今年年初，一条关于有人在 Polymarket 一夜大赚一套房的消息在社区里广泛流传。带着好奇去搜具体的交易框架，发现全是标题党，一行代码都没有。没办法，只能自己动手。
刚开始其实挺没头绪的。Polymarket 是目前规模最大的去中心化预测市场平台，挂牌标的超过 6 万个，涵盖**、体育、宏观经济等几乎所有可预测事件。每个标的本质上是一份二元期权合约——结果发生，价格收敛至 1；不发生，归零。要说什么最赚钱，当然是内幕消息了。但普通人不知道老马下周发几条推文，不知道美联储下次会不会降息，也没有时间和精力盯盘、分析行情、做决策。
于是就想，能不能换个角度：不追信息，追资金。掌握信息优势的人会提前布局，买入动作必然会在价格和成交量上留下痕迹。即便不知道「内幕」，也可以通过观察资金行为来推断是否有人在悄悄建仓。顺着这个思路，搭了一套多角色智能分析交易系统，把 K 线找信号、舆情做验证、AI 做判断、自动下单风控这几件事串成一条完整的流水线。
整套系统运行在发明者工作流上，分为主线和副线两条并行调度路径，两者完全解耦，互不阻塞。
| 调度路径 | 触发频率 | 负责模块 | 核心任务 |
|---|---|---|---|
| 交易主线 | 每 10 分钟 | 筛选标的 → 循环处理 → AI 智能体 → 交易执行 | 寻找机会、下单建仓 |
| 交易副线 | 每 30 秒 | 止盈止损 | 持仓监控、移动止损、到期赎回 |
主线负责「找机会、开仓」，每轮执行包含四个串行阶段：初步筛选 → K 线异常检测 → 新闻搜索 → AI 多角色分析，最终输出买入信号并进入订单执行。副线只管「存量持仓」，以 30 秒为周期持续运行，无论主线当前是否有在途任务，副线都不会停。
这个分离设计解决了一个现实问题：预测市场的价格变动是连续的，但选股分析是重计算、高延迟的。如果把止损监控塞进主线，遇到 AI 分析慢的情况，止损响应就会严重滞后。独立调度是必要的工程取舍。
6 万个标的不可能逐一分析，所以第一道关卡是纯规则筛选，目的只有一个：快速剔除明显不值得看的品种，把后续的计算资源留给真正有价值的标的。
筛选条件包括：流动性下限（过低意味着买卖困难）、24 小时成交量下限（基本无人交易的标的缺乏参考价值）、买卖价差上限（价差过大意味着滑点成本高）、竞争度上限，以及价格区间——只关注市场隐含概率在 5%～50% 之间的标的。太高的已经充分定价、上涨空间有限；太低的可信度存疑，更接近彩票而非套利机会。
通过筛选后，同一事件通常有 Yes 和 No 两个方向同时挂牌，策略只保留价格更低的那个，因为低价端的赔率弹性更大、潜在回报更高。
let truePrice = parseFloat(outcomePrices[outcomeIndex] || 0)
if (truePrice < CONFIG.MIN_TRUE_PRICE || truePrice > CONFIG.MAX_TRUE_PRICE) continue
let isActive = (
info.active === true && info.approved === true &&
info.closed === false && info.archived === false &&
info.acceptingOrders === true && info.pendingDeployment === false
)
if (!isActive) continue
let spreadPct = (ask - bid) / ask
if (spreadPct > CONFIG.MAX_SPREAD_PCT) continue
// 同一事件只保留价格更低的方向
if (!marketMap[baseSymbol]) {
marketMap[baseSymbol] = entry
} else if (truePrice < marketMap[baseSymbol].price) {
marketMap[baseSymbol] = entry
}
所有筛选阈值都通过 $vars 变量暴露为外部参数，可以根据自己的风险偏好和资金体量自由调整，不需要改代码。
粗筛完成后，对每个通过的标的拉取 60 分钟级别的最近 240 根 K 线，运行五类异常检测。这是策略的核心信号层，也是整个系统和「直接把事件丢给 AI 分析」最本质的区别——我们不猜事件结果，我们找资金行为。
缓慢爬升：过去 120 根 K 线总涨幅超过 5%，但单根最大涨幅低于 1.5%。这个特征描述的是资金刻意压住节奏、避免引起注意的建仓姿态。
成交量线性增长：对最近 60 根的成交量序列做线性回归，斜率为正且 R² 大于 0.5，说明成交量在持续、稳定地放大，而非随机脉冲。R² 是关键，它过滤掉了那种「单根暴量、其余沉寂」的噪音情况。
