a16z:预测市场的「超级碗时刻」

marsbit发布于2026-02-09更新于2026-02-09

文章摘要

美国预测市场在超级碗期间备受关注,交易量庞大,涉及体育、政策、科技等多个领域。预测市场本质是通过交易与事件挂钩的资产,让参与者基于判断进行买卖,从而整合信息、反映事件发生概率。与传统博彩不同,预测市场更注重真实判断而非资金平衡,能有效提炼信息,提供直观答案。其历史可追溯至16世纪,现代发展则基于经济学、统计学和计算机科学。 预测市场优势明显:能动态更新信息,激励参与者深入分析,覆盖范围广泛,甚至可预测学术问题。但也面临挑战:如事件验证、透明度、参与者信息不对称、内幕交易和操纵风险。平台需提升运作透明度,明确规则,以确保市场公平。若问题得以解决,预测市场将在未来发挥更重要作用。

美国时间 2 月 8 日(北京时间 2 月 9 日早 7:30),数亿美国国家橄榄球联盟(NFL)球迷守在屏幕前观看超级碗比赛,不少人还同时盯着另一块屏幕——紧盯预测市场的交易动态,这里的投注品类包罗万象,从赛事冠军归属、最终比分,到各队四分卫的传球码数,应有尽有。

过去一年,美国预测市场的交易量至少达到 279 亿美元,交易标的包罗万象,从体育赛事结果、经济政策制定,到新产品发布,无一不在其列。但这类市场的本质始终备受争议:它究竟属于交易行为,还是赌博?是汇聚大众智慧的新闻工具,还是科学验证的手段?而当下的发展模式,是否已是最优解?

作为一名长期研究市场与激励机制的经济学家,我的答案始于一个简单的前提:预测市场,本质就是市场。而市场,是调配资源、整合信息的核心工具。预测市场的运作逻辑,是推出与特定事件挂钩的资产——当该事件达成时,持有资产的交易者即可获得收益,人们则根据自身对事件走向的判断进行交易,市场的核心价值也由此发挥。

从市场设计的角度来看,参考预测市场的信息,远比听信单个体育评论员的观点,甚至比看拉斯维加斯的博彩赔率更具参考性。传统体育博彩机构的核心目的,并非预测比赛胜负,而是通过调整赔率「平衡投注资金」,在任一时刻吸引资金流入投注量较少的一方。拉斯维加斯博彩追求的是让玩家愿意为冷门结果下注,而预测市场,却能让人们基于自己的真实判断完成交易。

预测市场也能让人更轻松地从海量信息中提炼有效信号。比如你想预判新关税出台的可能性,若从大豆期货价格中推导,过程会十分间接——因为期货价格受多重因素共同影响。但如果直接在预测市场抛出这个问题,就能得到更直观的答案。

这一模式的雏形,最早可追溯至 16 世纪的欧洲,当时人们甚至会为「下一任教皇人选」下注。现代预测市场的发展,则植根于当代经济学、统计学、机制设计与计算机科学的理论体系。20 世纪 80 年代,加州理工学院的查尔斯・普拉特与耶鲁大学的希亚姆・桑德为其搭建了正式的学术框架,不久后,首个现代预测市场——爱荷华电子市场(Iowa Electronic Markets)便正式问世。

预测市场的运作机制其实十分简单。以「西雅图海鹰队四分卫萨姆・达诺德是否会在对方端区一码线内传球」这个赌约为例,市场会发行对应的交易合约,若该事件发生,每份合约将向持有者支付 1 美元。随着交易者不断买卖这份合约,合约的市场价格便可以解读为事件发生的概率,代表着交易者对结果的整体判断。比如每份合约定价 0.5 美元,就意味着市场认为该事件发生的概率为 50%。

如果你判断事件发生的概率高于 50%(比如 67%),就可以买入这份合约。若最终事件成真,你以 0.5 美元买入的合约能获得 1 美元收益,毛利可达 0.67 美元。而你的买入行为,会推高合约的市场价格,对应的概率估值也会上升,这也向市场传递了一个信号:有人认为当前市场低估了事件发生的可能性。反之,若有人认为市场高估了概率,卖出行为则会拉低价格与概率估值。

当预测市场运作良好时,相比其他预测手段,它能展现出显著的优势。民意调查与问卷只能得出观点占比,要将其转化为概率估值,还需要通过统计学方法,分析调查样本与整体人群的关联;且这类调查结果往往只是某一时刻的静态数据,而预测市场的信息会随着新参与者的加入、新信息的出现持续更新。

更关键的是,预测市场有着明确的激励机制,交易者都是「切身入局」的。他们必须审慎梳理自己掌握的信息,只在自己最了解的领域投入资金、承担风险。而在预测市场中,人们可以将自身的信息与专业能力转化为收益,这也会激励大家主动去深入了解相关领域的信息。

最后,预测市场的覆盖范围也远胜其他工具。比如有人掌握影响石油需求的相关信息,可通过做多或做空原油期货获利,但现实中,许多我们想要预判的结果,都无法通过大宗商品或股票市场实现。例如近期就出现了专门的预测市场,试图整合各方判断,预测特定数学难题的破解时间——这一信息对科学发展至关重要,也是衡量人工智能发展水平的重要标杆。

尽管优势显著,预测市场要真正发挥其价值,仍需解决诸多问题。首先是市场基础设施层面,始终存在亟待厘清的问题:如何验证某一事件是否真正发生,并让市场达成共识?如何确保市场运作的透明度与可审计性?

