从一笔“提前押注”的交易,看懂 2025 年最火的 Web3 赛道:预测市场

marsbit发布于2026-01-07更新于2026-01-07

文章摘要

摘要:2025年初,一笔关于委内瑞拉总统马杜罗下台的预测市场交易引发关注。某用户在Polymarket平台投入约3.2万美元押注其1月31日前下台,最终获利超40万美元,回报率超十倍。这一事件使预测市场成为2025年Web3领域最受关注的赛道之一。 预测市场通过资金博弈聚合分散信息,形成反映集体判断概率的价格机制。其在2024年美国大选中的预测准确性甚至超过传统民调,被彭博社等主流媒体引用,逐渐成为公共信息来源。预计2025年预测市场交易量将从2024年的9亿美元增至400亿美元,用户规模从400万增至1500万。头部平台Polymarket和Kalshi已获超31.5亿美元资金,估值达80-90亿美元。 与博彩不同,预测市场采用公开定价机制,具备信息发现功能,参与者多为研究者和机构用户,其价格数据可用于宏观分析和风险管理。2025年的爆发得益于监管突破(美国CFTC将其定义为商品衍生品)、机构资本进入、事件品类扩展及技术成熟。 需注意的是,预测市场仍存在内幕交易和操纵风险,且中国内地明确禁止此类活动。但其作为信息聚合工具,为Web3领域提供了超越资产投机的真实世界数据基础设施价值。

一、引言

北京时间 1 月初,海外社交平台与多家加密社区流传一则消息:美国政府针对委内瑞拉局势采取强硬行动,相关动态引发国际社会高度关注。几乎在同一时间,一起发生在去中心化预测平台上的交易记录,被市场迅速放大讨论。

数据显示,2025 年 12 月 27 日起的短短四天内,预测市场平台 Polymarket 上的某一账户累计投入约 32,537 美元,持续押注“委内瑞拉总统马杜罗将在 1 月 31 日之前下台”这一事件。值得注意的是,该账户在相关消息被外界广泛讨论之前的数小时内,集中建立了大额头寸。

彼时,市场对相关事件发生概率的整体定价并不高,约在 6% 左右。随着局势变化及美国官方表态的释放,该账户所持头寸价格迅速上升,最终实现了超过 40 万美元的账面收益,回报率一度达到 十倍以上。

这笔交易是否涉及内幕信息,仍有待监管与平台进一步调查。但它已经足以引出一个问题——这个被频繁提及的 Polymarket 到底是什么?预测市场又为何在 2025 年迅速走红?

本文将借此事件,系统性地介绍这一正在快速扩张的 Web3 赛道。

二、什么是预测市场?为什么它能“汇聚集体智慧”

预测市场(Prediction Market),本质上是一种通过金融激励来聚合分散信息的机制。

在预测市场中,参与者需要用真实资金对某一事件的结果进行交易表达。当不同判断不断在市场中博弈,价格会逐步收敛到一个反映“集体判断概率”的水平。这种机制,使预测市场在某些场景下,能够比传统问卷调查或主观判断更接近真实结果。

这一优势在 2024 年美国总统选举期间得到了充分体现。以 Polymarket 为代表的预测市场平台,在多个关键时间节点上,对选举结果的概率判断,明显领先于传统民调机构。最终结果落地后,其预测准确性也得到了事后验证。

随着可信度的持续积累,预测市场开始被更广泛地引用:

  • 主流财经媒体(如 Bloomberg)在报道中直接引用其赔率数据;
  • 搜索引擎与 AI 问答产品(如 Perplexity)将预测市场结果作为参考信息展示;
  • 预测市场逐步从“加密社区内部工具”,走向公共信息来源之一。

从市场规模来看,行业增长同样显著。多家研究机构预计:

  • 2025 年预测市场总交易量,有望从 2024 年约 9 亿美元增长至 400 亿美元;
  • 用户规模预计从约 400 万人增长至 1500 万人;

在资本层面,预测市场同样获得高度认可。2025 年 Polymarket 与 Kalshi 两家平台,已吸引累计超过 31.5 亿美元的资金,占据行业绝对主导地位。 2025 年 10 月,纽约证券交易所母公司 洲际交易所(ICE)宣布对 Polymarket 进行战略投资,相关估值被推升至 80–90 亿美元区间。与此同时,Kalshi 也完成了多轮大额融资,投资方包括多家全球头部机构。

在多重因素叠加下,预测市场被广泛视为 2025 年最具代表性的 Web3 赛道之一。

三、预测市场 ≠ 博彩:两种机制的本质差异

随着预测市场热度上升,一个常见争议也随之出现:预测市场是否只是“换了外壳的赌博”?

