預測市場（Prediction Market）將現實世界中事件的結果轉化為可交易的合約——例如「民主黨候選人贏得 2026 年美國大選」、「比特幣（BTC）月底收盤價高於 120,000 美元」、「某位球員在本場比賽中進球數超過 2.5 球」。 使用者透過買賣「是／否」或多結果類型的股份來為事件的發生機率定價，當結果與預測相符時，即可獲得一單位的擔保品（通常為 USDC、USDB 或平台穩定幣）。

預測市場的交易機制與現貨去中心化交易所（DEX）在根本上有所不同。 現貨去中心化交易所（DEX）交易的是兩項各自具有「獨立價值」的資產，而在預測市場中，所有結果股份的總和恰好等於一單位的抵押品。這意味著做市商面對的並非兩類資產之間的相對價格，而是一個總和恆定的機率分佈。 這項根本差異催生了一系列專用的定價函數——LMSR（對數市場評分規則）及其變體 LS-LMSR、恆定積／恆定均值的多結果自動做市商（AMM），以及混合式訂單簿＋AMM 模型。

對於希望建立預測市場的團隊而言，自動做市機（AMM）的選擇與實作將直接決定以下三項：

1. 價格發現品質：價格能否快速且穩定地收斂至真實機率，且不受少數大額訂單操縱；
2. 流動性與滑點：小額下注成本是否低廉、大額訂單能否順利執行，以及做市資本的運用效率如何；
3. 平台與流動性提供者（LP）的風險：當事件結果確定時，做市商是否會蒙受虧損？如何處理無效市場及有爭議的結果？

本文從預測市場的基礎數學出發，系統性地探討了 LMSR 及其變體、多結果事件的統一模型、股份拆分與合併、流動性提供、手續費、預言機決策、風險控制以及套利上限。 結合 Polymarket、Augur 和 Manifold 等主流協議的實務經驗，本文呈現了 SoonTech 針對預測市場 AMM 解決方案的完整設計。 無論您是正在建構預測市場的產品經理、智慧合約工程師、做市商或風險控制負責人，還是希望將預測市場功能嵌入自身應用的團隊，閱讀本文後，您將獲得一套可直接用於設計與審查的完整框架。

1. 預測市場的財務結構

1.1 一個合約 = 一組完整的結果

預測市場的核心金融結構是「完整結果集」。 對於具有 N 種可能結果的事件，使用者存入 1 USDC 作為抵押品，即可鑄造 N 股——每種結果各佔一股，因此 1 USDC 對應於 outcome_0(1) + outcome_1(1) + … + outcome_{N-1}(1)。 當事件「決出結果」時，將有且僅有一個結果（或根據特定權重組合的多個結果）被判定為「贏家」。每份贏家股份可兌換 1 USDC，而輸家股份的價值為 0。這意味著：

• 在任何時刻，所有結果股份價格的總和始終等於 1 USDC；
• 每個結果的價格可被解讀為市場隱含的機率；
• 買入一份「是」合約等同於支付 p USDC，若獲勝則可獲得 1 USDC，淨利潤為 (1−p) USDC。

此結構有別於「 pari-mutuel」（賽馬中採用的彩池投注系統）：在 pari-mutuel 制度下，賠率僅在最後一刻才確定；而在預測市場中，價格持續波動，持有人可隨時按市價平倉以實現其損益。

1.2 二元市場與多結果市場

• 二元市場：是／否，兩種結果，價格範圍在 [0,1] 之間，總和為 1。這是最常見的形式，適用於「是否會發生」類型的事件。
• 多結果／分類市場：N 個互斥結果，例如「誰將贏得美國大選」（民主黨、共和黨、第三黨……）。所有結果價格之和為 1。
• 標量市場：結果為連續數值（例如「比特幣月底收盤價」），通常分解為一系列分段結果，或透過 LMSR 模型對連續價格進行定價。
• 多贏家市場：可能有超過一個結果同時獲勝，例如「某政黨是否會同時贏得國會兩院」可能一次贏得兩席。這需要特殊設計——您不能再單純假設「僅有一位贏家」。

不同形式可在數學上統一：將事件視為一個「結果向量」，並在決算時為每個結果分配贖回權重 w_i ∈ [0,1]，且 Σ w_i = 1。 二元市場僅有一個 w_i = 1；多贏家市場則可能有數個以分數形式表示的 w_i。