其次是市场设计的挑战。比如,必须有掌握相关信息的参与者入场交易——如果所有参与者都一无所知,市场价格就无法传递任何有效信号。反之,各类掌握不同相关信息的参与者,都需要愿意参与交易,否则预测市场的估值就会出现偏差,英国脱欧公投前的预测市场,就是典型的反面例子。

而如果有掌握绝对内幕信息的参与者入场,也会引发新的问题。比如海鹰队的进攻协调员明确知道萨姆・达诺德是否会在一码线内传球,甚至能直接影响这一结果,若这类人士参与交易,市场公平性会被严重破坏。如果潜在参与者认为市场中有内幕交易者,他们可能会理性选择离场,最终导致整个市场崩盘。

此外,预测市场也存在被操纵的风险:有人可能将这一原本用于整合大众判断的工具,变成操纵舆论的手段。比如某候选人的竞选团队,为了营造「胜选在望」的氛围,可能会动用竞选资金影响预测市场的估值。不过好在,预测市场在这方面具备一定的自我修正能力——如果某一合约的概率估值偏离合理范围,总会有交易者选择反向操作,让市场回归理性。

基于上述种种风险,预测市场平台必须着力提升运作透明度,明确披露参与者管理、合约设计、市场运营等各环节的规则。如果这些问题能被成功解决,我们可以预见,预测市场在未来的预测领域,将扮演越来越重要的角色。

相关问答

Q预测市场的核心价值是什么?

A预测市场的核心价值在于通过市场机制调配资源和整合信息,让交易者根据对事件走向的判断进行交易,从而形成对事件发生概率的集体预测。

Q预测市场与传统体育博彩的主要区别是什么?

A传统体育博彩的核心目的是通过调整赔率平衡投注资金,吸引玩家为冷门结果下注;而预测市场则鼓励交易者基于真实判断进行交易,更直接地反映集体智慧。

Q预测市场相比民意调查有哪些优势?

A预测市场能动态更新信息,具有明确的激励机制促使参与者审慎决策,且覆盖范围更广,能直接将信息转化为概率估值,而民意调查仅是静态数据且需统计学转换。

Q预测市场面临哪些主要挑战?

A预测市场需解决事件验证与共识达成、市场透明度、参与者信息不对称、内幕交易风险以及市场被操纵等问题,同时需确保足够多掌握相关知识的参与者入场。

Q预测市场最早可追溯至什么时期?现代预测市场的学术框架由谁建立?

A预测市场的雏形可追溯至16世纪的欧洲;现代预测市场的学术框架由加州理工学院的查尔斯・普拉特和耶鲁大学的希亚姆・桑德在20世纪80年代搭建。

你可能也喜欢

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1小时前

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

OpenAI 不靠最贵的模型卖钱了

OpenAI近期调整了API定价策略,旗舰模型GPT-5.6 Luna降价80%,Terra降价20%,而顶级模型Sol未降价但新增了更快的“Fast”模式。此次调整的核心并非单纯的价格战,而是标志着OpenAI首次引导用户根据任务需求选择不同模型,而非一味追求最强模型。官方建议复杂任务可由Sol进行规划,再由Luna等成本更优的模型执行。 此举与Anthropic近期推出半价替代旗舰的Claude Opus 5策略相似,显示硅谷领先公司正形成默契:旗舰模型(如Sol、Fable)的角色正从直接盈利转向树立技术品牌和探索上限,而商业化走量和利润则主要由中端及性价比模型(如Luna、Opus)承担。这类似于汽车等行业“旗舰立形象,走量车型赚利润”的模式。 更深层的变化在于成本下降的驱动力。OpenAI透露,此次降价部分得益于由Sol模型自身参与优化底层生产内核,实现了效率提升与成本降低,开启了“模型优化模型”的自我加速循环。 行业竞争焦点正从“谁最聪明”的单项性能比拼,转向为企业提供基于任务重要性、出错成本、规模等因素的“模型组合”最优解,追求整体ROI。这类似于云计算按数据冷热使用不同存储的策略。 OpenAI的长期战略日益清晰:其真正目标并非依靠单一模型的高毛利,而是通过极低的调用成本构建庞大的开发者生态与调用量,形成类似操作系统或云平台的渗透率与用户粘性。当API调用成本低至可被忽略,AI将如水电般无缝嵌入所有业务流程,其发展也将从追求智能巅峰的“产品时代”,进入驱动全面自动化与效率的“基础设施时代”。

marsbit1小时前

OpenAI 不靠最贵的模型卖钱了

marsbit1小时前

交易

现货
活动图片