回调收窄：统计历史高点之后每次回调的最大深度，若近期平均回调低于早期的 60%，说明抛压在减少、**趋于稳定，有人在承接。每次回调期间持续追踪最低价，以完整回调幅度作为计算依据。
横盘突破：MA60 和 MA120 偏差小于 2%（横盘状态），而当前价格已超过 MA60 的 3%，判断为突破前期压力位。
成交量突增：近 5 根均量超过过去 60 根基准量的 2.5 倍，判断为资金加速入场。
function linearRegression(values) {
let n = values.length
let sumX = 0, sumY = 0, sumXY = 0, sumX2 = 0
for (let i = 0; i < n; i++) {
sumX += i; sumY += values[i]
sumXY += i * values[i]; sumX2 += i * i
}
let slope = (n * sumXY - sumX * sumY) / (n * sumX2 - sumX * sumX)
let intercept = (sumY - slope * sumX) / n
let meanY = sumY / n
let ssTot = 0, ssRes = 0
for (let i = 0; i < n; i++) {
ssTot += Math.pow(values[i] - meanY, 2)
ssRes += Math.pow(values[i] - (slope * i + intercept), 2)
}
let r2 = ssTot === 0 ? 0 : 1 - ssRes / ssTot
return { slope, intercept, r2 }
}
function detectAnomaly(closes, volumes) {
if (closes.length < 60) return null
let anomalies = [], score = 0
let slice120 = closes.slice(-Math.min(120, closes.length))
// ── 异常1：缓慢爬升 ──────────────────────────────────────
let totalChange = (slice120[slice120.length - 1] - slice120[0]) / slice120[0]
let maxSingle = 0
for (let i = 1; i < slice120.length; i++) {
let change = Math.abs(slice120[i] - slice120[i - 1]) / slice120[i - 1]
if (change > maxSingle) maxSingle = change
}
if (totalChange > 0.05 && maxSingle < 0.015) {
score++
anomalies.push(`缓慢爬升 总涨${(totalChange * 100).toFixed(1)}% 单根最大${(maxSingle * 100).toFixed(2)}%`)
}
// ── 异常2：成交量线性增长 ─────────────────────────────────
let volSlice = volumes.slice(-60)
let volReg = linearRegression(volSlice)
if (volReg.slope > 0 && volReg.r2 > 0.5) {
score++
anomalies.push(`成交量线性增长 斜率${volReg.slope.toFixed(4)} R²${volReg.r2.toFixed(2)}`)
}
// ── 异常3：回调收窄（追踪每次回调最低价，计算完整深度）────
let pullbacks = [], localHigh = closes[0]
let inPullback = false, pullbackLow = closes[0]
for (let i = 1; i < slice120.length; i++) {
if (closes[i] > localHigh) {
if (inPullback) {
pullbacks.push((localHigh - pullbackLow) / localHigh)
inPullback = false
}
localHigh = closes[i]
