别被“共识价格”骗了:预测市场的23个坑

比推發佈於 2026-02-27更新於 2026-02-27

文章摘要

加密KOL Alexander Lin指出预测市场存在23个根本性缺陷,主要包括:资本效率极低,要求全额抵押且无杠杆;流动性结构缺陷,结算时半数LP资产归零;缺乏天然对冲者,做市商面临纯粹逆向选择;市场启动困难,流动性陷阱阻碍发展;依赖外部事件,缺乏内生需求循环;与机构投资逻辑脱节,无法规模化配置;流动性在每次结算后清零需重建;补贴驱动虚假繁荣,真实流动性不足;存在预言机操纵风险和跨平台可信度问题;市场易受操纵且缺乏复杂金融工具;监管碎片化阻碍价格发现。作者认为这些结构性缺陷使预测市场难以成为主流金融组成部分。

作者:Alexander Lin, 加密 KOL

编译:Felix, PANews

原文标题:预测市场的23大缺陷


关于预测市场的评判向来褒贬不一,有人认为是能颠覆传统机构的新型基础设施,也有人认为预测市场难以真正成为主流金融的一部分。近日,加密 KOL Alexander Lin 发文指出预测市场存在的 23 条缺陷,以下为内容详情。

1. 资本效率低

预测市场要求全额抵押且不能使用杠杆。相比永续合约(Perps)5-10% 的名义价值保证金要求,预测市场的资本效率要差 10 到 20 倍。这还没有考虑到锁定资本的零收益以及无法跨仓位进行保证金交叉。

2. 资本周转率在结构上被破坏

由于资本在整个合约期间被锁定,且最后产生一个二元结果,因此资本周转率受到结构性破坏。合约结算后,仓位直接作废(失效),因此不存在资产负债表效率,做市商资产也无法复利增长。同样的资金在同一时期内如果用于永续账户交易,则会产生更高的周转率(5-10倍):库存循环利用、持仓展期和对冲操作持续进行。

3. LP 库存存在根本性缺陷

结算时,流动性池中的一半资产注定归零。例如现货资金池会在保留价值的资产之间重新平衡;而对于预测市场来说,既没有再平衡,也没有残值,剩下的只有输家的“二元式崩塌”。

4. 缺乏天然对冲者

与大宗商品、利率或外汇不同,预测市场中没有提供反向流动性的“天然对冲者”。没有任何实体或交易者有天然的经济需求去站在事件风险的对立面。做市商面临的是纯粹的逆向选择,缺乏结构性的交易对手。这是限制规模化的根本性障碍。

5. 逆向选择随结算临近加剧

随着市场接近结算,逆向选择会加剧。拥有优势或更准确信息的交易者,能以更优的价格从那些仍基于过时先验信息定价的输家手中买入胜方。这种损耗是结构性的,且随时间推移而恶化。

6. 启动难题:结构性流动性陷阱

新市场没有流动性,导致知情交易者没有动力入场(以免因滑点而遭受损失);而只要价格不准确,就不会有更多交易者出现。长尾市场往往还没开始就已夭折,任何补贴都解决不了这个问题。

7. 没有内生需求循环

每一美元的交易量都依赖于外部关注(例如选举、新闻、体育赛事),在事件之间没有任何支撑。相比之下,永续合约创造了内部飞轮:交易产生资金费率,资金费率创造套利机会,套利带来更多资金流入。

8. 与机构资产配置脱节

预测市场与风险溢价、持仓收益或因子暴露没有联系。机构资本没有系统的框架来对这些头寸进行规模化配置或风险管理。这些市场并不符合任何标准的投资组合构建语言或策略,因此无法真正实现规模化。

