兩個做市策略，共用一條原則：做市的正確位置是「有結構性需求、但競爭者少」的時間窗。一個在市場生命的終點（到期前數分鐘），一個在起點（剛上架）。兩者都享有 maker 的零費率與獎勵，都不需要對現實有超越市場的認知。
策略 A：到期校準扭曲做市
一句話：到期前的最後幾分鐘，持有輸方部位的交易者為了對沖而買進贏方，把價格推向極端；提供這個流動性是有系統性補償的。
分級：扭曲現象有證據（Kalshi 資料）；把它 operationalize 成即時可估的報價偏斜、以及移轉到 Polymarket 的設計，是我的推論。
現象
一份 2026 年的預印本用 Kalshi 約 2,300 萬筆 moneyline 成交（2026 年 3–5 月，NBA/MLB/NHL）發現：
- 合約中段的校準幾乎完美（扭曲參數
λ ≈ 1.0）。 - 最後 10 分鐘
λ升到 1.27–1.31。 - 校準曲線變成階梯狀，形態符合持有輸方部位者的保險需求。
用標準的機率權重函數表示：
觀察價格 w(q) = q^λ / [ q^λ + (1−q)^λ ]
λ > 1 代表過度極端化：真實機率被推離 0.5。
錯價的量級（λ = 1.3）
| 真實機率 q | 扭曲後價格 w(q) | 錯價 |
|---|---|---|
| 0.50 | 0.500 | 0 |
| 0.60 | 0.629 | +2.9 pp |
| 0.70 | 0.751 | +5.1 pp |
| 0.80 | 0.858 | +5.8 pp |
| 0.90 | 0.946 | +4.6 pp |
| 0.95 | 0.979 | +2.9 pp |
| 0.99 | 0.997 | +0.8 pp |
錯價在 q ≈ 0.75–0.85 達到最大，約 5–6 個百分點。 這是一個很大的數字——對照 費用門檻，體育類在該價位的 taker 門檻只有 0.6–0.8 個百分點。
最優解
方向是賣贏面、買輸面（也就是提供避險者需要的流動性）。
數值示例（q = 0.80，扭曲價 p = 0.858，體育類 φ=0.05）：
以 maker 買進 NO（成本 0.142，真實價值 0.20）：
edge = 5.8 pp
費用 = 0（maker）
n* = 0.058 / (0.858 × 0.142) = 0.476 股/單位資金
x* = 0.476 × 0.142 = 6.8% 的資金 ← 全 Kelly
半 Kelly → 3.4%
每筆的對數成長貢獻 g ≈ edge²/(2σ²) = 1.4%
每筆 1.4% 的對數成長是非常高的數字，而且這類機會在賽季中每天都有幾十場。若這個現象在 Polymarket 上成立，它是本專欄裡期望價值最高的策略。
「若成立」這三個字承載了全部的風險，見下面。
λ 必須即時估計，不能用常數
論文給的 1.27–1.31 是事後在整體樣本上估的平均值。單場賽事的 λ 會隨以下因素變化：
- 該場的未平倉量（避險需求的規模）
- 賽事的重要性與觀眾規模
- 剩餘時間
原創設計：從即時訂單流估計 λ。
避險需求的特徵是單向的 taker 流——輸方持有者主動買進贏方。所以：
λ̂(t) = 1 + g( 贏方側的淨主動買入量 / 未平倉量 )
具體形式（線性起手，之後用資料擬合）：
λ̂(t) = 1 + κ · (OFI_winner / OI)
其中 OFI 是訂單流不平衡（order flow imbalance）。κ 由歷史擬合。
這把一個回測常數變成一個即時狀態變數，是這個策略能不能實際運作的關鍵——因為在避險需求弱的場次硬報這個偏斜，你只是在賭比賽結果。
真實機率 q 從哪裡來
這是策略的另一半，而且它不是 edge 的來源。
即時勝率模型是商品化技術（見 訊號分類學），各大聯盟都有公開的實作。你不需要比別人強，你只需要跟別人一樣。
必須清楚區分兩個誤差來源：