1.3 預測市場與現貨去中心化交易所（DEX）

做市商風險

無限虧損（單邊價格波動）

有限虧損（最壞情況下的虧損 = 流動性參數 b）

預言機

現貨價格（用於估值）

事件結果（決定最終贖回）

最關鍵的差異在於最後一行：預測市場做市商的最壞情況虧損是有上限的，因為存在兩項無風險操作——鑄造完整套組與贖回——它們為做市與套利提供了天然的錨點。

2. LMSR：預測市場的標準定價函數

2.1 函數定義

LMSR 由羅賓·漢森（Robin Hanson）於 2000 年代初期提出，是當今預測市場中最廣泛使用的做市公式。 對於具有 N 種結果的事件，設 q_i 為每個結果 i 的股份數。做市商用於定價的成本函數為 C(q) = b · ln( Σ exp(q_i / b) )，其中 b 是一個稱為「流動性參數」的正數。 買入結果 i 的 Δq_i 股的成本為 cost = C(q + Δq_i) − C(q)；賣出 (負的 Δq_i) 則可獲得相應的收益。 每個結果的瞬時（邊際）價格為 p_i = ∂C/∂q_i = exp(q_i/b) / Σ_j exp(q_j/b)。 可驗證 Σ p_i = 1 且 p_i ∈ (0,1)，這自然符合機率詮釋。

2.2 b 參數的意義

b 是 LMSR 中最關鍵的參數。它同時決定兩件事：

• 價格敏感度：b 值越大，價格曲線越平緩；在相同買單下，對價格的影響越小，滑點也越低；
• 做市商的最大虧損：當所有股份均被買至極限（某些 q_i 遠大於其他值）時，做市商的最大虧損約為 b·ln(N)。

換言之，提供更深的流動性就必須承擔更大的最壞情況虧損。這是一種根本性的權衡：b 不能任意增大；它必須與做市商願意投入的抵押品上限相匹配。

對於標準的二元期權市場，若要支援 0.01–0.99 的價格區間，所需的擔保金約為 b·ln(2)。因此，b 也常被直接稱為「資金」或「初始流動性」。

2.3 LMSR 的直觀行為

• 當所有 q_i 相等時，所有 p_i 亦相等（均勻先驗分布 1/N）；
• 買入某個結果會推高其價格，並壓低其他結果的價格；由於軟極大值函數（softmax）的指數特性，價格永遠不會真正達到 0 或 1；
• 買入成本會隨已買入數量呈指數級上升，這自然會抑制「無限買入」，並防止價格輕易被推向極端；
• 一旦流動性提供者（LP）投入資本並設定 b 值，做市商便會根據公式自動報價，無需訂單簿。

2.4 LMSR 的優點與問題

優勢：

• 價格始終滿足 Σ p_i = 1，且可直接解讀為機率；
• 最大虧損有上限，有利於風險控制；
• 提供無限流動性（任何規模的訂單皆可成交，僅會增加價格衝擊）；
• 公式簡單，且鏈上實現可行（僅需 exp 和 ln 函數，可透過查表或 ABDK 等數學函式庫實現）。

問題：

• 流動性分布不均：在機率約為 0.5 及 0.01 附近，「價格對資本的敏感度」差異極大，但 b 卻僅是一個參數；這導致市場在極端機率下要麼深度不足，要麼造成資本浪費；
• 接近 0 和 1 時的滑點：當結果已極為確定（p = 0.99）時，即使是一筆微小的買單仍可能將價格推升至 0.995，且邊際成本呈現非對稱性；
• 手續費與做市商（LP）激勵機制設計：做市商雖提供資金，但其收入來自手續費與點差，這在長尾、低成交量的市場中，可能無法彌補做市造成的虧損；
• 多結果擴展的運算成本：每筆交易都需要計算所有 N 種結果的期望值，而 gas 成本會隨 N 線性增長。

這些問題催生了多種變體。

3. LMSR 變體與多結果事件的統一模型

3.1 LS-LMSR（流動性敏感型 LMSR）

LS-LMSR 的核心理念是讓 b 隨已部署的資本動態變化：當更多流動性提供者（LP）加入時，b 會自動增加，價格曲線隨之趨於平緩；當資本撤出時，b 則會減少。 這避免了在 b 固定時「極端價格下資本被浪費」的問題，也是 Augur 等協議所採用的解決方案。

在實作上，通常會引入「交換手續費」和「流動性評分」：

• 當流動性提供者（LP）存入資金時，系統會根據當前的 b 值鑄造額外的股份；
• 隨著總資金變動，b 會依照特定規則進行更新（例如：b = k · total_funds）；
• 當流動性提供者（LP）贖回時，將按比例進行贖回。

LS-LMSR 的數學細節比 LMSR 更為複雜，特別是必須確保 LP 無法透過「存入–贖回」進行套利。但它顯著提升了流動性分配的效率。

3.2 恆定積多結果自動做市商（CPMM 風格）

另一種方法是將 Uniswap 風格的 x*y=k 推廣至 N 種結果，並將「份額積」定義為 Π_i q_i = k。但若直接套用此公式，將違反 Σ p_i = 1 的守恆律。 在實際工程實現中，通常採用「虛擬餘額＋份額重歸一」的方法：將所有結果的價格視為概率單純形上的某一點，使用幾何平均值或諧波函數進行定價，並透過鑄造／贖回全套組合的套利操作來維持價格錨定。