} else if (closes[i] < localHigh * 0.99) {
if (!inPullback) { inPullback = true; pullbackLow = closes[i] }
else if (closes[i] < pullbackLow) { pullbackLow = closes[i] }
}
}
if (pullbacks.length >= 3) {
let first = pullbacks.slice(0, Math.floor(pullbacks.length / 2))
let last = pullbacks.slice(Math.floor(pullbacks.length / 2))
let firstAvg = first.reduce((a, b) => a + b, 0) / first.length
let lastAvg = last.reduce((a, b) => a + b, 0) / last.length
if (lastAvg < firstAvg * 0.6) {
score++
anomalies.push(`回调收窄 早期${(firstAvg * 100).toFixed(2)}% 近期${(lastAvg * 100).toFixed(2)}%`)
}
}
// ── 异常4：横盘突破 ───────────────────────────────────────
let ma60 = closes.slice(-60).reduce((a, b) => a + b, 0) / 60
let ma120 = closes.length >= 120
? closes.slice(-120).reduce((a, b) => a + b, 0) / 120
: ma60
let currentPrice = closes[closes.length - 1]
if (Math.abs(ma60 - ma120) / ma120 < 0.02 && currentPrice > ma60 * 1.03) {
score++
anomalies.push(`横盘突破 MA60=${ma60.toFixed(3)} MA120=${ma120.toFixed(3)} 当前=${currentPrice.toFixed(3)}`)
}
// ── 异常5：成交量突增 ─────────────────────────────────────
let recentVol = volumes.slice(-5).reduce((a, b) => a + b, 0) / 5
let baseVol = volumes.slice(-65, -5).reduce((a, b) => a + b, 0) / 60
if (baseVol > 0 && recentVol > baseVol * 2.5) {
score++
anomalies.push(`成交量突增 近5根均量是基准${(recentVol / baseVol).toFixed(1)}倍`)
}
return { score, anomalies }
}
每命中一种异常加一分，满分 5 分，只有总分不低于 2 才进入下一阶段。单一信号可能是随机噪音，叠加才说明资金行为有一定可信度——这是整个 K 线检测逻辑的核心假设。
K 线信号是「有资金在动」的证据，但资金为什么动、动得是否有依据，需要信息面来验证。这一步就是给每个 K 线异常标的搜新闻，看有没有对应的事件支撑。
这里使用 Brave Search API，每月提供 2000 次免费额度，对于每 10 分钟一轮的主线节奏基本够用。搜索关键词从 symbol 里提取，去掉方向后缀和分隔符后还原成可读的事件描述词。
const q = item.symbol
.replace("_USDC.No", "")
.replace("_USDC.Yes", "")
.replace(/-/g, "+")
const rawResponse = HttpQuery(
"https://api.search.brave.com/res/v1/web/search?q=" + q,
{ method: "GET", headers: { "X-Subscription-Token": CONFIG.BRAVE_API_KEY } }
)
// 遍历所有返回分区（网页、新闻等），统一提取结构化字段
Object.keys(data).forEach(key => {
const section = data[key]
if (section && section.results && Array.isArray(section.results)) {
