撰文：Baheet
编译：Glendon，Techub News
预测市场的概念早在区块链时代之前就已存在，而正是 Polymarket 的出现，使预测市场真正突破走向主流。
自 2020 年上线以来，Polymarket 的链上模型展示了去中心化基础设施与便捷用户体验相结合的力量，吸引了如美国总统选举等高关注度事件的巨额交易量。其成功不仅为去中心化预测市场潜力提供了有力证明，也推动了预测市场领域新一轮的创新与竞争。
然而，并非所有预测市场都生而平等。
Polymarket 的崛起，也催生了预测平台背后多样化且复杂的设计选择。尽管它们都以实现集体智慧聚合为共同目标，但不同平台采取了不同路径。它们在运作方式上差异显著——从底层支撑技术到决定市场「真相」的机制均不相同。
本文旨在提供预测市场的全面分类体系，该分类基于真实项目案例，涵盖从 Kalshi 和 Polymarket 等成熟平台，到 Limitless、XO Market 和 MYRIAD 等新兴市场。目标是通过分析项目的技术选择及其影响，帮助用户与开发者应对生态多样性，包括预测市场的风险与潜力。
结果裁决机制
在预测市场中，结果裁决机制决定了市场结果的验证与结算方式，这对信任与最终性至关重要。
各项目在此环节存在差异——它们依赖外部数据源、人工判断或自动化流程，每种方式都带来独特的技术挑战。而新晋项目通常会尝试混合方案以平衡速度与可靠性。
基于预言机（Oracle）的裁决机制
这些项目通过去中心化或中心化预言机获取并验证链外数据（例如结果、价格、比分），以实现链上结算与裁决。
示例
-
Polymarket：采用 UMA Optimistic 预言机进行仲裁与争议解决的混合型预测市场
-
Myriad：一个通过预言机提交证明并解决纠纷的链上预测市场；
-
Limitless：基于 Base 链，使用 PythNetwork 提供的预言机价格数据解决价格行动类市场，同时采用自定义裁决机制，尤其适用于用户生成的市场；
-
OpinionLabs（即将上线）：基于 Monad 构建，主要依赖预言机机制，通过去中心化预言机网络获取外部数据以裁决市场结果。
人工裁决机制
在此机制中，市场结果由社区投票、专家委员会或平台特设管理员决定。该解决方式适用于主观性或模糊性事件，并且多数情况下仍需依赖外部预言机数据源。
人工裁决擅长处理细微差异，但牺牲了执行速度，并存在中心化风险，使其在高流量、客观性事件中的可扩展性弱于预言机方案。新晋项目可能在早期阶段采用此机制用于社区建设，但规模化时将面临扩展的挑战。因此，采用混合方法是最佳选择。
示例
-
Kalshi：一个受美国 CFTC 监管的预测平台，配备人工监督团队。其市场小组会全面审查市场，并在满足裁决条件时确定结果，确保过程合规性。
-
Augur：一个基于以太坊的早期项目，采用社区记者裁决机制。
-
XO Market（即将上线）：虽然主打免许可机制，但其裁决流程由 AI 代理人 MODRA（由 XO Market 开发）自动处理简单市场。若结果存在争议，则升级至人类陪审团法庭，从而为模糊裁决引入人工复核环节。
自动化/算法化数据源
此类市场通过算法直接处理预设数据源的信息，实现自动裁决。结果由输入数据确定性生成，除非数据源本身出现争议或错误，否则无需人工干预。
问题在于，自动化优先考虑效率而非灵活性，牺牲了处理模糊性的能力，以换取更快的支付和解决速度。它适用于加密货币或价格市场，但难以胜任政治等主观议题。
示例
-
Kalshi：这是一个典型的代表。他们的系统是根据其官方来源提供的数据（基本上是预先选择的反馈）进行自动结算的。
-
Polymarket：同样依赖于自动化信息流，这些信息流来自集成的预言机（例如 Chainlink），提供来自各种来源的数据（例如，新闻 API 事件结果）。一旦满足指定的数据点，就会触发裁决。
-
Limitless：如前所述，采用去中心化预言机 Pyth 聚合多源数据，市场结果由自动化数据流驱动。
预测市场中各种结果解决方法的 SWOT 分析
流动性模型
流动性决定了用户进出头寸时避免价格滑动的难易程度。预测平台采用的流动性模型会直接影响交易效率和资金要求。
