该主题包含的市场数量,颜色区分 Crypto/Finance、Esports、Politics/Media、Sports、Weather 和 Other。
图形显示,不同主题之间在“普及率”和“达到交易门槛的比例”上存在明显差异。一些市场占比较高的主题同时拥有较高的达标率,尤其是部分加密货币和体育相关主题;也有市场数量不少但交易达标率较低的主题。由此可见,主题不是一个只用于文本分类的技术变量,而是交易需求差异的代理变量。
不过,图 1 展示的是主题层面的相关关系,不能证明主题本身因果性地带来交易量。热门主题可能同时受到新闻关注、交易者结构、市场持续时间或平台首页曝光的影响,这些因素并未全部被识别为因果机制。
图 2 展示了随着特征层逐步增加,交易量门槛分类 AUC 如何变化。M1 的 AUC 为 0.752;加入 NMF 主题的 M2 提升至 0.891;只加入句向量聚类的 M3 为 0.886;两类表示结合的 M4 为 0.898;LightGBM 的 M5 达到 0.940。 图中还显示,冻结 e5-small、冻结 BGE-M3 和微调 e5-small 的 AUC 分别约为 0.938、0.939 和 0.942,说明大型或微调文本模型只带来极小增益。
该图最重要的信息不是“复杂模型一定更好”,而是可解释的主题表示已经捕捉了大部分可用信号。M3 略低于 M2,说明通用句向量聚类并没有超过针对词汇共现结构的 NMF 主题;M4 的小幅提升说明二者有一定互补性,但并不大。
图 3 将 M5 的样本外预测 log(1+volume) 与实际值进行比较,虚线代表完美校准线,点和误差条表示不同预测分位组的均值及四分位区间。图中报告 (R^2) 约为 0.75、平均绝对误差约为 0.82,分位组均值大体沿着完美校准线分布,说明模型能够较好地恢复交易量的总体梯度。
但图中点云仍然较为分散,特别是在预测较高的区间,实际交易量存在宽幅波动。因此 (R^2=0.747) 不应理解为每个市场的美元交易量都能被精确预测,而应理解为模型能够较好地区分高牵引力和低牵引力市场。
在控制主题后,措辞仍有增量作用,但远小于主题作用。措辞特征带来 0.021 的 (R^2) 增量,规则设计特征再带来 0.006,后者约为主题贡献的五十分之一。
具体性指标与成功率呈单调关系:具体性得分为 0 的市场中,50.5% 达到 1,000 美元;得分为 3 的市场中,比例提高到 83.0%。明确的来源、日期和数量锚点通常意味着交易者更容易理解合约条件,从而可能降低参与门槛。
图 4 的一标准差比较显示,计划持续时间与对数交易量的正相关最大,为 +0.84;边界情况覆盖、条件语言、可读性和具体性大致位于 +0.28 至 +0.35;描述长度则为 -0.43。
需要注意,这些是关联系数,不是因果效应。较长的计划持续时间可能只是热门宏观事件、长期政治事件或大型体育赛事的特征;描述更长也可能代表规则更复杂,而不是文字本身抑制交易。
作者进一步发现,LightGBM 的优势主要来自变量之间的交互,而不是单一变量的曲线关系。只允许单变量非线性时,只能弥合 M4 到 M5 差距的 25%;加入成对交互后可弥合 57%。例如,计划持续时间对不同主题的影响差异很大:在 Bitcoin Up/Down Micro-Markets 中,持续时间斜率为 2.92;在 Basketball Game Lines and Totals 中仅为 0.03,在 Social Media Post Count Markets 中为 0.24。
这说明平台不能采用“一条规则筛选所有市场”的方案。相同的持续时间、文字长度或边界条款,在不同主题中可能产生完全不同的需求效果,因此上线筛选器必须具备主题条件化能力。
作者担心模型可能只是记住了重复出现的标题模板,而非学习普遍的合约特征。研究将月份、星期、金额、百分比和数字替换为占位符,并只保留全样本中仅出现一次的形式,结果排除了 666,967 个市场,占 83.1%,剩余 135,896 个市场。
在这一严格样本中,M1 的 (R^2/AUC) 为 0.230/0.729,主题仍增加 0.154 的 (R^2),交互作用仍增加 0.225,M5 最终为 (R^2=0.652)、AUC=0.891。 因此主要结论并不完全依赖重复标题,但性能下降表明重复模板本身确实是平台可预测性的组成部分。
表 1 汇总了样本量、事件数量、交易量目标和争议目标,揭示了样本规模大、事件聚类明显、争议极度稀少以及 2026 年市场结构突变等基本事实。
表 2 比较了若干重复出现的标题模板。虽然所提供文本没有完整列出每一行的模板名称、数量和交易量份额,但作者明确指出,不同模板之间的结果差异大于单个措辞或规则变量的差异,支持“主题和问题形式优先于细微措辞”的结论。
表 3 是剔除某一大类主题后的留一族稳健性分析。文本指出,加密货币/金融主题约占面板的 45%,剔除体育市场后,回归 (R) 值反而上升至 0.785,因此总体结果不是由某一个主题家族单独驱动的。 由于提供材料未展示表 3 的每一行具体数值,不能进一步复述各主题族的精确变化。
作者还发现,把市场聚合到事件层面后,回归表现仍然较强,(R^2) 从 0.747 降至 0.674,但分类 AUC 从 0.940 略升至 0.956,说明市场层面的相关性并没有制造主要结果。
