核心发现
方法论
采用基于Rust的多源WebSocket采集器，结合源时间戳与采集时间戳的同步校验，构建了包含727M行数据的毫秒级配对数据集。通过基于窗口的最近邻匹配（750ms窗口）生成领先-滞后对，利用线性回归模型（Walk-forward Logistic Regression）进行预测，结合Platt校准器实现概率校正。数据同步验证包括时钟偏差测量（最大偏差16ms，偏差界限6ms），以及无同步的因果事件分析（中位响应时间347ms）。模型性能以AUC 0.8377为基准，未能超越Polymarket的中值概率，验证了市场的信息效率。
关键结果
- 微结构特征（如一跳价差）大多为一跳宽度（约1个tick），源时钟领先-滞后中位数为16ms，偏差界限6ms，时钟偏差约±99ms。Polymarket对Binance大幅波动的响应中位为347ms，表明市场反应存在显著延迟。
- 多变量模型在出样预测中未优于简单的Polymarket中值概率（AUC 0.8377对比0.8405），说明微结构特征难以提供超额预测能力。
- 同步校验和因果分析表明，市场信息传递具有一定延迟，但在微观时间尺度上不存在明显套利优势。
研究意义
本研究首次提供了毫秒级Polymarket与Binance的配对数据集，为高频预测市场微结构研究提供了基础设施。验证了市场信息传递的延迟特性，强调了微结构特征在预测中的局限性。该数据集有助于理解去中心化预测市场的信息效率和微观机制，推动算法交易与市场微结构理论的发展。
技术贡献
提出了基于Rust的多源数据采集与同步框架，结合源时间戳与采集时间戳的偏差校验，实现毫秒级配对。引入750ms窗口的最近邻匹配算法，系统性量化了时钟偏差、偏移与漂移。通过无同步因果事件分析，验证了市场反应延迟。模型训练采用walk-forward策略，结合Platt校准器，确保概率预测的稳定性与可比性。这些技术创新增强了高频微结构数据的可用性与分析深度。
新颖性
首次公开了毫秒级Polymarket与Binance的配对数据集，配备详细的配对元数据和偏差校验机制。提出了无同步条件下的因果关系验证方法，突破了传统对时钟同步的依赖。与现有微结构数据集（如LOBSTER、FI-2010）相比，强调去中心化预测市场的特殊微结构特征，填补了加密资产微结构研究的空白。
局限性
- 数据同步受单一采集点限制，无法完全消除绝对时钟偏差，偏差估计约±99ms，影响极短期预测的精度。
- 模型未能超越市场概率，反映微结构特征在短期预测中的有限作用，可能受市场效率限制。
- 高频数据采集与处理成本较高，未来需优化算法与存储效率。
未来方向
未来将扩展多采集点同步机制，结合多源时钟信息提升偏差校准精度。探索深度学习模型（如Transformer）在微结构预测中的潜力，结合更丰富的市场微观特征。推动实时微结构分析工具的开发，助力去中心化市场的效率提升与风险管理。
AI 总览摘要
本研究首次公开了一个毫秒级别的Polymarket与Binance BTC-USDT配对数据集，旨在推动高频预测市场的微结构研究。通过基于Rust的多源WebSocket采集系统，结合源时间戳与采集时间戳的同步验证，构建了包含727M行高精度配对事件的数据库。采用750毫秒窗口的最近邻匹配算法，系统性量化了两个市场之间的领先-滞后关系，发现中位偏差为16毫秒，偏差界限为6毫秒，时钟偏差约±99毫秒。无同步的因果事件分析显示，Polymarket对Binance大幅波动的响应中位为347毫秒，验证了市场信息传递的延迟特性。基于这些微结构特征，训练了线性回归预测模型（AUC 0.8377），但未能超越市场自身的概率预估，表明市场在短期内具有较高的效率。这一数据集不仅丰富了加密资产微结构的理解，也为未来算法交易和市场微观机制研究提供了基础工具。该工作强调了高频数据同步的技术难点与微结构特征在预测中的有限作用，推动了去中心化预测市场的理论与实践发展。
深度分析
研究背景
预测市场通过合成未来事件的合约价格，逐步演化成为金融市场微结构研究的重要场景。Polymarket作为去中心化预测平台，结合区块链和微结构特性，提供了丰富的微观数据。此前研究多集中于传统交易所的订单簿（如LOBSTER、FI-2010），缺乏对去中心化预测市场的高频微结构分析。加密资产市场的高频交易、跨交易所的价格发现、信息传递延迟等问题，成为微结构研究的热点。现有工作虽提供了部分微结构数据，但缺乏毫秒级配对、详细的时间同步验证和跨市场因果分析工具。本文填补了这一空白，提供了同步的高频配对数据集，为理解市场信息效率提供了新的视角。
核心问题
