一名 Polymarket 交易员在过去一个月中创造了超过 106,000 美元的利润,尽管胜率仅为四分之一。
这种反直觉的表现引发了关于概率交易与传统投机的讨论。
交易员 sb911 完成了 294 次预测,仅获胜 75 次,但却获得了可观的回报。该策略依赖于不对称回报而非预测准确性。
sb911 方法的核心集中在每周市场上,询问 Elon Musk 会在 X 上发布多少次帖子。
来自 Lookonchain 的数据显示,这些市场反复出现,具有明确的推文范围。每周都有多个选项,如 200 至 219 条推文、220 至 239 条和 240 至 259 条。
Musk 的发帖习惯在短期内保持统计一致性。这种一致性使活动可测量而非随机。
该交易员没有试图精确预测结果。
相反,sb911 在同一周内购买了几个相邻范围的股份。Polymarket 将每个范围构建为单独的投注市场。然而,推文数量遵循连续概率分布。
通过同时覆盖多个区间,该策略捕获了最现实的结果。该方法将连接的范围视为单一概率谱。
入场价格在数学中起着关键作用。
许多获胜仓位每股仅花费 1 美分、3 美分或 5 美分。正确的预测以每股 100 美分结算。这创造了极大的上涨空间,同时限制了下行风险。
在一个仓位上投资 1,100 美元,回报约 79,000 美元。这笔单一交易代表了超过 6,600% 的回报。
大多数个人投注都以全部亏损告终。
该交易员的历史记录显示数十个仓位跌至零价值。这不是执行中的缺陷,而是设计的特色。该方法接受频繁的小失败以捕获罕见的巨大成功。
仓位管理使亏损可控,而胜利则大幅复合。
根据 Lookonchain,sb911 专注于具有明确解决规则和重复模式的事件。
市场根据可验证的推文数量而非主观结果进行解决。这消除了歧义并允许概率建模。该交易员并非在猜测哪个特定范围会命中。问题变成了是否可以以有利的价格覆盖现实场景。
25% 的胜率掩盖了实际的盈利机制。预期价值计算驱动决策,而非胜率。
以几美分购买的股票在范围命中时偶尔会价值暴涨。一次成功的结果资助了数十次失败的尝试。当上涨倍数远超胜率时,这种数学就能奏效。
传统的预测准确性指标无法捕捉这种交易类型。
胜率衡量正确性,但忽略了仓位大小和回报比率。如果亏损超过收益,投资组合可能在 75% 准确率下亏损。
相反,当获胜者回报其成本的 50 倍或 100 倍时,25% 的准确率就会盈利。sb911 案例展示了跨相关市场交易概率分布,而非孤立预测。
文章《一位 Polymarket 用户如何将失败投注转化为每月 10.6 万美元利润》首次出现在 Blockonomi。