section.results.forEach(r => {
news.push({ type: key, title: r.title, description: r.description, age: r.age })
})
}
})
搜出来的新闻和 K 线数据一起打包，进入下一步的 AI 分析——两条线同时验证，比只看一边可靠得多。
数据备好后进入 AI 分析节点，模型根据自己的需要进行选择。提示词里定义了四个独立角色，这是整个系统最核心的设计决策，值得单独说清楚。
如果让一个 AI 同时看 K 线和新闻，它很容易在两者之间相互印证，得出一个表面合理但实际缺乏独立验证的结论——用资金信号给新闻背书，又用新闻给资金信号背书，最后输出一个「我觉得可以买」的自我强化结果。角色隔离强制了信息源的独立性：每个角色只看自己那份数据，只输出自己维度的结论，最后的决策角色只看结论、不看过程。
角色一：K 线资金分析师，不看新闻，只看价格和成交量异常，判断是否有真实资金在持续买入，输出资金信号强度（强/中/基准）。
角色二：新闻舆论分析师，不看 K 线，只评估信息面，判断是否有利好事件尚未被市场定价，输出新闻支撑等级（强/弱/无）。
角色三：价格评估分析师，综合前两个角色结论，估算事件真实概率区间，对比当前市场价，给出低估/合理/高估的评价。这个角色内置了到期日权重规则：距今超过 7 天正常估算；3 天以内且市价高于 0.15 时，强制收窄概率区间、禁止输出「严重低估」。理由很直接——临近到期，市场参与者掌握的实时信息比 AI 的训练数据更完整，此时 AI 的判断应该向市场价格让步。
角色四：最终决策分析师，按决策矩阵汇总前三个角色结论，输出最终动作。矩阵的逻辑是：资金信号是前提，新闻是验证，两者共同决定置信度；但无论置信度多高，只要价格评估达不到「低估」，一律不操作。
这里的新闻验证并不是在追信息，而是用来判断资金行为是否已经有了基本面支撑。内幕资金建仓时信息不会出现在公开新闻里，但资金信号叠加新闻支撑，说明信息正处于扩散中段、市场仍有定价滞后空间——这才是策略真正想捕捉的窗口。
| 资金信号 \ 新闻支撑 | 强验证 | 弱验证 | 无验证 |
|---|---|---|---|
| 强（score 4~5） | 买入，confidence=高 | 买入，confidence=中 | 不操作 |
| 中（score 3） | 买入，confidence=中 | 观望 | 不操作 |
| 基准（score 2） | 观望 | 不操作 | 不操作 |
AI 的输出格式是严格的 JSON，包含各角色结论、真实概率区间、价格评估、最终决策、置信度和风险列表，直接供下游执行节点消费。
AI 对每个批次的标的逐一打分后，执行层不会把所有买入信号都下单——系统只挑评分最高的那一个。排序规则依次是：置信度（高 > 中 > 低）→ 价格评估（严重低估 > 低估）→ 真实概率区间宽度（越窄代表判断越确定）。
const buySignals = signals.filter(s => s.signal === 'buy')
bestSignal = buySignals.sort((a, b) => {
const confDiff = (confidenceRank[b.confidence] || 0) - (confidenceRank[a.confidence] || 0)
if (confDiff !== 0) return confDiff
const assessDiff = (assessmentRank[b.priceAssessment] || 0) - (assessmentRank[a.priceAssessment] || 0)
if (assessDiff !== 0) return assessDiff
// 区间越窄越确定，优先选窄的
const aWidth = (a.trueProb.max || 0) - (a.trueProb.min || 0)
const bWidth = (b.trueProb.max || 0) - (b.trueProb.min || 0)
return aWidth - bWidth
})[0]
选定标的后，实时获取盘口 Ask 价格，确认余额充足，按限价单提交。订单提交后轮询状态，最多等待 30 秒，超时则撤单，保证不留挂单积压。如果当轮 Ask 价格乘以配置份额低于 1 USDC 最小下单门槛，系统会自动按 ceil(1/askPrice) 向上取整到最小可成交份额。
副线每 30 秒执行一次，逻辑分两步：先处理到期赎回，再对活跃持仓做移动止损检查。
