這篇盤點公開已知的策略，目的不是收集，是建立對照組：知道哪些空間已經被填滿，才知道原創策略該往哪裡推。每一項都問三個問題——機制是什麼、被吃掉多少、自動化的真正瓶頸在哪。
一、互補套利（p_YES + p_NO ≠ 1）
機制：合約強制 1 YES + 1 NO ≡ 1 pUSD（見 機制速覽）。若兩邊賣價相加 < 1，買進兩者持有到結算必賺。
最優解：這是一個純粹的執行問題，沒有估計問題。目標函數是
最大化 Σ (1 − 有效成本) s.t. 盤口深度、費用、最小單量
含費後的門檻（兩邊都吃單）：
p_YES^ask + p_NO^ask + φ·[p_YES(1−p_YES) + p_NO(1−p_NO)] < 1
因為 p_NO ≈ 1 − p_YES，兩項費用近似相等，門檻變成
價差總和 < 1 − 2φ·p(1−p)
在 50¢、政治類（φ=0.04）：需要總和低於 0.98。 這是一個 2 個百分點的門檻，而互補套利機會通常只有零點幾個百分點。
結論：純吃單的互補套利在 V2 費率下基本已死。 只有在兩腿都能當 maker 成交時才有意義——而那本質上已經是做市，不是套利。
被吃掉的程度：極高。這是最容易寫的機器人。
自動化瓶頸：無。這是純執行問題，瓶頸只有延遲與速率額度。
二、negRisk 轉換套利
機制：多結果事件（如選舉）中，所有 YES 價格加總在無套利下應等於 1。NegRiskAdapter 提供 convert：一個市場的 1 份 NO 可換成其他所有市場各 1 份 YES。
兩種方向：
- 加總 < 1：買進所有 YES，恰有一個賠付 1，必賺。
- 加總 > 1：透過 convert 結構做反向。
常見誤解：negRisk 本身不是套利機會。它提供的是資本效率——一般做法需要「所有價格總和」的抵押品，negRisk 只需要 1.0（最大賠付）。你仍然付 1.0、拿回 1.0。
最優解：與互補套利同構，只是維度更高。含費門檻：
Σᵢ p_i + φ·Σᵢ p_i(1−p_i) < 1
注意第二項會隨結果數增加而變大。 一個 8 候選人的選舉，若價格分散（如每個 0.125），Σ p(1−p) = 8 × 0.109 = 0.875，費用項是 0.04 × 0.875 = 3.5 個百分點。門檻比二元市場高一倍以上。 這是一個很少被指出的事實：費率結構對多結果套利的懲罰遠大於對二元套利的懲罰。
被吃掉的程度：高，在流動的選舉市場上以秒計消失。
自動化瓶頸：需要正確識別哪些市場屬於同一個 negRisk 群組——這由平台提供，所以不難。真正的難點是識別平台「沒有」標記為 negRisk、但邏輯上互斥的市場群組，那已經超出本節範圍，是 邏輯蘊含圖 的主題。
三、跨平台套利（Polymarket ↔ Kalshi）
機制：同一事件在兩個平台上有不同價格，買 A 平台的 YES、買 B 平台的 NO，鎖定價差。
2026 年的公開觀察：
- 重大事件上有 2–5% 的價差；世界盃個別球隊合約有持續 5–8¢ 的價差。
- 2026 年 2 月洛杉磯市長選舉：Kalshi YES 58¢ + Polymarket NO 35¢ = 93¢，毛報酬 7.53%。
- 2026 年 5 月 4 日，世界盃法國奪冠賠率在兩平台相差 1.3 個百分點。
- 扣除費用後，每股對大約淨賺 100–200。
- 流動市場上套利窗口以秒到分計，人工執行不可能；但摩擦足夠大，數秒甚至數分鐘的窗口經常出現。
費用結構：兩平台用同一個函數形式 C·φ·p(1−p)，Kalshi 的 φ = 0.07。所以跨平台套利的總費用門檻是
