预测市场正在成为 Web3 中增长最快、机构最关注的应用方向之一。在真实世界事件与链上资产高度联动的背景下，市场参与者希望通过价格来提前捕捉“概率共识”——这使得预测市场逐渐演变为一种反映情绪、决策和未来预期的金融基础设施。本课程将带你理解预测市场为何能成为“现实世界的价格预言机”，为什么传统民调与调查方式正在失效，以及链上预测市场如何通过透明机制、去中心化结算与即时数据流，构建一个可信的未来事件概率体系。

什么是预测市场：从概念、历史到链上演变

一、预测市场的基本定义：为什么它被称为“现实世界的价格预言机”？

预测市场是一种基于市场机制的概率聚合工具，参与者根据未来事件下注，市场价格最终反映这些事件的发生概率。

简单来说：预测市场 = 用交易的方式获取未来事件的实时概率

例子：

美国大选某候选人“胜选”合约价格从 0.45 上涨到 0.62，代表市场认为他的胜率从 45% 上升到 62%。

某 ETF 在某日期前获批的合约价格 0.30 → 市场认为概率为 30%。

为什么预测市场比调查、民调更有效？

参与者需要“用真金白银说话” → 信息带成本。

市场会不断修正价格 → 内生预言机制。

可以持续交易 → 动态反映最新信息。

因此它被称为：

情绪晴雨表

未来事件概率的市场化定价器

信息的最佳聚合器（wisdom of crowds）

二、预测市场的价值：不仅仅是下注，而是信息聚合与系统性资产

预测市场能提供的并不仅是“买涨买跌”，更重要的是：

1.形成社会级概率共识

经济政策、政治概率、行业重大事件，都能通过市场形成实时共识。

2.将“预期”商品化 → 变成可交易资产

未来事件也可以被 token 化，这是区块链天然擅长的领域。

3.对冲现实风险的工具

例如：

公司可以对冲政策风险

投资者可以对冲宏观事件风险

行业从业者可以交易监管结果风险

4.提供最真实的“市场信号”