Polymarket 有一个特殊机制——合约到期后资金不会自动回到账户，需要主动调用 redeem。策略在每轮副线开头统一扫一遍可赎回持仓，批量释放资金，避免资金长期锁定。
移动止损的核心是双轨止损线设计：移动止损线（历史最高 bid 价 - 固定跌幅 LOSS_AMOUNT）和绝对兜底线（入场价 × 50%），实际止损价取两者的较大值。
function calcStopPrice(entryPrice, maxPrice) {
const trailingStopPrice = maxPrice - CONFIG.LOSS_AMOUNT
const absoluteStopPrice = entryPrice * CONFIG.FALLBACK_STOP_RATIO // 固定 0.50
const usingFallback = trailingStopPrice < absoluteStopPrice
const effectiveStopPrice = usingFallback ? absoluteStopPrice : trailingStopPrice
return { effectiveStopPrice, trailingStopPrice, absoluteStopPrice, usingFallback }
}
这个双轨设计对应两种典型持仓场景：盈利阶段，移动止损线随价格上移，锁住浮盈；入场即亏损时，移动止损线可能低至负值或接近零，此时绝对兜底线（入场价×50%）接管，防止持仓一路跌到归零才出场。两条线各司其职，缺一不可。
触发止损后调用市价卖出，清除该标的的历史最高价缓存，等待下一轮开仓信号。仪表板实时展示每个持仓距止损线的剩余空间，以颜色区分警戒程度，方便人工复核。
为什么用多角色，而不是一个综合 Prompt？ 这个问题前面在分析模块里提到过一部分，但值得再说清楚一点。单一 Prompt 的问题不仅是「自我说服」，还有一个更隐蔽的风险：当 AI 同时处理 K 线数据和新闻文本，它倾向于用后者解释前者，把 K 线异常「合理化」为新闻的必然反映，而不是把两者作为独立信号分别评估。角色隔离的本质是强制引入两条独立信息链，最终汇总时如果两条链都指向同一方向，可信度才是真实的。
为什么每轮只买最优一个，而不是分散持仓？ 分散持仓在传统金融里有成熟的理论支撑，但在预测市场里逻辑不完全适用。预测市场标的的结果是二元的，归零风险是真实存在的。如果同时持有三个中等置信度标的，其中两个归零一个涨，整体未必能回本。当前策略的选择是：宁可在准确性上集中押注，也不用数量来稀释质量参差不齐的信号。这个取舍不一定是最优的，但逻辑上是自洽的。
到期日权重规则为什么要做成硬性约束？ 临近到期时，市场价格反映的是参与者的实时预期，而这些参与者里有很**例掌握着比 AI 训练数据更新鲜的信息。如果此时 AI 仍然输出「价格严重低估、应该买入」，很可能是它的信息本身就已经过时。把这个规则做成约束而不是建议，是因为靠 AI 自己识别「我的信息已经不够新了」是不现实的，需要外部强制介入。
从实际运行记录来看，策略的漏斗比例相当陡峭。某次运行 141 个初步筛选通过的标的，K 线异常检测后剩 3 个，最终只有 1 个资金信号、新闻支撑、价格评估三项同时满足而触发下单，其余两个分别因为价格评估「合理」和综合评分不足被跳过。这说明策略整体偏保守，宁可空仓也不降标。在行情平稳、舆情无明显事件的窗口期，系统可能整天不产生任何买入信号。这是设计取向，不是 bug。也遇到过 K 线异常但随后被证明是假突破的情况，资金短暂进场又撤出，移动止损介入出场。新闻分析同样存在噪音，相关事件的报道本身可能就是滞后的或有偏差的，单靠 AI 无法完全识别。
仪表板实时展示账户权益、持仓状态（当前 Bid/Ask、最高价、回撤距止损线距离、止损模式）和 AI 决策详情，便于人工复核。
说实话，这套系统更多是一个可以跑起来的思路框架，而不是开箱即用的印钞机。核心逻辑——资金行为溯源、舆情双轨验证、多角色 AI 判断——在理念上有一定合理性，但真实市场里信号质量参差不齐，AI 的判断也会出错，临近到期的价格收敛风险始终存在。
可以完善的地方很多：交易标的可以进一步聚焦到自己熟悉的领域，AI 提示词可以按自己的交易风格重新设计，五种 K 线异常的权重和阈值都有调优空间，止损系数也值得根据实际持仓表现迭代。代码全部开源，欢迎拿去改。
风险提示
预测市场标的具有二元结果特性，持仓存在归零风险。K 线异常信号和 AI 分析结论均不构成投资建议，历史信号表现不代表未来收益。策略未经长周期实盘验证，参数设置对结果影响显著。在使用本策略进行实盘交易前，请充分理解 Polymarket 平台规则、合约到期机制及流动性风险，并自行评估本金损失的承受能力。