p_A + p_B < 1 − (φ_A + φ_B)·p(1−p)
在 50¢、Polymarket 政治類（0.04）+ Kalshi（0.07）：門檻是 1 − 0.0275 = 0.9725。上面那個 93¢ 的例子遠遠通過，但那是異常值。
真正的自動化瓶頸（三個，都不是技術問題）：
- 兩邊的資金是分開的。 你必須在兩個平台各預先放置資金，且比例會隨交易漂移。再平衡需要跨平台轉帳，有延遲與成本。 這意味著你的有效資本利用率遠低於名目——一半的錢永遠在錯的地方。
- 條款不一定等價。 兩個平台對「同一事件」的定義可能有細微差異（時區、資料源、邊界條件）。看起來鎖定的部位，可能兩邊都輸。 這是 條款背離 的跨平台版本，而且是這個策略最大的隱藏風險。
- 法遵與帳號限制。 兩個平台的地域可用性不同（見 法遵）。
第二點值得特別強調：市面上的跨平台套利討論幾乎都聚焦在延遲與資金效率，很少人處理「條款不等價」的風險。而一個把兩邊當成完全等價的機器人，會在條款有細微差異的市場上系統性地累積裸部位——這種虧損不會在正常時期顯現，只在爭議事件中一次爆發。
四、造市與流動性獎勵
這是 Polymarket 上結構性最有利的位置，理由在 手續費那篇 已經量化：maker 零費率、有 taker 費回饋、還有流動性獎勵。
獎勵公式
官方的流動性獎勵用二次計分規則：
S(v, s) = ((v − s) / v)² · b
v：該市場定義的最大合格價差（單位：分），超過就不計分。s：你的掛單與中價的距離。b：場中乘數。- 每側各自計分（
Q_one、Q_two），最終取兩者的最小值——強制兩側掛單。 - 中價在 [0.10, 0.90] 之間時，單邊流動性的分數要除以縮放係數
c = 3.0。 - 中價在 0.10 以下或 0.90 以上時，只有兩側掛單才計分。
- 每分鐘取樣、與當下所有做市者正規化，一個 epoch 累計 10,080 個取樣（約 7 天），依比例分配該市場的獎勵；每日 UTC 午夜發放，最低發放 $1。
（參數與細節以官方文件為準，會變動。）
一個非顯然的推導：獎勵最優報價是「非黑即白」
設 R 是滿分時能拿到的獎勵，u = v − s（你比最大價差緊了多少）。獎勵是
Reward(u) = R · u² / v²
逆選擇成本隨著你報得越緊而增加（成交越多、越常在不利時成交）。用線性近似 AS(u) = k·u：
淨值(u) = R·u²/v² − k·u
這個函數對 u 是凸的（二階導數 2R/v² > 0）。凸函數在區間上的最大值必在端點。所以：
最優報價 = ⎧ u = v（貼著中價報，拿滿分） 若 R > k·v
⎩ u = 0（根本不進場） 若 R < k·v
沒有中間解。 二次計分規則讓做市的獎勵最優化變成一個開關決策：要嘛用最緊的報價全力搶獎勵，要嘛完全不參與這個市場。「保守地報寬一點賺一點獎勵」在數學上是被支配的策略。
（前提：AS 對 u 近似線性、R 不隨你的行為改變。第二點在你的量佔市場很大時會破——你的參與會稀釋 R。實務上這讓最優解略微退離端點，但**「中間地帶是被支配的」這個定性結論穩健。**）
這條結果的實務意義：做市系統應該花力氣在篩選市場（判斷 R > kv 是否成立），而不是花力氣在調整報價寬度。前者是選股問題，後者是被支配的自由度。
獎勵收益率與競爭成反比
你的獎勵份額 = 你的分數 ÷ 所有做市者的分數總和。所以：
每單位掛單資金的獎勵 ∝ 1 / （競爭者的總分）
獎勵收益率在競爭者最少的地方最高，而競爭最少的地方是剛上架的新市場。這是 冷啟動做市 的核心推導。
自動化瓶頸
