新闻详情

新闻详情

首页 / 资讯中心 / 详情

预测市场里谁在赚taker的钱?prediction-market-analysis深度解析Maker-Taker微观结构

发布时间:2026/11/18 9:45:39来源:尧图网络
预测市场里谁在赚taker的钱?prediction-market-analysis深度解析Maker-Taker微观结构
预测市场里谁在赚taker的钱prediction-market-analysis深度解析Maker-Taker微观结构【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis在预测市场prediction market里每一笔成交都有两个主角Maker挂单的流动性提供者和Taker主动吃单的激进交易者。开源项目prediction-market-analysis是一个预测市场数据分析框架内置目前公开可得规模最大的 Kalshi 与 Polymarket 行情及交易数据集约 36GiB。本文带你用它的分析脚本一步步拆解一个核心问题预测市场里到底是谁在赚 Taker 的钱一分钟看懂Maker 和 Taker 各是谁先把微观结构的基本概念讲清楚后文所有分析都建立在这之上角色行为通俗理解Maker挂出限价单等待成交守株待兔的做市者提供流动性Taker立即市价吃掉对方挂单拔单的主动交易者制造流动性消耗预测市场还有个独特之处合约价格在 199 美分之间押对支付 1 美元。也就是说65 美分买一张 YES 合约隐含概率就是 65%。只要一张成交Taker 买哪边Maker 就自动持有对面——Taker 的损失就是 Maker 的盈利反之亦然。这正是整个分析框架的杠杆点。分析的地基公开的预测市场交易数据集prediction-market-analysis 的数据以 Parquet 文件落地在本地目录结构非常直观data/kalshi/trades/—— 每一笔成交含taker_sideTaker 买了哪边、yes_price/no_price双方价格、count合约数data/kalshi/markets/—— 每个市场元数据含最终结果resultyes / no完整的字段说明见官方文档docs/SCHEMAS.md。有了「成交时 Taker 买了什么、花多少钱」「市场最终谁赢」这两块拼图就可以把每一笔交易都还原成 Taker 和 Maker双方的持仓与盈亏——所有微观结构分析都从这一句 SQL 思路出发-- Taker 赢了 CASE WHEN t.taker_side m.result THEN 1.0 ELSE 0.0 END AS won核心度量超额收益Excess Return是怎么算的判断谁在赚钱不能只看胜率要看扣除价格后的超额收益超额收益 实际胜率 − 价格隐含概率花 65 美分买合约公平胜率就该是 65%如果实际赢了 70%超额收益就是 5 个百分点pp。项目对每个价格档都算出双方的超额收益再用 z 值检验统计显著性避免小样本幻觉。这套逻辑的完整实现就在 src/analysis/kalshi/maker_vs_taker_returns.py 中它按 199 美分逐档对比 Maker 与 Taker 的超额收益并特意把Maker 的对手盘即 100 − 价格一侧的 Maker画到同一张图上直观展示财富转移的方向。该脚本的文档目标写得很直白检验信息交易是否存在还是做市只是赚价差。发现一差距会随时间变化吗市场越成熟、散户越多Maker-Taker 的利润分配可能随之漂移。src/analysis/kalshi/maker_taker_gap_over_time.py 按季度计算双方的超额收益差gap并在 2024 年 10 月美国大选 法律胜诉的关键节点画出竖线标注回答一个很有价值的问题散户大举涌入后Taker 是被收割得更厉害了还是市场变得更公平了发现二Maker 是被动接盘还是主动选股如果 Maker 只是在赚价差那么它买 YES 和买 NO 的表现应该对称。但 src/analysis/kalshi/maker_returns_by_direction.py 专门做了这个检验把 Maker 持仓拆成买了 YES和买了 NO两组在同一价格下对比超额收益。配套的胜率视角脚本是 src/analysis/kalshi/maker_win_rate_by_direction.py它把实际胜率与虚线绘制的隐含概率基准放在一张图上——如果 NO 持仓系统性地跑赢说明 Maker 存在选择性建仓selective positioning而不是无脑被动接单。发现三不同题材市场的收割强度不一样假设很直白体育这类散户密集的市场Maker-Taker 差距应该更大金融这类专业玩家多的市场差距应该更小。src/analysis/kalshi/maker_taker_returns_by_category.py 利用event_ticker把市场归类为 Sports、Politics、Crypto 等大类分类工具在 src/analysis/kalshi/util/categories.py然后按成交量加权计算各类别的双方收益输出成柱状对比图。加分项谁在下大单一个容易被忽视的侧面证据交易规模。src/analysis/kalshi/trade_size_by_role.py 对比 Maker 与 Taker 的成交金额分布均值、中位数、P90、P95。如果 Maker 的单笔规模系统性更大就与做市者是更专业、资金更厚的玩家这一画像互相印证。动手跑起来从下载到图表的三步走 整个框架的命令体验非常友好入口在 main.py交互菜单由Analysis.load()自动发现所有脚本装依赖uv sync下载数据集make setup自动拉取 36GiB 压缩包并解压到data/支持断点续传跑分析make analyze进入菜单选择单项或全量运行每个脚本都继承统一的基类 src/common/analysis.pysave()会自动把结果输出为PNG300 DPI、PDF、CSV、JSON、GIF五种格式全部落在output/目录——图表可以直接放进报告或论文。想自己写一个新分析官方指南 docs/ANALYSIS.md 提供了从分析交易与结算结果 JOIN到同时还原双边持仓的现成 SQL 模式照着模板写一个class MyAnalysis(Analysis)即可接入菜单。写在最后prediction-market-analysis 的价值不只是一堆画图脚本它把预测市场微观结构的经典问题拆解成了六个可复现的实验分析问题对应脚本谁在赚价差maker_vs_taker_returns.py差距随时间怎么变maker_taker_gap_over_time.pyMaker 有方向性 alpha 吗maker_returns_by_direction.py差距随题材变化吗maker_taker_returns_by_category.py谁的单更大trade_size_by_role.py这套框架已被多篇学术研究引用README 的 Research 部分列有完整论文清单也欢迎你把数据集用于自己的研究——跑完make analyze图表和 CSV 数据就都准备好了。【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