核心发现
方法论
该研究设计了一个分层架构，包括信息采集、概率分析、排序与规模调整、执行与风险控制四大模块。核心算法采用时间归一化收益率评分（公式2）进行候选排序，利用Kelly比例（公式3）进行仓位管理。交易层实现了硬性风险约束（止损、持仓上限、回撤限制），确保风险可控。该系统可与任意预测模型结合，验证其在固定预测档案上的表现。
关键结果
- 在回放实验中，Raven-Agent实现唯一正风险调整收益（15.9%），显著优于其他策略（如边缘比例策略亏损55.5%）。在真实Polymarket部署中，累计盈利达53.92美元，表现出良好的实用性。实验还显示，筛选与风险过滤显著提升收益，单纯规模调整反而带来亏损。
研究意义
该研究突破了预测模型与交易策略的隔离局限，提出可调节、模块化的交易层，为AI在金融决策中的应用提供了新思路。通过明确的风险控制机制，有助于实现AI自主交易的稳健性，为未来智能交易系统奠定基础。
技术贡献
创新点在于将交易层设计为可插拔、确定性、可组合的模块，区别于传统硬编码或端到端学习方法。引入时间归一化收益评分和Kelly比例，提升候选筛选与仓位管理的科学性。系统实现了外部风险约束，确保在模型失误时仍能保持风险可控，增强了系统的实用性与可审计性。
新颖性
首次提出将交易层作为独立、可调节的模块，结合时间归一化评分与Kelly仓位控制，实现预测模型与交易策略的解耦。不同于以往将交易规则硬编码或完全由模型自主决策的方法，强调风险管理的可控性与可解释性。
局限性
- 实验基于固定档案回放，未在动态环境中验证适应性。模型预测依赖预存档，未考虑实时信息更新对策略的影响。风险控制参数需手动调节，缺乏自适应机制。未来需在真实市场中测试系统的鲁棒性与扩展性。
未来方向
未来将探索动态环境下的实时学习与调整机制，增强系统的适应性。考虑引入多策略融合与强化学习优化，提升收益稳定性。还将扩展多市场、多资产类别的交易能力，推动AI自主交易的实际应用。
AI 总览摘要
本研究聚焦于预测市场中模型预测与实际交易之间的差距，提出了Raven-Agent，一个基于明确交易层的自主交易系统。传统方法多关注概率校准，忽视交易策略的设计，导致模型虽能提供较好概率估计，但难以实现盈利。本文创新性地将交易层作为独立模块，结合排序、仓位控制与风险管理，显著提升交易表现。
该系统由信息采集、概率分析、候选排序与规模调整、执行与风险控制四部分组成。利用时间归一化收益率（公式2）对候选进行排序，采用Kelly比例（公式3）进行仓位管理，确保风险可控。硬性风险约束包括止损、持仓上限和回撤限制，保证系统稳健。
在固定档案回放实验中，Raven-Agent实现唯一正风险调整收益（15.9%），优于其他策略。真实Polymarket部署中，累计盈利达53.92美元，验证了其实际应用潜力。这一结果表明，明确的交易层设计与风险控制机制对提升自主交易系统的效果至关重要。
未来工作将关注动态环境中的实时学习与适应，结合强化学习优化策略，扩展多市场应用，推动AI在金融领域的落地。该研究为实现稳健、可解释的自主交易系统提供了理论基础与实践方案，具有重要的学术与产业价值。
深度分析
研究背景
预测市场作为检验AI能力的重要平台，近年来逐渐成为研究焦点。早期工作如ForecastBench和Prophet Arena主要关注概率校准和模型性能，未充分考虑交易策略的设计。随着应用需求增长，研究逐步转向交易层的优化，强调风险控制与收益管理。现有方法多将交易规则硬编码或由模型自主决策，缺乏模块化、可调节的设计，难以实现系统性优化。该领域面临的挑战包括模型预测的偏差、风险管理的复杂性以及交易策略的可解释性。本文试图突破这些瓶颈，提出一种可调节、模块化的交易层架构，旨在实现模型与交易策略的解耦，提高系统的稳健性和适应性。
核心问题
当前预测模型虽能提供较好概率估计，但在实际交易中表现不佳，难以实现盈利。原因在于缺乏有效的交易策略设计，风险控制机制不足，导致模型偏差放大亏损。此外，交易规则多为硬编码，缺乏灵活性，难以适应市场变化。如何在保证模型预测质量的基础上，设计一个具有良好风险控制、可调节的交易层，成为亟待解决的问题。这不仅关系到模型的实用性，也影响到自主交易系统的稳定性和可扩展性。
核心创新
本研究的创新点在于：1）将交易层设计为独立、可调节的模块，支持不同的预测模型；2）引入时间归一化收益率（公式2）进行候选排序，兼顾收益与时间成本；3）采用Kelly比例（公式3）进行仓位管理，结合风险约束实现稳健交易；4）硬性风险控制机制确保在模型失误时风险可控。这些创新使得交易策略具有高度的可解释性、可调节性和稳健性，区别于传统端到端学习或硬编码规则的方法。
方法详解