不是技術，是逆選擇管理。一個天真的做市機器人會在每次有資訊的交易者出現時被吃掉。要處理它需要：
- 從自己的成交紀錄估
k（逆選擇成本）——這需要幾百筆成交才估得準。 - 偵測「有毒訂單流」並即時撤單。
- 庫存管理：部位偏離中性時要調整報價的偏斜。
這是既有策略裡自動化難度最高、也最值得投入的一個，因為它的 edge 來自基礎設施而不是資訊，難以被一次性複製。
五、動能與反轉
機制：價格在資訊衝擊後的短期延續（動能）或過度反應後的回歸（反轉）。
問題：這是唯一一個不依賴任何現實訊號的策略類別，也因此是最沒有結構性依據的一個。在一個賠付由現實決定的市場上，純技術面策略沒有機制上的理由成立——價格不會因為「漲了所以繼續漲」而讓事件更可能發生。
若有效，唯一合理的機制是資訊擴散的時間差：知情者先交易，價格移動，未知情者慢慢跟上。這使得動能實質上是「資訊訊號的有雜訊代理」。
推論：如果你有能力直接觀測原始資訊源（見 條款推導來源），你不需要動能。 動能是資訊管線的低配替代品。它的價值與你的資訊管線品質成反比。
被吃掉的程度：不明，公開實證少。列在待解問題。
自動化瓶頸：無技術瓶頸，但極易過擬合——樣本少、事件不獨立、參數空間大。見 因子的回測陷阱，結構完全相同。
六、結算日臨界與爭議套利
機制：到期前後、以及爭議期間，價格與流動性行為異常。
兩個子類：
（a）到期前的行為性扭曲——有實證支持（校準扭曲參數 1.27–1.31，見 錯價從哪來）。這一項被我改造成原創策略，見 到期扭曲做市。
（b）爭議期間的錯價——市場進入 DVM 投票期時，價格反映的是「投票結果」而非「事實」。流動性通常崩潰、價差極寬。
（b）的自動化瓶頸極高，因為要預測 DVM 的投票結果，而 DVM 的行為受到已記錄的利益衝突影響（見 UMA 結算）。這正是「看似無法自動化」的典型案例，處理方式見 下一篇 與 混淆矩陣。
盤點總表
| 策略 | 機制強度 | 被吃程度 | 自動化瓶頸 | 我的判斷 |
|---|---|---|---|---|
| 互補套利 | 機制必然 | 極高 | 無 | V2 費率下純吃單基本已死 |
| negRisk 套利 | 機制必然 | 高 | 無 | 費用項隨結果數放大，門檻高於二元 |
| 跨平台套利 | 機制必然 | 中高 | 資金分置、條款不等價 | 條款風險被普遍低估 |
| 造市＋獎勵 | 機制必然 | 中 | 逆選擇管理 | 結構性最有利，最值得投入 |
| 動能／反轉 | 弱 | 不明 | 過擬合 | 資訊管線的低配替代品 |
| 到期臨界 | 有證據 | 低 | 需即時公平價模型 | 改造成原創策略 |
| 爭議套利 | 有證據 | 低 | 極高（需預測 DVM） | 改造成原創策略 |
這張表告訴我們往哪裡推：右下角（自動化瓶頸高、被吃程度低）的兩格——造市的逆選擇管理，與預言機層的判定預測——是價值最高的方向。它們共同的性質是需要建立並維護一套私有的估計，而不是發現一個公開的模式。
這篇的重點
- V2 費率殺死了純吃單的互補套利（50¢ 需要 2 個百分點的門檻）。
- negRisk 的費用項隨結果數線性放大，多結果套利的門檻遠高於二元。
- 跨平台套利真正的風險是條款不等價，不是延遲——而且這種虧損只在爭議時一次爆發。
- 二次計分規則讓獎勵最優報價變成開關決策：貼中價全力搶，或完全不參與。中間地帶被支配。
- 獎勵收益率與做市競爭成反比 → 新上架市場的獎勵最肥。
- 動能是資訊管線的低配替代品，價值與你的管線品質成反比。
- 價值最高的方向是「需要私有估計」的策略，不是「發現公開模式」的策略。
下一步：把「不能自動化」變成工程題——本專欄的核心章節。