一个重要的反例来自事件内部比较。最初“模糊语言”变量在同一事件内回归中得到 6.29 的异常系数,但审计发现该标记几乎只出现在事件中最重要、交易量最高的旗舰市场上。限制到结构完全相同的兄弟市场后,系数降至 0.21 且不显著,这说明市场角色可能被误认为措辞效应。
报告最值得重视的审慎结论是:同一时期交叉验证的高准确率,不代表模型可以直接部署到未来。将训练集限制为过去季度、测试未来季度后,部分截点的 (R^2) 变为负值,AUC 降至 0.52—0.58,接近随机水平;只有 2026 年第一季度截点因为训练数据已经包含现代市场形态,才恢复到 (R^2=0.627)、AUC=0.906。
模型在同期评估中的 AUC 为 0.940,而跨时期预测下降到 0.577。这一下降与 2026 年高频模板微型市场的扩张同时发生,且 74.3% 的样本来自 2026 年。
在 2025 年第四季度截点,测试市场中有 76.9% 使用了训练期从未出现过的问题形式。对于这些新形式,模型 AUC 仅约为 0.487—0.575;对训练中见过的熟悉形式,AUC 仍有 0.68—0.78。
作者区分了两种漂移:
表 5 的分解结果表明,重新学习文本表示只能把 (R^2) 从 0.011 提高到 0.249,而重新估计特征与交易量之间的关系,可以提高到 0.772;在关系已经重估后,再更新表示几乎没有额外收益,(R^2) 仅从 0.772 变为 0.773。
因此问题不是简单的整体需求上升或下降。统一给所有预测值加一个常数只能改变预测水平,不能改变市场排序,而作者发现真正失效的是排序关系。报告建议至少每季度重新训练、监测此前未出现的问题形式占比,并对新形式市场标记较低置信度。
争议市场只有 1,634 个,基础发生率 0.31%。经过类别不平衡加权的逻辑模型 AUC 为 0.78,说明随机抽取一个争议市场和一个非争议市场时,模型有 78% 的概率把争议市场排在前面;但更灵活的提升树模型反而过拟合,AUC 只有 0.561。
平均精确率为 0.012,虽然高于随机基线 0.0031,但仍然过低。审查风险最高的 5% 市场,实际争议率可提高到约 1.7%,但只能捕捉 27.4% 的全部争议。因此模型适合用于风险排序和人工分流,不适合自动批准或拒绝某个具体市场。
不同结算来源的原始争议率差异接近 50 倍:
这组数据表明,直接报告数值的机械化来源通常更少引发争议,而需要解释媒体报道、公众人物是否提及某关键词等来源更容易产生分歧。由于娱乐来源样本较小,3.79% 不应被视为稳定的总体概率,而应视为一个高风险信号。
作者将每个争议市场与同一主题、同一平台季度、同一来源类型中的最多四个非争议市场匹配,得到 1,634 个案例和 6,520 个对照,最终在 225 个有效分层中使用条件逻辑回归,并通过事件层面 bootstrap 计算区间。
图 5 显示了三个较稳定的风险模式:
第三点并不意味着边界条款导致争议。更合理的解释是,创作者在预见到问题复杂或可能产生争议时,才更倾向于加入边界条款;因此“是否存在条款”标志着原始风险,而条款的完整程度则可能反映风险缓释程度。
第一,报告使用的是单一平台数据。Polymarket 规模大、市场类型多样,但其交易者、上市流程、结算机制和产品结构不一定代表 Kalshi 或其他监管型、精选型预测市场,因此跨平台可迁移性尚未得到验证。
第二,所有设计特征与交易量、争议之间的关系主要是关联关系。创作者会同时决定主题、措辞、来源和规则,匹配方法虽然控制了主题、季度和来源类型,却不能消除所有选择偏差。作者自己通过事件内审计展示了“市场角色被误认为措辞效果”的可能性。
第三,神经模型的结论存在适用范围。研究测试了 e5-small 和 BGE-M3 两种编码器,其中 BGE-M3 有 5.68 亿参数,且 e5-small 还进行了端到端微调,但这并不证明任何更强大的文本模型都无法改进结果,只能说明在已测试模型族中,额外容量带来的收益很小。
第四,争议结果存在观测限制。只有 65.9% 的市场有完整争议日志,早期市场缺失较多,因此争议发生率可能不能直接代表全部历史市场。作者将争议分析限制在可观测子样本,这是必要的,但也可能引入样本选择问题。
这篇报告证明,预测市场合约在上线时确实已经包含了大量关于未来交易表现的信息。主题是最强信号,明确的来源、具体的日期和数量锚点、较长的计划持续时间以及更有结构的规则设计,可以在主题内部进一步区分高低牵引力市场。
但报告同时否定了一个过于乐观的部署想象:在历史数据上取得 AUC 0.940,并不意味着模型能够永久有效。平台引入新问题形式后,需求结构发生变化,过去学习到的“什么样的合约会吸引交易”不再可靠,因此模型必须持续重新训练,并监测新形式比例。
对于结算争议,报告的结论更加克制。上线文本可以帮助平台把市场按风险排序,尤其能识别可读性差、来源不可验证、边界规则不完整或明显预期存在歧义的合约,但在 0.31% 的低基础发生率下,模型无法准确判断某一个具体市场是否一定会发生争议。
总体而言,作者的立场是:交易量预测可以支持主题化的市场运营,但必须在稳定制度环境下使用;争议预测只能支持人工审核和风险分层,不能替代最终裁决。 该研究的最大价值不仅在于给出较高的预测指标,也在于揭示了预测市场数据中的事件依赖、重复模板、结构性新颖度、时间漂移和极端类别不平衡等方法论问题。
2610.29578.pdf