q的誤差：所有人都有，不構成 edge 也不構成劣勢。λ的誤差：這是你的 edge 的全部。
因此驗證的重點應該放在 λ̂ 的品質，而不是 q 的品質。 一個常見的錯誤是花全部力氣改進勝率模型——那是在優化一個不是 edge 的東西。
移轉性：最大的未知數
這是 Kalshi 的資料。 移轉到 Polymarket 需要驗證：
- 參與者結構是否類似（Kalshi 美國散戶為主；Polymarket 更國際化、更多加密原生使用者）。
- 費率結構的影響：Kalshi φ=0.07，Polymarket 體育 φ=0.05。taker 費用越高，避險行為越受抑制，
λ可能較低。 - 合約設計：兩者的體育合約定義與到期時點不完全相同。
驗證方法（純觀測）：對 Polymarket 的歷史體育市場，取到期前 10 分鐘的成交價與最終結果，用最大概似擬合 λ。這只需要公開的歷史成交資料，且樣本量很大（每個賽季數千場）。
這應該是這個策略的第一步，而且它是乾淨的 go/no-go：若 Polymarket 的 λ̂ 統計上不顯著大於 1，策略不成立。
風險
| 風險 | 描述 | 緩解 |
|---|---|---|
| 移轉失敗 | Polymarket 的 λ ≈ 1 | 先做 λ 擬合，這是 go/no-go |
q 模型錯 | 勝率模型在關鍵時刻失準 | 用多個模型的共識；分歧大時棄權 |
| 逆選擇 | 對手是因為知道傷病/場上事件而交易，不是因為避險 | 用 OFI 區分：避險流是單向且與價格同向；知情流常伴隨突然的價格跳躍 |
| 極短時間窗 | 最後 10 分鐘，需要低延遲與高速率額度 | 見 速率限制分層；新帳號的 40/s 可能不夠同時做多場 |
| 監管 | CFTC 擬議規則要禁止球員傷病、裁判判決、場中特定事件類合約 | 只做 moneyline 類；避開場中細分合約 |
逆選擇那一列是實務上最難的一件事。 避險流與知情流在盤口上都表現為單向的 taker 買入。區分它們需要價格路徑的特徵（避險流推價平順、知情流跳空），而這需要真實資料才能校準。在校準完成前，這個策略應該用很小的部位運行。
策略 B：冷啟動做市——獎勵分母最小的時刻
一句話：流動性獎勵是一個固定池按做市者的分數比例分配，所以獎勵收益率與競爭者數量成反比——而競爭最少的時刻是市場剛上架。
分級：獎勵與競爭成反比是機制必然（獎勵公式的直接推論）；「新市場的競爭顯著較低且值得專門經營」是原創假說。
推導
回顧 流動性獎勵公式：每分鐘取樣，你的分數與當下所有做市者的分數正規化，累積一個 epoch 後按比例分配該市場的獎勵池。
你的獎勵 = 獎勵池 × ( 你的分數 / 所有做市者的分數總和 )
分母是競爭。 所以
每單位掛單資金的獎勵收益率 ∝ 1 / 競爭者總分
推論：在同一個獎勵池下，先到者的收益率可以高出後到者一個數量級。
而 二次計分規則的開關性質（凸函數的最大值在端點）在這裡特別有利：在競爭少時，R 很大，R > k·v 的條件容易滿足，所以最優報價是「貼著中價全力搶」。
第二層 edge：價格本身
新市場的初始價格由極少數參與者決定（見 注意力分配）。一個由三個人定價的市場，價格的變異數必然很大。
這是取樣誤差，不是行為偏誤——所以它不需要假設任何人非理性，是機制必然的。
q₀ 從哪裡來
見 案例五：
q₀ = 加權合併( 參考類別歷史基準率, 盲估的模型先驗 )
參考類別基準率應該拿較大的權重，因為它有實證支撐而模型直覺沒有。實作：從歷史已結算市場中用 embedding 檢索語義最近的 k 個，計算它們的實現率。
新市場天然是盲估情境——沒有市價可以錨定。這是它作為驗證樣本的一個獨特優點：你可以在這裡乾淨地量測你的先驗品質，不受錨定汙染。
架構
① 每 N 分鐘查 Gamma API，按 created_at 找新市場
（注意 /markets 300/10s 限制，用增量查詢）