相比民调、新闻、社媒，预测市场更难操纵。

著名观点：预测市场是最便宜、最准确的情绪与信息引擎。

三、链上预测市场在 2025 年进入加速周期的原因

2024–2025 年是预测市场的最好窗口期，其背后有多重结构性原因：

1.全球宏观事件密集（大选 + 利率 + 科技周期）

事件多 → 交易机会多 → 流动性自然增长。

2.加密用户规模增长、资金大量涌入衍生品

用户成熟度高 → 更愿意下注未来事件而不仅是币价。

3.L2 性能提升使预测市场交易体验接近 CEX

低费、高速的链让预测市场变成真正的实时市场。

4.数据供给基础设施成熟

可信预言机让结算更透明、更快速。

5.预测市场变成“链上信息金融化”的核心应用

所有未来事件都可以设计成资产，这是一个巨大的新市场。

七、预测市场是一种信息金融系统，而不是博彩

理解预测市场的关键不是把它视作“赌输赢”，而要把它看作：

一种信息聚合机制

一种反映未来概率的价格系统

一种链上衍生品

一种真实世界情绪的实时指标

一种新的金融产品形态

预测市场并非新概念，但 Web3 的出现让它第一次具备了：

全球可参与性

链上透明性

高速结算

强大预言机基础设施

这也是为什么预测市场在 2025 年成为整个加密领域讨论度最高的垂直赛道之一。

预测市场的机制与经济模型：AMM、订单簿与赛局设计

一、价格即概率：预测市场经济模型的基础

预测市场中最重要的经济学原理是：合约价格可以被视为某个事件发生概率的估计值。

举例：

某事件 Yes 合约价格 = 0.62 及市场认为事件发生概率约为 62%

这是一个强假设，但已在大量历史事件中被验证具有高度有效性（大选、政策、体育赛事、链上事件等）。

为什么价格能表达概率？

原因来自三个层面：

1.参与者基于真实激励进行投入：

预测市场中的价格不是“投票”，而是真金白银的投注。

错误的概率判断会导致直接亏损。

2.市场机制通过买卖行为不断校准价格：当价格偏离“市场共识概率”时，会出现“买便宜 / 卖贵”的自动套利。

3.信息聚合效应：不同个体拥有不同信息或判断，预测市场把这些分散的信息聚合成单一价格，形成公开概率。

预测市场机制设计的核心，就是围绕如何让价格更快、更精准、更难被操纵。

二、订单簿模型（Order Book）：传统金融结构的预测市场版本

订单簿是最接近传统交易所的市场结构，它通过挂单与撮合来形成价格。

在预测市场中，订单簿的运作与现货/期权类似：

买家挂出价钱买 Yes/No 合约

卖家挂出价钱卖出

双方订单在价格交叉时成交

市场价格由最近成交价决定

优点

价格发现精确：价格由交易者之间的真实博弈形成，反映市场最真实的供需。

大额资金可获得更好价格：因为可以分批挂单，不必一次吃掉 AMM 的曲线。

类似结构容易被专业交易者使用：高频、套利、风险对冲等策略可以直接复用。

缺点

需要大量做市商维持深度：如果市场很少人交易，挂单密度会不足，容易出现大幅波动。

早期预测市场流动性往往薄弱：导致“扫单”、“跨度大”等现象。

价格更新不连续、不平滑：对于需要实时概率（如链上查询）不够友好。

订单簿模式适用场景

大事件、长周期、有稳定资金参与

专业交易者为主的市场

有机构提供持续做市（如 Kalshi）

订单簿更像“机构预测市场”的机制，而非纯粹的 Web3 原生设计。

三、AMM 模型：Web3 预测市场的核心创新

在链上，订单簿难以依赖高频撮合与深度，所以 AMM 自动做市模型成为预测市场主流。其中最重要的模型是 LMSR（Logarithmic Market Scoring Rule），由 Robin Hanson 提出，是链上预测市场发展的数学基石。

LMSR 的核心公式

LMSR 使用一个成本函数（Cost Function）决定市场价格：

C(q) = b · ln(e^(q₁/b) + e^(q₂/b))

其中：

q₁, q₂ = 对应 Yes/No 合约的数量

b = 流动性参数（影响价格滑点）

而价格由偏导得到：

P(Yes) = e^(q₁/b) / (e^(q₁/b) + e^(q₂/b))

这是一个平滑、连续、保证流动性的做市模型。

AMM 模型的优势

永远有流动性（不会出现“买不到 / 卖不掉”）

价格连续，可作为实时概率

链上计算友好

可以通过调整 b 控制市场“稳不稳定”

AMM 的缺点

大额交易会导致价格剧烈滑点

早期大资金可能操纵价格（虽然代价也很高）

需要激励 LP 提供流动性，否则曲线成本不足

b 参数的重要性

b 较小 → 市场价格非常敏感，轻微买卖即可拉动概率

b 较大 → 市场价格更“稳重”，适合大事件

这也是 Web3 预测市场常会根据事件类型调整曲线参数的原因。

四、AMM vs 订单簿：两套模型的对比

AMM 与订单簿并不是简单的技术差异，而是预测市场在不同发展阶段、不同用户结构下的两种经济选择。AMM 的核心优势在于“持续可交易性”——即便在市场参与者稀少、事件关注度有限的情况下，系统依然能够通过算法给出价格，使预测市场得以覆盖大量长尾事件。这种设计使 AMM 成为预测市场早期扩展规模、降低参与门槛的关键工具，但其代价是资金需要为所有可能结果提前准备，导致资本效率偏低，并在大额交易时放大价格曲线的非线性影响。

相比之下，订单簿模式更接近传统金融市场的价格发现逻辑，价格完全由买卖双方意愿决定，资金只在真实挂单时被占用，因此在高参与度事件中具备更高的资本效率与更清晰的供需信号。然而，这种模式对流动性高度敏感：一旦参与者减少，盘口变薄，价格波动与操纵风险便会显著上升，这也限制了订单簿在长尾预测事件中的可行性。

