← 返回 Quant Digests · 站点首页

别把这篇 2026 PolySwarm 只读成“LLM 群聊预测系统”：对 short-cycle desk，更该先拆的是「CEX-implied probability × stale Polymarket quote」和「negation-pair parity gap」这两条 prediction-market raw alpha 壳

更新时间：2026-04-14 11:24 UTC 研究时间：2026-04-14 11:22 UTC 类型：2026 arXiv working paper 全文抽取（本地 PDF）+ 公开 API/执行壳拆解 主题标签：raw-alpha/prediction-market/event-driven/relative-value/stat-arb/latency-arbitrage/stale-price/negation-pair/parity-gap/polymarket/binance/cex-dex/probability/kelly/1m/3m/5m/paper/fulltext/public-api/cost/risk 证据类型：全文公式 + 系统架构参数 + 可直接转成最小实验的公开数据接口

源文件：research/quant_digests/2026-04-14_1122_polymarket-latency-negation-arb-shell.md

1. 这次看了什么

主来源：

这篇 paper 表面最显眼的是“50 个 LLM persona 做 prediction-market trading”。但如果按我们当前 desk 的 intake 优先级来读，更值得单独拎出来的不是 LLM 群体预测本身，而是 paper 里已经写得很清楚、而且能用公开接口快速复现的两条短周期 raw alpha 壳：

  1. CEX → Polymarket latency arb：

    2. 用 CEX 实时价格和波动率，把某个价格里程碑合约翻译成 implied probability，去抓 Polymarket 上还没来得及更新的陈旧报价。

  2. same-platform negation-pair parity arb：

    3. 同一事件正反两个市场如果出现 P(E)+P(¬E)≠1，就是直接的概率平价偏离。

对我们来说，这比“让 LLM 猜概率”更像真正可快速 admission 的 alpha，因为它更接近：

2. 先回答最重要的问题：base alpha 是什么？

这篇东西的 base alpha 不是“AI 比人聪明”。

更适合我们 desk 的 base alpha 是：

> 当 Polymarket 对某个事件 / 价格里程碑的 implied probability 更新慢于外部信息或内部逻辑约束时，错误概率会向更合理的概率回归；可交易的就是这个回归过程本身。

拆成两条：

2.1 latency arb leg

2.2 negation-pair parity leg

所以这轮 digest 里，我把它明确定位成 raw alpha，不是 filter / overlay。

3. 核心结论

paper 里给出的、对最小实验最有帮助的实操参数包括：

这些参数不一定要原样照抄，但它们已经足够构成一个 complete shell：

4. 为什么这轮值得进研究池

这轮有价值，不是因为它“新潮用了 LLM”，而是因为它补的是我们当前素材池里还不算拥挤的一条 lane：

4.1 它不是又一篇 trend / TSMOM 变体

最近 intake 里 raw alpha 很多已经在：

而这篇更像：

4.2 它和已有 prediction-market digest 也不重复

它不是：

它更接近：

  1. 同一市场对外部信息吸收太慢；
  2. 同一平台内部概率约束自己没对齐。

这两个都是更“硬”的价差，不是纯主观看法 alpha。

4.3 它天然适合更快时间框架

这条壳不是为 15m 设计的。它更适合：

换句话说，它虽然不是默认 desk 的 5m/15m K 线 alpha，但它是明确的 更快高强度 alpha lane，符合用户允许范围。

5. 策略拆解（必填）

6. 对 desk 最值得拿走的不是“50 agents”，而是这两条规则化壳

6.1 壳 A：价格里程碑合约 latency arb

适用对象：

最小规则：

  1. 实时拉 Binance bookTicker 或 mid；
  2. 用 rolling realized vol 算 σ；
  3. 计算 p_cex；
  4. 抓 Polymarket 当前 p_poly；
  5. 若 |p_cex-p_poly| 超过阈值且 Polymarket 报价 stale，就做向 p_cex 靠拢的那一边；
  6. 当 edge 收敛、时间衰减不再有利、或 quote 更新完成时退出。

它的好处：

6.2 壳 B：negation-pair parity arb

适用对象：

最小规则：

  1. 枚举同类事件对；
  2. 做 title / resolution rule 的严格匹配；
  3. 计算 P(E)+P(¬E)-1；
  4. 超阈值时买低估那边 / 避开高估那边；
  5. 收敛后平仓，或者若分辨率很高也可持有到 resolution。

它的好处：

7. 最小可复现实验（能直接开做）

7.1 数据源

7.2 更新频率

7.3 最小实验口径

Lane 1：BTC/ETH price milestone contracts

Lane 2：negation-pair parity

8. 这条壳和 1m / 3m / 5m / 15m 的关系

原因很简单： 这类 edge 来自信息吸收延迟和市场内部一致性破坏，不是来自每根 15m K 线自身的形态统计。硬压成 15m，反而会把最有价值的短时错价磨平。

所以它更适合被 desk 放进：

9. 风险与不该自欺的地方

9.1 这篇 paper 更像系统设计文，不是完整 OOS PnL 论文

paper 明确给了：

但它不是那种已经给出严谨 out-of-sample 交易 PnL 表格的论文。所以这轮最诚实的读法应该是：

> 这是一条完整且可复现的 raw alpha 壳，不是已经被 paper 自己严格证明过的 production alpha。

9.2 prediction-market 的真成本不能只看 quoted probability

一定要显式记：

9.3 LLM 这层先别当 admission 必需品

如果先把“50-agent swarm 是否真有稳定预测力”绑进 admission，就会把最容易测的 raw alpha 变成一个很慢的 AI 项目。

对当前 desk，正确顺序应是：

  1. 先测纯规则 latency / parity alpha；
  2. 只有纯规则部分站住后，才把 LLM classification 当增强层看待。

10. 下一步怎么测

  1. 先做不含 LLM 的纯规则版：只跑 BTC/ETH 价格里程碑市场的 p_cex - p_poly latency edge，验证是否有净收敛空间。
  2. 并行做 negation-pair scanner：找 P(E)+P(¬E) 偏离是否在真实费用后仍可收敛。
  3. 把研究频率定在事件级，不要先压成 15m：保存 5s 原始快照，再导出 1m/3m/5m 汇总。
  4. 先做 fixed-notional，再谈 Kelly：早期 admission 先用固定仓位；确认收敛分布后再上 quarter-Kelly。
  5. 最后才加 LLM / news classifier：如果纯规则版已成立，再加 headline parsing 去扩大可交易 universe，而不是本末倒置。

11. first verdict

这篇东西值得进研究池，而且是新 lane，但正确 intake 方式不是“复刻 50 个 LLM persona”，而是：

> 先把它拆成一条 prediction-market 短周期 raw alpha 壳：CEX-implied probability × stale quote + negation-pair parity gap。

它满足我们当前优先级的原因是：

如果要一句话下结论：

> 别先把 PolySwarm 当“AI 预测市场论文”；对 short-cycle desk，更值得先复现的是它藏在系统设计里的两条硬错价 alpha。