剛剛與一個聲稱在 Polymarket 上找到簡單套利的人交談。YES 的價格是 $0.62，NO 的價格是 $0.33，加起來是 $0.95……輕鬆賺取 $0.05 利潤，對吧？錯了。等他們下單時，實際的套利已經不存在了。這就是原因。

當散戶交易者做基本數學計算時，量化系統同時在掃描 17,218 個市場條件，涵蓋 2^63 種可能的結果組合。他們用整數規劃在毫秒內找到定價矛盾，而不是用暴力枚舉。他們考慮訂單簿深度來計算最佳倉位大小，並行執行所有操作。然後他們轉向下一個機會。差距不在速度，而在於數學基礎設施。

我花時間理解這實際的運作方式，遠比大多數人想像的更為複雜。讓我拆解真正的機制。

首先，明顯的套利陷阱。你看到兩個市場有邏輯依賴。市場A：特朗普贏得賓夕法尼亞的YES價格為 $0.48。市場B：賓夕法尼亞共和黨贏5+分的YES價格為 $0.32。兩者相加為 $1.00，看起來很乾淨。但問題是——如果共和黨贏5+分，那是特朗普贏的子集。子集的價格不能超過超集的價格。當市場違反這個規則時，就存在套利空間。只是手動找到這些關係幾乎不可能。僅美國選舉的 305 個市場，就有 46,360 種可能的依賴組合。研究團隊用 DeepSeek AI 進行初步篩選，然後經過三層驗證。結果：40,057 對獨立，1,576 對依賴，374 對符合嚴格條件，13 對實際可利用。

第二個，沒人談論的數學問題。當你發現定價錯誤時，如何計算最佳交易？直覺答案——最小化與合理價格的歐氏距離——是錯的。它把從 $0.50 到 $0.60 的移動和從 $0.05 到 $0.15 的移動看作一樣。但它們完全不同。第二個是隱含概率的巨大轉變。就像體重從 70kg 增加到 80kg，和從 70kg 增加到 100kg 一樣。相同的變化，意義卻完全不同。

Polymarket 使用 LMSR (對數市場評分規則) 定價，這意味著價格代表概率分佈。這裡正確的距離度量是 KL 散度——它衡量概率分佈之間的信息理論距離。與簡單的歐氏距離不同，KL 散度會自動對接近極端價格的變動加權。從 $0.05 到 $0.15 的轉變，使用 KL 散度看起來更遠。這符合現實——極端的價格變動代表更大的信息震盪。

這裡的洞察是：你能提取的最大利潤等於從當前市場狀態到無套利邊界的 KL 散度距離。這個距離告訴你該買什麼、賣什麼，以及你能賺多少。

第三，實際計算這個問題。直接計算 KL 散度投影在大型市場中計算量過大，幾乎不可行。無套利空間有指數級的頂點數量，你無法全部檢查。這時候用到 Frank-Wolfe 演算法。它不是一次性解決所有問題，而是迭代進行。從一組有效結果開始，優化該組合，利用整數規劃找到一個新的有效結果，加入集合，重複直到收斂。經過 100 次迭代，你只追蹤了 100 個頂點，而不是 2^63 組合。

研究團隊用 Gurobi 求解器作為整數規劃引擎。早期迭代 (少於 1 秒解決)：幾個結果。中期 (30-40 個結果)：10-30 秒。後期 (50+ 個結果)：不到 5 秒。為什麼後期更快？因為隨著結果越來越明確，可行解空間縮小。變數更少，約束更緊，解決速度更快。

不過有個技術上的問題。LMSR 價格逼近極端值 (接近 $0 或 $1)，梯度會爆炸。解決方案：Barrier Frank-Wolfe。不是在完整邊界上優化，而是在略微縮小的範圍內優化。縮小參數會自適應調整——一開始離邊界較遠，較穩定；後來逐漸逼近真實邊界，更準確。在實務中，50-150 次迭代即可收斂。

第四，執行階段幾乎會讓大多數策略失效。你已計算出最佳交易，接下來呢？Polymarket 使用 CLOB (集中限價訂單簿)，訂單是逐步執行的，不是原子性。你的套利策略：以 $0.30 買 YES，以 $0.30 買 NO，總成本 $0.60，無論結果如何都能回收 $1.00，賺取 $0.40。現實情況：YES 訂單在 $0.30 執行，你的訂單推動了市場。NO 訂單現在在 $0.78 執行。總成本 $1.08，回收 $1.00，實際結果：虧損 $0.08。你面臨風險。

這也是為什麼研究只考慮超過 $0.05 的價差。較小的價差會被執行風險吞噬。真正的交易者會計算 VWAP (成交量加權平均價格)，如果偏差超過 $0.02，會被記錄為機會。VWAP 反映實際訂單簿深度。如果你想要 10,000 個代幣，但只有 2,000 在 $0.30，3,000 在 $0.32，5,000 在 $0.35，你的 VWAP 是 $0.326，而不是 $0.30。

整個系統結合了五層：來自 Polymarket API 的實時 WebSocket 數據；Alchemy 節點查詢合約事件的歷史數據；使用 LLM 篩選的依賴檢測加上三層驗證；三層優化：簡單線性約束 (毫秒)，用 Frank-Wolfe 和 Gurobi 進行整數規劃 (核心引擎)，以及根據訂單簿深度調整的修正 Kelly 公式來計算倉位大小，最大限制在可用深度的 50%。

從 2024 年 4 月到 2025 年 4 月的結果：單一條件套利提取了 1058 萬美元，市場再平衡提取了 2901 萬美元，跨市場組合套利提取了 9.5 萬美元。總計 3,969 萬美元。前十名套利者獲得 813 萬美元 (20.5%)。最大套利者通過 4,049 筆交易賺取 201 萬美元，平均每筆交易 (收益。

當交易者閱讀關於預測技術的文章時，量化系統則利用整數規劃檢測依賴關係，用 KL 散度投影計算最佳交易，運行 Frank-Wolfe 演算法，估算滑點（slippage）用 VWAP，並行執行，系統性地提取 )保證盈利。

差別不在於運氣或時機，而在於數學基礎設施。這份論文是公開的，演算法是已知的，利潤是真實的。問題在於散戶交易者是否能在下一個 (機會關閉之前建立起這套基礎設施。