从底层机制来看,二者存在根本差异。

1. 价格形成机制不同

预测市场采用市场化定价逻辑。价格由公开订单簿中的买卖双方博弈形成,所有交易数据可被审计,平台本身不设定概率,也不承担结果风险,仅收取交易费用。

博彩平台则由平台设定赔率,内部计算逻辑不可见,并通过“庄家优势”确保长期盈利。赔率的调整目标并非发现真实概率,而是控制平台风险。

2. 功能与用途差异

预测市场所产生的价格,本质是一种可被外部使用的数据产品,可用于宏观事件判断、政策预期分析、企业风险管理等场景,甚至会反向影响媒体叙事与决策参考。

博彩行为则主要属于娱乐消费,其赔率不具备外溢价值,也不承担信息发现功能。

3. 参与者结构差异

预测市场的流动性来自信息驱动型参与者,包括研究者、宏观交易者、数据分析人员、机构用户等,其核心目标是利用信息差进行套利与价格发现。

博彩市场的流动性则主要来自普通消费者,更容易受到情绪与偏好驱动,不以信息准确性为核心。

正因如此,预测市场常被视为一种“信息流动性市场”,而非传统意义上的娱乐博彩。

四、为何预测市场在 2025 年集中爆发?

预测市场并非新概念,其理论基础可追溯至上世纪。但真正实现规模化增长,离不开 2025 年的多重外部条件成熟。

首先,是监管层面的关键突破。美国商品期货交易委员会(CFTC)对预测市场的合规定位逐步清晰,明确其属于商品衍生品范畴,而非博彩行为。这一变化,使预测市场能够在更广泛的渠道中进行分发。合规之后,预测市场在美国的覆盖范围,甚至超过部分传统博彩业务,可触达全美 50 州。

其次,是机构信心的恢复与资本进入。合规边界明确后,预测市场平台的融资路径迅速拓宽,多轮大额融资为产品体验、流动性和风控体系提供了支撑。

再次,是事件品类的扩展。从宏观政治事件,逐步延伸至经济数据、加密行业事件,甚至体育赛事,使预测市场的应用场景更加多元。

最后,是技术层面的成熟。链上结算、自动化做市、以及 AI 工具在信息分析与交易辅助中的应用,共同降低了参与与使用门槛。

这些因素共同作用,使 2025 年成为预测市场真正“出圈”的一年。

五、风险与边界:理性看待预测市场

需要强调的是,预测市场并非没有争议。文章开头提到的“提前建仓”案例,也反映出内幕信息、防操纵与合规执行仍是该领域需要持续完善的问题。

同时需要明确的是,中国内地对相关预测及变相博彩行为持明确禁止态度,普通用户不应参与任何不符合本地法律法规的活动。

但从研究与产业观察角度看,预测市场作为一种信息聚合与概率表达工具,在制度、技术与产品设计层面,仍具有值得关注与学习的价值。

对 Web3 产业而言,它提供了一种新的方向:不是单纯围绕“资产投机”,而是围绕信息、决策与真实世界事件,构建可被现实社会使用的数据基础设施。这,或许正是预测市场在 2025 年被广泛讨论的真正原因。

相关问答

Q什么是预测市场?它如何汇聚集体智慧?

A预测市场是一种通过金融激励来聚合分散信息的机制。参与者用真实资金对事件结果进行交易,通过市场博弈使价格逐步收敛到反映“集体判断概率”的水平,从而在某些场景下比传统方法更接近真实结果。

Q预测市场与博彩有哪些本质区别?

A预测市场采用市场化定价,价格由公开订单簿博弈形成,交易数据可审计,平台不设定概率;其产生的价格是可被外部使用的数据产品,具有信息发现功能;参与者多为信息驱动型。而博彩由平台设定不透明赔率,以庄家优势盈利,属于娱乐消费,不具备信息外溢价值。

Q为什么预测市场在2025年集中爆发?

A原因包括:美国监管明确其属商品衍生品而非博彩,实现全美合规覆盖;机构信心恢复带动大额融资;事件品类从政治扩展至经济、加密行业及体育;技术成熟如链上结算、自动化做市和AI工具降低了参与门槛。

Q文章开头提到的Polymarket交易案例为何引发关注?

A因某账户在委内瑞拉局势消息广泛传播前数小时,以6%低概率押注马杜罗下台,投入约3.2万美元最终获超40万美元收益,回报率超十倍。该交易涉及内幕信息嫌疑,凸显了预测市场在防操纵与合规方面的挑战。

Q预测市场在2025年的市场规模和资本表现如何?

A2025年预测市场总交易量预计从2024年9亿美元增长至400亿美元,用户规模从400万增至1500万。Polymarket和Kalshi两家平台累计融资超31.5亿美元,Polymarket获纽交所母公司战略投资后估值达80-90亿美元,成为资本高度认可的Web3赛道。

你可能也喜欢

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit10分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10分钟前

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

交易

现货
活动图片