从更长期的视角看，AMM 与订单簿并非对立关系，而是预测市场生命周期中的互补组件。AMM 更像是一种“启动机制”，确保市场在早期能够正常运转；而订单簿则更像“成熟形态”，在共识逐渐集中、交易需求显著提升时承担主要的价格发现功能。因此，越来越多预测市场开始探索混合模型：以 AMM 提供基础流动性和连续报价，再通过订单簿承载高频交易与大额资金。这种演化路径，本质上反映了预测市场从可用性优先，走向效率与深度优先的自然过渡。

五、预测市场的赛局设计：操纵成本、套利与价格修正

预测市场不像传统资产，它有自己特殊的“赛局经济设计”。一个预测市场要健康，必须满足：

1.操纵成本高

例如：

想把 Yes 的概率从 60% 拉到 90%，必须买入大量 Yes

但事件如果失败，则全部亏损

因此操纵行为的成本极高，不像“拉盘”那样能再卖回去。这使得预测市场在政治事件中具有极高可信度。

2.套利机制会自动修正价格

预测市场中常出现的套利有：

跨平台套利（同一事件两个市场价格不同）

跨合约套利（例如 Yes/No 套利）

结构性套利（例如多个子事件与父事件的概率和不一致）

套利者的参与会不断修正错误价格，让市场更加接近真实概率。

3.信息更新会立即反映到价格

新闻、爆料、社交媒体情绪，都会推动即时价格变化。预测市场是一个高度信息敏感性系统。

例如：

监管听证会中某句话

加密项目推迟主网

大选候选人健康状况变化

这些都会引发“价格跳变”，并即时反映市场共识。

六、机制设计对平台生态的影响

不同预测市场平台选择不同的机制组合，会形成各自的优势：

AMM 型：适合大量小事件，长尾场景最强

订单簿型：适合高参与、强社会关注的大事件

混合型（部分项目正在尝试）：通过“AMM 做底 + 订单簿补深度”解决两者能力边界

机制决定了：

事件的可交易性

用户体验

平台的规模扩张能力

投资者能够参与的策略类型（套利、对冲、长期策略等）

理解这些机制，也能帮你判断未来哪些平台更可能胜出。

链上预测市场的技术架构与预言机体系

一、为什么预测市场的“技术层”比交易层更关键

在多数用户的认知中，预测市场看起来像是一种“事件下注”或“概率交易”产品：买入某个结果，如果判断正确就获得收益。但在链上世界中，预测市场真正的核心并不在交易本身，而在于结果如何被可信地判定并结算。

与现货交易或永续合约不同，预测市场的标的并不是链上资产，而是现实世界事件。这些事件往往发生在链外，具有时间延迟、信息不对称、甚至主观解释空间。一旦结果判定出现争议，整个市场的可信度就会崩塌。