高流动性确保单笔交易对价格的影响最小，这使得市场价格能够随着新信息的出现而平稳且可预测地变动，从而准确反映大众不断变化的预测。
低流动性可能导致价格剧烈波动，因为单笔大订单就会造成不成比例的价格波动。新项目经常在此领域创新，以在早期阶段启动流动性。
自动化做市商（AMM）
该方法依赖数学公式驱动的算法，无需匹配买卖双方即可提供恒定流动性。用户与流动性池进行交易，池中资产价格则会持续调整。
自动化做市商 确保新市场始终具备流动性，但为了简化操作，它追求交易精准度，这与订单簿不同，后者能够提供规模化更优的价格。一个典型案例是对数市场评分规则（LMSR），它提供持续的流动性，并激励信息型交易。
预测市场通常以 AMM 的形式开始，然后像 Polymarket 那样进行迁移。
示例
-
XO Market：采用专为预测市场优化的 LS-LMSR 型 AMM；
-
Augur：使用 AMM（特别是模仿 AMM 行为的订单簿）来确保流动性
-
Myriad：Myriad 利用 vAMM 为其预测市场提供深度、持续的流动性。
订单簿/中心化限价订单簿（CLOB）
这是传统金融交易所采用的模型：买卖方提交限价单（按指定价格买卖）或市价单（按最优价即时成交），然后平台会匹配这些订单。
这种模式需要活跃用户或专业的做市商来维持深度流动性，否则市场将缺乏流动性且难以交易。CLOB 为专业人士提供了更好的资本效率，但需要比 AMM 更多的初始流动性，这使得它们更难用于小型项目。
示例
-
Polymarket：Polymarket 最初使用自动做市商，但现在以订单簿的形式运营，用户可以下达限价订单，按特定价格买卖「结果份额」，通过供需实现价格发现；
-
Limitless：使用 CLOB 交易成果份额，适合其社交、创建者配置的市场；
-
SX Network：运营定制 EVM 链，通过订单匹配实现链上结算。
做市商/庄家模式
一个中心化实体（「庄家」或平台运营商）充当所有投注的交易对手。它设定赔率（价格），并采取与用户相反的立场。
「庄家」始终提供流动性，因此用户可以随时下注。这在传统体育博彩中非常常见。
示例
Divvy.Bet：Solana 上的去中心化体育博彩平台，允许任何人担任庄家。
预测市场流动性模型的 SWOT 分析
混合模型
该模型结合上述两个或多个模型的优势以规避弱点，旨在实现最佳流动性、价格发现与资金效率。
Kalshi 采用以 CLOB 为核心、由内部交易团队和第三方专业做市商共同支持的混合模型。这种模式确保了整个市场的深度流动性，这是任何受监管的金融交易所的关键特征。
Kalshi 的方法与混合模型最为接近，但更加强调做市商/内部机构和订单簿组件。它与基于 AMM 的模型有很大不同，因为它不仅仅依赖于一般用户群提供的算法和流动性池。
事件创建机制
预测市场还可以根据其事件创建机制进行分类，该机制决定了市场如何被提出、审查和启动。
此过程是区分平台的关键因素，因其直接影响市场多样性、质量及整体理念（中心化与去中心化）。
平台审核制（许可制）
平台运营商或中央团队完全把控向用户提供哪些事件。平台充当守门人，用户仅能交易平台选定并上线的事件。该模式受监管平台青睐，因其能更好地控制事件合法性与合规性。
示例
-
Kalshi：Kalshi 负责管理其所有市场，这些市场都经过审查以确保清晰度和监管合规性。
-
PredictIt：从历史上看，该平台对所有政治市场进行管理，以确保它们遵守其监管结构。
用户生成制（免许可制）
在此机制中，任何用户都可以提出并创建自己的市场，只要他们遵守平台的规则并存入必要的抵押品。
种模型经常被运行在区块链上的去中心化平台所采用。无需许可的平台通常需要额外的机制，例如策展市场来处理低质量或欺诈事件。
示例
-
Augur：是无需许可的市场创建的先驱之一，允许任何人提出市场建议；
-
XO Market：采用用户生成、免许可的市场创建；
-
Zeitgeist：允许在其 Polkadot 平行链上创建无需许可的市场。
社区审核制
这是一种混合方法，用户可以提出市场建议，但启动市场的最终决定是由基于社区的治理流程或多阶段投票系统做出的。这在自由创建与平台审核的质量控制之间提供了平衡。
示例
Polymarket：用户可以通过一个渠道建议、讨论和审核新市场，从而影响 Polymarket 团队最终推出哪些市场。这是一种基于社区情绪的中心化审核流程。