核心问题在于如何在去中心化预测市场中实现毫秒级别的事件配对与同步验证，克服单一采集点带来的时钟偏差限制。传统微结构数据集多依赖中心化交易所，缺乏多源同步机制，难以捕捉市场微观信息传递的真实延迟。加密市场的特殊微结构特性（如一跳价差、非对称信息流）进一步增加了数据同步与分析的难度。此外，现有模型未能充分利用微结构特征实现超额预测，反映市场的高效率与微观信息的有限传递。
核心创新
本研究的创新点包括：1）提出了基于Rust的多源WebSocket数据采集框架，确保毫秒级同步；2）引入750毫秒窗口的最近邻匹配算法，有效生成领先-滞后对，量化市场微结构；3）在无同步假设下，通过源时间戳与采集时间戳的偏差校验，验证了偏差界限（最大16ms，偏差±99ms）；4）采用无同步的因果事件分析，验证了Binance大幅波动后Polymarket的响应延迟（中位347ms）；5）结合线性回归模型与Platt校准器，系统性评估微结构特征的预测能力。这些创新极大提升了微结构数据的可用性和分析深度，为去中心化预测市场的微观机制提供了新工具。
方法详解
- �� 采集器：利用WebSocket从Binance和Polymarket实时采集交易、订单簿和事件数据，存储源时间戳与采集时间戳。• 同步校验：通过测量每个市场的最小传输延迟（最大16ms，偏差±99ms）验证时钟偏差。• 配对算法：在750ms窗口内，采用最近邻匹配，生成领先-滞后事件对，标记配对质量（紧、中、宽）。• 无同步验证：检测Binance大幅波动事件，匹配Polymarket反应，计算中位响应时间347ms。• 模型训练：基于提取的微结构特征，采用walk-forward线性回归，结合Platt校准，评估预测性能（AUC 0.8377）。• 评估指标：包括模型预测准确性、概率校准、模拟交易收益等。• 结果分析：量化市场信息传递延迟，验证微结构特征在短期预测中的有限作用。
实验设计
实验使用2026年2月至5月的Polymarket与Binance配对数据，涵盖54个Polymarket交易日和57个Binance交易日。模型采用逐步walk-forward验证，特征包括订单簿指标、价格波动、技术指标等。对比基线为Polymarket中值概率，模型性能用AUC、Brier分数等指标衡量。通过不同配对窗口和特征组合的消融实验，验证微结构特征的预测能力。还进行无同步因果事件分析，验证市场响应延迟。所有实验均在高性能计算环境中完成，确保结果的可复现性。
结果分析
模型在出样预测中未超越市场概率（AUC 0.8377对比0.8405），说明微结构特征难以实现超额收益。微结构特征（如一跳价差）大多为一跳宽度（约1个tick），领先-滞后中位数为16ms，偏差界限为6ms，时钟偏差约±99ms。Polymarket对Binance大幅波动的响应中位为347ms，验证了信息传递存在延迟。同步校验结果显示，偏差受单点采集限制，但偏差界限合理，支持微结构分析的可靠性。这些结果强调了市场的高效率和微结构特征在短期预测中的有限作用。
应用场景
该数据集可用于研究加密资产微结构特性、优化高频交易策略、分析市场信息传递延迟。对算法交易者、市场监管者和学术研究者均具有重要价值。未来可结合深度学习模型，提升微结构特征的预测能力，推动去中心化市场的效率提升。
局限与展望
数据同步受单一采集点限制，偏差估计约±99ms，影响极短期预测。模型未能超越市场概率，反映微结构特征在高频预测中的局限。高频数据采集成本高，未来需优化算法与存储效率，此外，偏差校准仍存在改进空间。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭，厨房里有两个不同的厨师（市场），一个在炒菜（Binance），另一个在调味（Polymarket）。他们都在用不同的时间点做菜，但你想知道他们什么时候开始做的菜是否互相影响。为了弄清楚，你用一个秒表（毫秒级时间戳）记录每个动作的时间，然后把两个厨师的动作配对，看看哪个动作先发生，哪个跟着发生。你发现，调味师通常在炒菜后大约16毫秒开始加调料，但有时候会有偏差（±99毫秒），因为他们的秒表不完全同步。你还观察到，当炒菜师傅突然炒出大火（大波动）时，调味师会在大约347毫秒后反应。虽然你能找到这些时间差，但你发现他们的动作没有明显的提前或滞后优势，也就是说，谁先谁后并不能帮你预测下一步的菜色。这就像是两个厨师合作，但都很快，彼此之间的影响有限。这个厨房的例子帮助我们理解市场中不同交易所之间信息传递的延迟，以及微结构特征在短期预测中的作用有限。
简单解释 像给14岁少年讲一样