② 條款編譯 → 判定函數（複用 [[projects/polymarket-strategy-research/10-clause-derived-sources|抽取層]]）
③ 參考類別檢索 → 基準率
④ 盲估 → 模型先驗
⑤ 合併 → q₀ 與其不確定度 τ₀
⑥ 若檢索相似度低於門檻 → 棄權（不進場）
⑦ 兩側掛單階梯，中心 q₀，總寬度由 τ₀ 決定
⑧ 監控：單向成交壓力 → 撤單擴寬；獎勵競爭上升 → 重評估
⑦的階梯設計：不要單一報價。掛一個遞增數量的階梯，讓知情者必須付出遞增的成本才能吃掉你。這是對「你可能是唯一參與者、而對手可能知情」的結構性防禦。
⑧的單向壓力偵測是最重要的風控。 在一個新市場上，若你的一側被持續吃掉而另一側完全沒動，這幾乎確定是知情流，不是雙向的價格發現。正確反應是立刻撤單並大幅擴寬，而不是「調整中心價繼續報」。
風險
| 風險 | 描述 | 緩解 |
|---|---|---|
| 你是唯一的對手 | 對手可能是市場創建者或知情者 | 極低的單市場上限（總資金 0.5% 量級）；階梯報價；單向壓力偵測 |
q₀ 錯得離譜 | 新穎事件找不到參考類別 | 檢索相似度門檻 → 棄權 |
| 獎勵池太小 | 新市場的獎勵可能不值得 | 事前檢查該市場的獎勵參數；R > k·v 不成立就不進 |
| 競爭很快跟上 | 別人也在監聽新市場 | 這是實證問題；量測「新市場的競爭者數 vs 上架時間」曲線 |
| 獎勵規則變更 | 官方參數會調整 | 定期重讀官方文件；把獎勵當成加分而非主要收益來源 |
最後一項值得強調：不要設計一個只有靠獎勵才賺錢的策略。 獎勵是平台的政策工具，隨時可能調整。正確的設計是「價格 edge 讓策略持平或微賺，獎勵是超額報酬」——這樣規則改變時你損失的是利潤而不是本金。
怎麼驗證
驗證一：競爭曲線。 純觀測——記錄新市場上架後，隨時間的做市者數量與總掛單量。若競爭在幾分鐘內就飽和，這個策略的窗口太窄。
驗證二：q₀ 的校準。 對歷史新市場跑 q₀，與最終結果比對。這是乾淨的、無錨定的校準量測，也是驗證整個估計層的最佳資料集（見 校準）。
驗證三：初始價格的變異數 vs 參與者數。 檢驗「參與者少 → 錯價大」的機制假設。
兩個策略的共同結構
| 到期扭曲 | 冷啟動 | |
|---|---|---|
| 時間窗 | 生命終點（分鐘） | 生命起點（小時） |
| 錯價機制 | 行為性（避險需求） | 取樣誤差（參與者少） |
| 需要對現實的認知？ | 需要（勝率模型），但非 edge 來源 | 需要（先驗），且是 edge 來源之一 |
| edge 的本質 | λ 的即時估計 | 獎勵分母 + 取樣誤差 |
| 執行 | maker（零費率） | maker（零費率 + 獎勵） |
| 主要風險 | 逆選擇（知情流偽裝成避險流） | 逆選擇（你是唯一對手） |
| go/no-go | Polymarket 的 λ̂ 是否 > 1 | 競爭飽和速度 |
兩者共用同一個報價引擎，也可以與 Shin-z 策略 共用——後者提供報價中心的偏斜。三個策略、一套執行基礎設施，這是架構上的關鍵複用（見 系統藍圖）。
分級
| 主張 | 等級 |
|---|---|
到期前 10 分鐘 λ ≈ 1.27–1.31 | 有證據（Kalshi，2,300 萬筆） |
| 機制是輸方部位的避險需求 | 有證據（曲線形態一致） |
| 此現象移轉到 Polymarket | 原創假說，可用歷史成交擬合證偽 |
λ 可從即時 OFI 估計 | 原創假說，需擬合 κ |
| 獎勵收益率與競爭成反比 | 機制必然（獎勵公式） |
| 二次計分讓最優報價是開關決策 | 機制必然（凸函數在端點取極值） |
| 新市場競爭顯著較低 | 原創假說，驗證一可證偽 |
| 新市場的錯價來自取樣誤差 | 機制必然（不需假設非理性） |
下一步：交易 agent 完整藍圖。