1. 为什么值得看这篇

如果你关注预测市场（Prediction Market），但一直苦于不知道如何给合约定价——同样是”某事件会发生概率60%”，为什么有的合约卖0.4，有的卖0.6？

如果你尝试搭建过自动化交易系统，但发现”信号生成”和”仓位执行”之间总是脱节——策略回测漂亮，实盘却频频滑点？

这通常不是单一环节的问题，而是整个系统架构的设计缺陷。

Oracle3 试图回答一个具体问题：能不能把预测市场的数据采集、定价、执行、风控串成一个闭环系统？

2. 它试图解决什么问题

你可以把它想象成一个”预测市场版的做市商助手”。它并不是为了追求某个极高收益目标而设计的，而是让数据、定价、执行这三个环节能稳定协同运转。

它的核心由三部分组成：

• Wang Transform 定价引擎：一套基于概率论改进的定价方法，用 29.1 万+ 合约数据做了校准。相比简单看”市场概率”，它尝试从合约价格反推更稳健的概率估计。

• 多平台数据采集与执行层：打通了 Kalshi、Polymarket 等主流预测市场，以及 Solana 生态的 DFlow、Jito 等组件，实现从信号到订单的自动化链路。

• 633 个测试用例支撑的工程框架：超过 600 个测试覆盖了核心逻辑，这意味着代码的可验证性和可维护性相对较高。

3. 如何验证它是否有用

需要明确的是，这是一个「工具型/框架型」项目。它本身不直接提供收益结论，而是提供了一套构建预测市场交易系统的参考架构。

在使用时，通常需要关注三件事：

• 定价假设是否适用：Wang Transform 的理论基础是概率分布的转换，但预测市场合约的边界条件（事件边界、清算时间）会显著影响定价准确性。

• 实盘与回测的差距：预测市场流动性相对有限，滑点和市场冲击可能远大于股票或加密市场，这是任何回测都难以准确模拟的。

• 自主执行的边界：系统能执行，不代表执行总是正确的。在极端市场条件下（比如流动性突然枯竭），自动化系统需要人工干预机制。

4. 对研究和实践的启发

它至少带来了三个值得借鉴的点：

1. 模块化解耦的思路值得学习：把数据、定价、执行、风控分开设计，意味着你可以替换其中任意环节而不影响其他部分。这对构建可扩展的量化系统是基础。

2. 定价理论的重要性：不依赖简单的”市场价格 = 真实概率”，而是引入更结构化的概率转换方法，这种思路在金融衍生品定价中很常见，用在预测市场上是一种有意思的尝试。

3. 测试驱动开发在量化场景的价值：633 个测试覆盖了核心模块，说明开发者在”可验证性”上下了功夫。量化策略开发最大的问题之一就是”跑完回测才知道错了”，这种测试文化值得借鉴。

当然，它也有非常清晰的边界和代价：

• 成本一：系统复杂度较高，需要理解 Wang Transform 的原理才能有效使用和调优。

• 风险二：预测市场本身的流动性风险是系统无法解决的，这是预测市场交易者必须承担的外部约束。

• 不适用场景三：如果你只是想获取某个事件的概率预测而不想构建系统，这个框架的门槛可能过高。

5. 总结：适合谁，不适合谁

• 如果你是有一定 Python 基础、对预测市场感兴趣、想从系统层面理解量化交易的从业者，这套框架的代码结构和设计思路值得研究。

• 如果你是完全没有编程背景、期望找到”一键下单”工具的投资者，这个系统暂时不适合你。

• 如果你是量化研究方向的从业者，理解其定价引擎的设计逻辑即可，代码实现部分可以根据需要参考。