预测市场有问题、有概率，也有到期结果，看起来很适合 AI。实际做产品时，我先让模型读结算规则、梳理市场关系，再排除那些看似有价差却无法执行的机会。
我在 2026-04-21 的研究快照中，把机会分成四类：同一市场内的机械组合、Neg-risk 市场组、语义相关市场和跨平台价差。四类机会需要的证据完全不同。
机械价差也要先扣执行成本
二元市场的 YES 与 NO 报价之和小于 1，看起来像可以买入全套；买价之和大于 1，看起来像可以拆分卖出。但真实执行还要考虑手续费、价差、订单深度、多腿成交与资金占用。
当日只读样本扫描了 189 个二元市场，raw buy-both 与 split-sell 机会均为 0；最小 ask 和为 1.001，最大 bid 和为 0.999。这个快照只说明当时公开盘口没有明显机械空间，不代表其他日期或更深订单簿没有机会。
Neg-risk 的关键是事件集合
多个结果是否覆盖同一个互斥且完备的事件空间，不能只看标题相似。市场可能有不同截止时间、不同数据源或特殊无效条件。只要集合不是完备互斥，简单相加就会得到假机会。
产品需要建立 event group，并保存每个市场的 resolution source、截止时间、异常处理和争议规则。这个部分可以由模型辅助阅读，但最终约束必须转成确定性规则。
AI 适合做语义关系与反证
LLM 可以发现“事件 A 发生通常意味着事件 B 更可能发生”之类的关系，也能比较不同平台的规则文本。但这种关系是研究假设，不是无风险套利。
输出应该包含关系类型、支持证据、反例、时间窗口和置信度。模型如果不能给出可访问来源，就只能生成待人工复核的候选，不能进入自动执行。
订单系统必须处理孤腿风险
多腿交易最危险的状态是第一腿成交、第二腿失败。执行层要明确：
- 报价是否仍在有效窗口；
- 每条腿的可成交数量；
- 部分成交后的最大暴露；
- 撤单、补单和对冲顺序；
- 订单状态与实际持仓的对账。
这类状态机不能交给自由文本推理。模型负责解释“为什么可能存在关系”，代码负责承诺“系统当前到底持有什么”。
合理的产品路线是 scanner、alert、人工确认、Paper Trading，再到有限自动化。AI 做理解，确定性程序做订单，审计账本负责在事后还原每一步。
来源说明：本文由个人 Obsidian 中 2026-04-21 的 Polymarket AI Agent 调研公开化改写。样本是单日只读快照，不构成当前平台状态、合规意见或投资建议。
研究边界：本文用于产品与机制研究，不构成投资建议；涉及的策略表现仅代表历史回放、Shadow 或 Paper Trading 结果。