9. 流动性在每次结算时清零

每次结算后流动性都会重置为零,必须从头开始重建。在永续合约中随时间积累的持仓量(OI)和深度,在预测市场中结构上是不可能实现的。

10. 补贴驱动的虚假繁荣

补贴是买卖价差没有永久性失控的唯一原因。一旦激励停止,盘口流动性就会崩溃。“被贿赂”出来的流动性本质上是崩坏且短期主义的市场结构。

11. 交易量与信息质量的矛盾

平台从交易量(例如,“我们需要赌博交易量!”)而非准确性中获利,而监管机构则需要预测效用来证明这些平台存在的合法性。这种权衡导致产品/功能决策不尽如人意。

12. 准确性成为错觉

在高关注度市场中,没有信息优势的边际参与者只会跟随公众共识,导致价格反映的是人们“已经相信的东西”,而不是对分散的信号进行定价。准确性变成了一种错觉。

13. 无限制市场创建充斥噪音

当上架无需任何成本时,流动性和注意力会被分散到成千上万个市场中。增长的动力与筛选的动力是直接对立的。

14. 问题设计可成为攻击手段

编写问题的人掌控着最终结果的判定的标准,既没有中立的起草流程,也没有激励机制来确保题目的精确性,而且一旦有人钻空子,也没有任何追索权。

15. 预言机风险

去中心化预言机由代币权重决定真相。当预言机的市值小于其所保障(锁定)的资金价值时,发动操纵就成了一笔理性的交易。中心化结算则面临运营商被捕获或失效的风险。

16. 名义交易量虚高

报道交易量时不进行价格调整。0.9 美元价格下的 1 美元交易额与 0.5 美元下的 1 美元交易额完全不同。实际风险转移量被夸大了一个数量级,但所有人都在引用那个虚高的数字。

17. 规模化后的反身性

当预测市场规模足够大,高概率(如 >90%)的预测本身就会改变相关参与者的行为。这种“发现真相”的逻辑存在结构性的限制。

18. 跨平台可信度风险

如果同一事件在不同平台的结算结果不同,那么整个行业看起来就不可靠。可信度是共享的,不同平台之间的差异总体上会带来负面的预期值。

19. 元市场操纵

交易者可以通过操纵现实中的标的事件(一级市场)来确保其预测市场(二级市场)的头寸。目前尚未看到有效的持仓限制或监管实施。

20. 操控风险

由于没有持仓限制且操纵监管执法有限,这意味着单个钱包就能撬动深度薄弱的市场,并利用这种波动进行反向交易,且无需承担任何后果(无法追责),相比于 Kalshi,这个问题在 Polymarket 上尤为严重。

21. 缺乏复杂金融工具

没有期限结构、条件指令或可组合性。除了单一的二元结果外,整个衍生品工具包完全不存在,这阻止了专业机构入场。

22. 监管碎片化

随着监管收紧,联邦与州层面的差异将迫使流动性碎片化。当市场被切分到不同的参与者池中时,价格发现功能就会瓦解。

23. 创新者困境

现有巨头没有动力重新设计架构。如果交易量持续增长,监管护城河持续形成,任何架构上的改变都会变得更加昂贵。这是经典的创新者困境。


Twitter:https://twitter.com/BitpushNewsCN

比推 TG 交流群:https://t.me/BitPushCommunity

比推 TG 订阅: https://t.me/bitpush

原文链接:https://www.bitpush.news/articles/7615016

相關問答

Q预测市场在资本效率方面存在哪些主要问题?

A预测市场要求全额抵押且不能使用杠杆,相比永续合约5-10%的保证金要求,资本效率低10到20倍。此外,锁定资本无法产生收益,且无法跨仓位进行保证金交叉。

Q为什么说预测市场的流动性在结构上存在缺陷?

A因为每次合约结算后,流动性会重置为零,必须从头开始重建。而永续合约可以随时间积累持仓量和深度,预测市场在结构上无法实现这一点。

Q预测市场中的逆向选择问题是如何加剧的?

A随着市场接近结算,拥有更准确信息的交易者能以更优的价格从基于过时信息的交易者手中买入胜方,导致逆向选择加剧,这种损耗是结构性的且随时间恶化。

Q预测市场为什么难以吸引机构资本?

A预测市场与风险溢价、持仓收益或因子暴露没有联系,机构缺乏系统的框架进行规模化配置或风险管理,且不符合标准投资组合构建语言或策略。

Q预言机在预测市场中存在什么风险?

A去中心化预言机由代币权重决定真相,当预言机市值小于其保障的资金价值时,操纵成为理性选择;中心化结算则面临运营商被捕获或失效的风险。

你可能也喜歡

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 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

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 小時前

OpenAI 不靠最贵的模型卖钱了

marsbit1 小時前

交易

現貨
活动图片