因此，对链上预测市场而言，技术层的首要问题不是“如何撮合交易”，而是三个更基础的问题：

事件如何被精确定义？

现实世界的信息如何安全地引入链上？

当出现争议时，系统如何自我修复而不是依赖中心化裁决？

这也是为什么预测市场常被称为“现实世界的价格预言机”，而非简单的金融应用。

二、事件如何被定义：预测市场的最小技术单元

在链上预测市场中，事件本身是一种结构化数据对象。一个设计良好的事件，必须在技术和经济层面同时满足“不可歧义”和“可结算性”。

1.事件定义的三个核心要素

一个合格的预测事件，通常需要明确以下三点：

What（发生什么） 明确事件内容，例如“某资产是否在某日期前达到某价格”。

When（何时结束） 指定清晰的截止时间或观察窗口，避免“延迟兑现”或信息反复修正。

Outcome（可能结果） 定义结果集合，通常包括：二元事件（Yes / No）；多选事件（A / B / C）；数值区间事件（落在哪个区间）

事件定义越模糊，系统性风险就越高。这也是早期预测市场失败的重要原因之一。

2.模糊事件为何是预测市场的最大敌人

例如，“某政策是否成功”、“某项目是否获得市场认可”这类表述，虽然具有现实意义，但在链上几乎不可结算。链上预测市场天然偏好可验证、可量化、可被第三方确认的事件。

成熟的预测市场平台，往往会牺牲事件的“宏观叙事感”，换取结算的确定性。这种取舍并非保守，而是技术理性。

三、预言机体系：现实世界如何进入链上

一旦事件被定义清楚，下一个关键问题是：谁来告诉链上世界，现实中到底发生了什么？这正是预言机（Oracle）存在的意义。

1.预测市场中的预言机角色

在预测市场中，预言机并不负责“预测”，而是负责最终事实的输入。它决定了：

哪个结果被认定为真实

是否触发结算

是否允许挑战或争议

可以说，预言机是预测市场最关键、也是最脆弱的单点。

2.主流预言机类型对比

中心化预言机

由平台、团队或指定数据源直接提供结果。

优点：

快速、成本低

用户体验好

缺点：

信任假设强

容易被监管或利益相关方影响

这种模式在早期或半中心化预测市场中较为常见。

去中心化预言机

通过多个节点、数据源或经济激励机制达成共识。

优点：

抗审查性强

更符合 Web3 精神

缺点：

成本高

响应速度慢

机制复杂

这类模式更适合高价值、争议风险大的事件。

社会共识型预言机

允许用户提交结果，并通过质押、挑战与投票机制形成最终裁定。

特点：

将“真相判定”转化为博弈问题

依赖经济激励而非权威

这种模式在多个链上预测市场中被广泛采用，尤其适合难以自动验证的现实事件。

四、仲裁与争议解决机制：预测市场的安全阀

即使事件定义清晰、预言机设计完善，争议仍然不可避免。因此，一个成熟的预测市场必须内建争议解决机制。

1.为什么需要挑战期（Dispute Window）

多数预测市场在结果提交后，都会设置一个挑战窗口期：

在此期间，任何人都可以对结果提出异议

异议通常需要质押代币

若挑战成功，挑战者获得奖励；失败则损失质押

这种设计的本质是：用经济成本过滤无意义的争议，用经济激励鼓励真实纠错。

2.仲裁机制的经济逻辑

预测市场并不追求“绝对真相”，而是追求“纠错成本高于作恶收益”。只要操纵结果的成本大于潜在收益，系统在经济上就是安全的。

这也是预测市场与治理机制高度相似的原因：两者本质上都是博弈驱动的共识系统。

五、结算机制与极端情况设计

当事件结果最终确定后，系统将进入结算阶段。这一步看似简单，但实际涉及大量边缘情况。

1.自动结算 vs 人工确认

自动结算：适用于价格类、链上数据类事件，依赖确定性数据源。

人工确认：适用于现实世界事件，需要仲裁或社会共识参与。

不同类型事件，往往需要不同结算路径。

2.无效事件与失败事件的处理

成熟的预测市场通常会设计以下特殊状态：

事件被取消

数据源失效

结果无法被确定

在这些情况下，最常见的处理方式是资金按比例返还或原路退回，以避免系统性信任危机。

六、链上预测市场的技术取舍与未来演化

预测市场并不存在“完美架构”，只有不断权衡的工程选择。

1.去中心化程度 vs 用户体验

高度去中心化：安全但复杂

适度中心化：效率高但信任成本上升

不同平台会根据目标用户做出不同选择。

2.Layer 2 与模块化架构的影响