想象你在学校里，有两个朋友在玩游戏，一个在玩手机（Binance），另一个在看通知（Polymarket）。你想知道他们什么时候开始注意到对方的动作。你用秒表记录他们每次动作的时间，发现朋友在看到手机屏幕上的大动作后，大约会在347毫秒后反应过来。你还发现，手机上的动作和通知之间的时间差大多只有16毫秒，但有时候会有偏差（±99毫秒），因为他们的时间记录不完全同步。虽然你可以测出这些时间差，但并不能用来准确预测他们下一步会做什么。就像两个朋友虽然会互相影响，但反应时间很快，彼此之间的影响并不明显。这说明在市场里，不同交易所之间的信息传递也有一定的延迟，但这些延迟并不能帮你轻易赚到额外的钱。这就像你观察朋友们的反应，虽然知道他们的反应时间，但还不能用这个信息轻松获利。
原文摘要
OpenMarket began as an attempt to trade Polymarket's BTC 15-minute binary markets against Binance BTC/USDT order flow. The attempt did not produce a tradable edge: out-of-sample, a walk-forward logistic model over 43 microstructure features does not beat, and slightly underperforms, the probability already implied by Polymarket's own order book, and simulated trading nets -0.116 normalized payoff units per attempted trade under stated fee and slippage assumptions. We release the synchronized corpus and infrastructure that attempt produced and, to our knowledge, the first public millisecond-level Polymarket BTC / Binance BTC-USDT paired corpus with explicit pairing metadata. The frozen archive (tag v0.5.2) contains 727,098,247 deduplicated rows across 202 archival snapshots, with event data on 54 observed Polymarket days (57 Binance days) between 2026-02-12 and 2026-05-15, including 2,936,031 explicit lead-lag pairs, alongside a reproducible Rust pipeline for collection, millisecond pairing, Parquet export, and walk-forward calibration. Initial analyses establish Polymarket stylized facts (one-tick top-of-book spreads) and characterize cross-venue timing: an apparent 16 ms median lag on venue source clocks, with relative clock drift bounded to at most 6 ms over the archive but a remaining single-vantage constant-offset ambiguity of approximately plus or minus 99 ms. A synchronization-free event study, measured only on the collector clock, independently shows that Polymarket quotes respond to large Binance moves after a median 347 ms. We position this work as a data-and-methods release whose central empirical result is a null out-of-sample forecasting result.