一名Polymarket 交易者在過去一個月中創造了超過 106,000 美元的利潤,儘管只有四分之一的預測獲勝。
這種違反直覺的表現引發了關於機率交易與傳統投機的討論。
交易者 sb911 完成了 294 次預測,僅有 75 次獲勝,卻獲得了可觀的回報。該策略依賴於不對稱收益而非預測準確性。
sb911 策略的核心圍繞每週市場,預測Elon Musk會在 X 上發布多少次帖子。
來自 Lookonchain 的數據顯示,這些市場反覆出現並定義了推文範圍。每週都有多個選項,例如 200 到 219 條推文、220 到 239 條和 240 到 259 條。
Musk 的發文習慣在短期內保持統計上的一致性。這種一致性使活動可測量而非隨機。
該交易者並未試圖精確預測結果。
相反,sb911 在同一週內購買了多個相鄰範圍的股份。Polymarket 將每個範圍構建為獨立的投注市場。然而,推文數量遵循連續的機率分布。
通過同時覆蓋多個區間,該策略捕捉了最現實的結果。該方法將相連的範圍視為單一的機率光譜。
進場價格在數學計算中發揮了關鍵作用。
許多獲勝倉位每股僅花費 1 美分、3 美分或 5 美分。正確的預測以每股 100 美分結算。這創造了極高的上漲空間,同時限制了下跌風險。
對一個倉位的 1,100 美元投資回報約為 79,000 美元。這筆單一交易的回報率超過 6,600%。
大多數個別投注以全額虧損告終。
該交易者的歷史記錄顯示數十個倉位跌至零價值。這不是執行上的缺陷,而是設計的特點。該方法接受頻繁的小失敗以捕捉不常見的巨大成功。
倉位規模使虧損保持可控,同時勝利以驚人的速度複合增長。
根據 Lookonchain,sb911 專注於具有明確解決規則和重複模式的事件。
市場根據可驗證的推文數量而非主觀結果進行解決。這消除了歧義並允許機率建模。該交易者並非猜測哪個特定範圍會命中。問題變成了是否能以有利的價格覆蓋現實的情境。
25% 的勝率掩蓋了實際的盈利機制。期望值計算驅動決策制定而非勝率。
以幾美分購買的股份在範圍命中時偶爾會價值暴增。一次成功的結果資助了數十次失敗的嘗試。當上漲倍數遠超勝率時,這種數學計算是有效的。
傳統的預測準確性指標無法捕捉這種交易類型。
勝率衡量正確性,但忽略了倉位規模和支付比率。如果損失超過收益,投資組合可能在 75% 準確率下虧損。
相反,當贏家回報其成本的 50 倍或 100 倍時,25% 的準確率變得有利可圖。sb911 案例展示了跨相關市場交易機率分布,而非孤立的預測。
本文首次發表於 Blockonomi,標題為《一位 Polymarket 用戶如何將失敗投注轉化為每月 10.6 萬美元利潤》。