- �� 信息采集：通过Polymarket Gamma API定期获取市场价格、流动性、预期到期时间等数据。• 概率分析：利用结构化信念状态和外部语言模型（如GPT）结合市场隐含信息，估算每个候选的支付概率pi。• 排序与规模调整：根据时间归一化收益率（公式2）对候选排序，筛除低于阈值的项目，采用Kelly比例（公式3）调整仓位，确保风险与收益平衡。• 执行与风险控制：硬性限制单笔交易规模、总持仓、回撤，确保风险在可控范围内。• 交易执行：提交订单至Polymarket CLOB，实时监控仓位变化，动态调整策略。• 反馈与优化：通过历史回放验证策略效果，调整参数以优化收益。
实验设计
采用Polymarket历史决策档案，筛选出59个决策点，验证不同策略的表现。对比包括纯预测交易、边缘比例、边缘过滤、固定仓位Raven-Agent和全策略Raven-Agent。指标涵盖ROI、Sharpe比率、Brier分数和累计利润。实验中，Raven-Agent（全策略）实现15.9%的正收益，显著优于其他策略。还进行了鲁棒性检验，包括bootstrap置信区间和逐一删除分析，验证结果的稳健性。真实部署中，累计盈利53.92美元，显示出良好的实用性。
结果分析
Raven-Agent（全策略）在回放和实际部署中均表现优异，ROI达15.9%，风险调整收益（Sharpe）为0.42。边缘比例策略亏损55.5%，显示单纯规模调整风险巨大。筛选与风险过滤显著提升收益，筛除低价值预测，减少亏损。实验还验证了系统的鲁棒性，bootstrap置信区间全部覆盖正收益，逐一删除后收益依然保持正向。整体来看，明确的交易层设计极大改善了模型的实际盈利能力。
应用场景
该系统可应用于金融市场自动交易、预测市场管理、风险评估等场景。只需集成预测模型和市场数据，即可实现自主交易，降低人力成本。未来还可扩展到多资产、多市场环境，辅助投资决策，提升市场效率。长远来看，结合强化学习和多策略融合，有望实现更智能、更稳健的自主交易系统，推动AI在金融行业的深度应用。
局限与展望
目前系统依赖固定档案，缺乏实时适应能力，面对市场突发事件可能表现不佳。风险控制参数需人工调节，缺乏自适应机制。模型预测仍受限于档案信息，未充分利用实时数据。未来需在动态环境中验证系统的鲁棒性，增强自我学习能力，解决实际应用中的复杂风险与不确定性。
通俗解读 非专业人士也能看懂
想象你在厨房里做菜，预测市场就像提前猜菜的味道。以前的方法就像只看食谱，告诉你怎么做，但不管菜做得好不好。而这个系统不仅会猜味道，还会决定用多少调料、什么时候加，确保菜不会烧焦或太咸。它会根据每次尝试的结果调整策略，就像厨师不断试错，最终做出既好吃又不浪费材料的菜。这个“厨师”能自己判断什么时候多放盐，什么时候少放油，保证每次都能做出满意的菜。这种方法让厨房变得更智能，也更可靠。
简单解释 像给14岁少年讲一样
想象你在玩一个猜谜游戏，你不仅要猜答案，还要决定用多大力气去猜。以前的人只告诉你答案的可能性，但你还得自己决定下注多少。现在，这个系统就像一个聪明的朋友，不仅会告诉你答案的概率，还会帮你决定下注的大小，确保你不会因为太激动而亏钱。它会根据每次猜测的结果不断调整策略，就像你在游戏中学会了更聪明的玩法。这样一来，你就能用这个聪明的朋友在市场上赚到钱，而不是亏钱。它就像一个会自己学习、会控制风险的聪明助手，让你在市场中更有把握。
原文摘要
Forecasting future events has attracted growing attention as a testbed for general-purpose AI. A natural way to ground this evaluation is let the models trade in the prediction markets. Trading, however, requires more than forecasting. Moreover, recent benchmarks report a substantial gap between calibrated probability scores and the trading results. We propose Raven-Agent, to the best of our knowledge, the first autonomous trading agent for prediction markets. On a controlled replay over an archived decision set, our architecture achieves the only positive return and the only positive risk-adjusted return among all tested policies. We have released our code in https://github.com/Alchemist-X/predict-raven .