随着 Layer 2 成本下降，预测市场可以：

创建更多低成本长尾事件

缩短结算与挑战周期

提升整体交易频率

3.ZK 与 AI 的潜在影响

未来，预测市场可能引入：

ZK 技术：实现隐私预测、机构级参与

AI 模型：辅助事件定义、异常检测与市场监控

预测市场或将成为 AI + 金融 + 社会信号的关键交汇点。

预测市场的应用版图——从宏观事件到链上行为

一、预测市场正在“吞噬”哪些场景？

如果说前两个课时解决的是“预测市场如何运作”，第三课时解释了“它如何安全结算”，那么第四课时关注的核心问题只有一个：预测市场，正在被用来预测什么？

在 2024–2025 年，预测市场的应用场景已经明显突破了早期的政治竞猜或娱乐用途，逐步向宏观金融、产业事件与链上行为预测延伸，成为一种全新的信息定价工具。

与传统金融产品不同，预测市场并不依赖历史数据建模，而是直接聚合市场参与者对未来的判断。这使它在“突发事件”“非连续风险”“灰犀牛问题”中具有独特优势。

二、宏观与政治事件：预测市场最成熟的试验场

1.为什么宏观事件天然适合预测市场？

宏观与政治事件具备几个关键特征：

结果明确（选举胜负、政策是否通过）

影响巨大，但难以量化

传统民调与专家预测误差大

预测市场通过价格机制，将分散的主观判断压缩成一个可交易的概率信号，这正是传统模型难以做到的。

2.概率价格如何被解读？

在预测市场中，一个结果的价格往往可以被直接理解为市场隐含概率。例如：

价格为 0.65，意味着市场认为该事件发生概率约为 65%

价格变化，反映的是共识的动态调整

对研究者和交易者而言，这种“实时概率曲线”比单点预测更有价值。

三、宏观金融与资产事件：ETF、利率与政策预期

随着加密市场与传统金融的边界不断模糊，预测市场开始被用于宏观金融事件定价。

1.典型预测对象

ETF 是否获批

利率是否在特定时间窗口内发生变动

监管政策是否出台或延期

这些事件并不直接产生现金流，但却会深刻影响资产价格。预测市场为这些“前置变量”提供了一个独立的价格发现机制。

2.预测市场 vs 新闻交易

相比基于新闻的短线交易，预测市场更偏向：

提前布局

长周期持有

以概率而非方向为核心

这使它成为一种事件对冲工具，而不仅是投机工具。

四、加密原生事件：主网上线、空投与协议决策

在 Web3 世界中，预测市场的适配性进一步放大。

1.协议级事件的可预测性

加密协议具有高度公开透明的开发节奏，例如：

主网是否按期上线

升级是否通过治理投票

代币是否在某时间前发行

这些事件天然适合被结构化为预测市场。

2.预测市场作为“情绪与预期仪表盘”

链上预测市场往往比社交媒体更早反映真实预期。价格变化可以揭示：

市场是否对项目进度产生怀疑

社区信心是否出现拐点

是否存在信息领先者提前布局

五、链上行为预测：从“事件”走向“行为模式”

预测市场的下一步，是从单一事件，扩展到行为层面的预测。

1.行为型预测市场的兴起

典型问题包括：

某地址是否会在未来一段时间内进行特定操作

某协议的 TVL 是否会突破某阈值

某链的交易量是否超过另一条链

这些预测并非判断“发生或不发生”，而是判断行为趋势是否成立。

2.与链上数据的结合

当预测市场与链上数据分析工具结合时，可以形成：

数据驱动的市场判断

行为预期的价格化表达

对异常行为的提前预警

这类应用正在被研究机构与专业交易者关注。

六、预测市场作为研究与风控工具

预测市场不仅是交易工具，也正在成为一种研究基础设施。

1.对研究者的价值

快速测试假设

观察分歧与共识

捕捉“少数派但正确”的信号

2.对机构与协议的价值

评估社区对提案的真实态度

提前发现风险事件

用市场而非投票表达意见

预测市场在某种程度上，正在补充甚至替代传统治理投票。

七、应用边界与现实限制

尽管应用场景快速扩展，预测市场仍面临现实约束：

法律与监管不确定性

事件定义成本高

长尾事件流动性不足

这也决定了预测市场更适合高关注度、高信息密度的事件，而非无限扩张。

预测市场的未来趋势与生态竞争

一、预测市场为何在 2024–2025 年进入新阶段？

预测市场并非新生事物，但在很长一段时间内，它始终停留在小众实验阶段。真正的变化，发生在 2024 年之后——预测市场第一次同时满足了 “可用性、必要性与扩展性” 三个条件。