预测市场事件创建机制的 SWOT 分析
市场类型
市场类型是指预测市场用于表达概率和促进结果交易的不同结构或格式。
它决定了概率如何呈现、合约如何设计以及收益如何分配。单一平台可以提供多种市场类型。
二元市场
这是最简单的预测市场类型。只有两种可能的结果，通常以「是」或「否」的形式呈现。
市场结算的概率为 0% 或 100%。「是」合约的价格直接代表市场对该结果的预期概率（例如，以 0.70 美元交易的「是」合约暗示 70% 可能性）。
多重结果市场
这一类型涉及两种以上可能的离散结果，但只有一种结果可能为真。例如候选人 A、B、C 中谁将赢得选举？
这种类型通常受益于 AMM 设计（如 LMSR），它可以管理多个结果概率之间的关系。
示例：哪支球队将赢得世界杯？并列出每支主要竞争者的结果。
-
如果锦标赛中还剩下 8 支球队，那么就会产生 8 个单独的「结果代币」；
-
每个代币的价格都会根据交易而波动，价格反映了市场该队获胜的概率；
-
市场将这些不同的概率汇总起来，以预测最有可能的赢家。
标量市场
标量市场涉及预测数值或范围（例如，「比特币的价格在 X 日期是多少？」），收益基于预测与实际结果的接近程度按线性或分档结算。
从技术上讲，它采用了二次评分规则，通过可量化的数据馈送（如价格预言机）来解决，从而实现精确的数据驱动结算。
以市场询问股票收盘价（例如，100 美元至 150 美元之间）为例。如果参与者认为收盘价将为 125 美元，他们就会根据这一信念建立仓位。如果股票收盘价为 120 美元，他们将获得与 120 美元与其预测 125 美元接近程度成比例的收益，这体现了精准交易的回报。
示例
Trepa（测试中）：一个专注于精确度和准确度而不是二元结果的预测平台，它基本上根据交易者的预测与实际结果的接近程度来奖励交易者。
预测市场市场类型的 SWOT 分析
底层基础设施
预测市场的底层基础设施对其性能、安全性和用户体验有显著的影响。
该基础设施决定了交易处理方式、数据存储机制以及用户对系统的信任程度。
链下基础设施
预测市场的核心操作，包括市场创建、订单匹配、用户账户管理以及资金托管，都在由单一实体控制的服务器上运行。
公共区块链的使用可能很少或根本不使用，仅在特定情况下（如果有的话）作为审计账本。
链上基础设施
预测市场的基本组成部分，例如市场创建、交易、结果解决逻辑和基金管理，都是通过区块链上的智能合约执行和记录的。用户资金保留在自己的钱包中（非托管）或由智能合约控制，而非由中心化实体持有。
预测市场底层基础设施的 SWOT 分析
混合型预测市场
该类型结合链上与链下系统的优势，例如链上结算的安全性与透明性，以及链下处理的速度与效率。
示例：The Clearing Company：正在开发受监管的链上预测平台，并整合链上效率与合规框架。
总结
从上述分类中可以发现预测市场去中心化程度的广泛性。在一端，如 Kalshi 等中心化平台，优先考虑监管合规和机构流动性深度；而在另一端，则是完全链上的协议，通过加密货币经济激励与治理机制，实现抗审查和无需信任；处于中间的混合平台，则展现出兼具两者优势的能力：利用链下速度进行订单匹配，同时保留链上结算的安全性。
总体而言，预测市场的架构本质上是各平台在效率、监管合规和去中心化程度三大核心要素间的动态平衡实践。
此外，对完美流动性模型的探索也远未结束。虽然 CLOB 占据主导地位，但 AMM 也不容忽视。XO Market 等项目通过定制的 AMM 算法（LS-LMSR）进一步优化资本效率与市场深度，推动了 AMM 发展这一趋势。
可以预见，预测市场的成功往往取决于其解决流动性问题的能力，而寻找最高效、可扩展模型的竞争是该领域创新的主要驱动力。
最终，将不存在单一的预测市场「最佳」设计。理想架构完全取决于市场的目标受众、使用场景和对权衡的容忍度。受监管的预测市场与抗审查平台服务于不同目的。例如，Trepa 等平台专注于激励精确预测，而其他平台则提供二元预测。
随着技术和生态系统的扩展，我们预计将看到更丰富的设计选择。总之，下一篇章将由那些能够最有效地平衡流动性、结算和用户参与度等核心要素的平台所撰写，以创建真正有助于预测未来的市场。