首先是可用性。Layer 2 的成熟、链上交易成本的下降，使创建和交易预测事件不再是高成本行为；其次是必要性，在高度不确定的全球环境中，市场参与者对“概率判断”的需求显著高于对“确定性叙事”的需求；最后是扩展性，预测市场不再局限于政治或娱乐，而是开始向金融、科技、链上行为等领域扩散。

这三点叠加，使预测市场从一个“有趣的实验”，转变为具备基础设施潜质的金融模块。

二、EventFi：从“预测”到“事件金融化”

1. 从 Prediction Market 到 EventFi

预测市场本质上解决的是一个问题：某个事件发生的概率是多少？而 EventFi 试图解决的是：围绕事件，能构建多少种金融表达方式？

在 EventFi 视角下，预测市场只是最基础的一层，它提供了概率锚点，而非最终产品形态。

2. EventFi 的进阶结构

在预测市场之上，可能衍生出多种形态：

条件事件市场：例如“若 A 发生，B 是否发生？”

组合事件市场：多个事件概率的打包与拆分

事件指数：一组相关事件的加权概率

事件对冲工具：与现货、期权、永续合约联动

这意味着，预测市场未来可能不再是单独存在的产品，而是成为衍生品体系中的概率层。

三、AI × 预测市场：从人类判断到人机共识

1. AI 在预测市场中的真实定位

一个常见误解是： “如果 AI 足够强，预测市场是否还有意义？”实际上，预测市场与 AI 解决的是不同类型的不确定性。

AI 擅长处理历史数据、结构化信息

预测市场擅长聚合分散认知、主观判断与非结构化信号

因此，AI 更可能成为预测市场的“放大器”，而不是替代者。

2. AI 可嵌入的关键环节

在现实路径中，AI 可能作用于：

事件筛选：识别哪些事件值得被市场化

异常检测：发现操纵、刷量或非理性交易

概率对照：将模型预测与市场价格进行偏差分析

当 AI 预测与市场概率出现持续背离时，本身就构成了一种交易或研究信号。

四、隐私与合规：ZK 预测市场的可能路径

1. 预测市场的“合规天花板”

预测市场天然触及多个敏感边界：

未来事件

金钱激励

信息不对称

这使其在多数司法辖区中，始终处于模糊地带。对于机构而言，最大的障碍并不是技术，而是合规与隐私的不可兼得。

2. ZK 可能带来的结构性突破

零知识证明为预测市场提供了一种新的平衡路径：

用户身份可验证，但不公开

交易行为可审计，但不暴露策略

结果结算可信，但过程保持隐私

在这种模型下，预测市场有机会从“高风险应用”，升级为可控、可审计的机构级工具。

五、平台竞争与商业模式分化

1. 流量型预测市场

以热点事件驱动用户增长

强调易用性与参与感

更接近内容平台与信息平台

风险在于：

事件生命周期短，用户留存难。

2. 专业型预测市场

聚焦资金效率与深度

面向专业交易者与研究机构

机制复杂，但信号质量高

这类平台更可能成为 “概率 Bloomberg（彭博社）”。

3. 工具型预测市场

不以交易量为核心 KPI

为 DAO、基金、研究团队提供决策参考

预测市场作为内部工具存在

未来，三种模式可能并行，而非相互取代。

六、预测市场的结构性挑战

即使站在长期视角，预测市场仍然无法回避以下问题：

流动性高度集中：绝大多数资金只关注极少数事件

事件创建成本高：好事件远比好交易界面稀缺

用户教育门槛高：概率思维并非直觉友好

监管不确定性长期存在

这些限制决定了预测市场不会像 Meme 或 DeFi 那样爆发式扩张，而更可能是慢变量赛道。

七、预测市场的终极形态：概率即基础设施

从更宏观的视角看，预测市场的终极价值，可能并不体现在交易收入上，而体现在它为整个系统提供了什么信息。

当预测市场的价格被：

研究机构引用

协议治理参考

AI 模型作为输入

宏观决策作为信号

它就不再是一个应用，而是一种概率基础设施。