在某些多結果情境下，此方案的 gas 成本較低（無需經驗值），但其數學性質不如 LMSR 純粹，更容易出現套利漏洞，且需要進行嚴格的不變量測試。

3.3 Maniswap / 負流動性參數

Polymatch / Manifold 等協議曾提出將 b 設為負值或分段函數，以在不同價格區間獲得不同的流動性密度。 此類變體能「在接近 0/1 的價位將滑點降至極低，同時在中間價位維持緊湊的滑點」，適合高頻率賠率市場（體育、電競），但數學證明與合約實作較為複雜。

3.4 負價格與負流動性

某些進階設計允許在特定價格區間出現「負流動性」，即做市商主動賣出深度價外股份，這本質上類似於賣出期權。這要求做市商具備充足的抵押品和風險控制能力，且通常僅開放給專業做市商。

3.5 統一的「結果向量 + 決策權重」模型

無論採用何種定價函數，工程上的建議均為使用統一的資料模型：

• 每個事件皆有 outcomes[]，每個結果皆有 q (當前股數)；
• 在決算時， resolution_weights[] 將寫入，且 Σ w_i = 1；
• 每個 outcome_i 股份可兌換 w_i 單位的 USDC；
• AMM 僅負責在決算前根據 q 生成價格，並在決算後以 w 進行結算。

此抽象化機制將二元、多結果、多贏家及標量市場整合於同一合約之中：

• 二元市場：w = [0,1] 或 [1,0]；
• 多結果型：僅有一個 w_i = 1；
• 多贏家型：多個 w_i = 1/k（按比例分配）；
• 標量型：權重根據最終結果值線性分配。

4. 股份的鑄造、拆分、合併與贖回

4.1 完整集合的套利錨點

預測市場能夠穩定定價的根本原因在於存在兩種無風險操作：

1. 鑄造（鑄造完整組合）：消耗 1 USDC 以鑄造每種結果各一份股份；
2. 合併／結算（合併並贖回）：將每個結果各一份股份退回，並贖回 1 USDC。

若市場價格總和大於 1，套利者將鑄造一整套股份，將各結果分別賣出至市場，並鎖定利潤；若價格總和小於 1，套利者將在市場上購買各結果各一股，然後進行合併以贖回 1 USDC。 這可確保 Σ p_i ≈ 1（扣除手續費後存在無套利區間）。

這兩項操作必須在合約中作為一等公民提供，並必須與 AMM 共用同一份股份帳本。

4.2 拆分與合併

在多結果情境中，使用者可能不希望購買完整組合，而是希望將「民主黨勝選」拆分為更細分的子結果（例如：「特定候選人勝選」與「其他民主黨候選人勝選」）。以下是事件層級結構：

• 父事件：民主黨對共和黨對其他；
• 子事件：假設民主黨勝選，具體是誰勝選？

父事件與子事件的股份可根據條件機率進行拆分與合併。這使平台能夠透過一組小型多結果市場，組合出任何複雜的事件樹，而無需在單一市場中列出數十或數百種結果（後者將導致 LMSR 的 gas 費用飆升）。

4.3 次級市場轉讓

股份採用 ERC-1155 或 ERC-20 標準（每個結果對應一個代幣），並可在任何市場中進行轉讓。 自動做市商（AMM）僅是流動性的主要來源，並不會阻止場外交易或限制限價單。這為未來與 OpenSea、Blur 以及基於訂單簿的去中心化交易所（DEX）進行整合留有餘地。

4.4 結果判定與贖回

事件到期後，預言機將寫入 resolution_weights，股份持有者則根據權重贖回抵押品。關鍵設計要點：

• 贖回功能必須始終保持開放；即使預言機出現延遲，持有人最終仍可取回資金；
• 必須支援「部分結算」（在多贏家情境下進行比例贖回）；
• 在爭議期間暫停贖回；爭議解決後重新開放；
• 對於無效市場（Invalid Market），將採取「所有結果均等贖回」或「所有倉位全額退款」的處理方式——詳情請參閱第 8 節。

5. 流動性提供與做市商模型

5.1 誰提供初始流動性

預測市場的流動性來源大致可分為三類：

1. 平台／協議做市商：平台本身投入資本、設定 b 值，並保證基礎流動性；
2. 第三方流動性提供者（LP）：將資金存入自動做市機（AMM）池中，賺取手續費，並承擔做市虧損；
3. 專業做市商：利用自有庫存與模型在訂單簿上報價，或透過專用的做市商介面注入流動性。

這三種模式可以並存。但請注意：在 LMSR 機制下，流動性提供者（LP）的損益（PnL）等於手續費收入 ± 因價格波動導致的庫存損益。 當出現新資訊且價格劇烈波動時，較早加入的流動性提供者可能會蒙受虧損。這類似於 Uniswap V2 中的「非永久性虧損」，但由於設有到期日且最大虧損有上限，其風險結構更易於量化。

5.2 流動性提供者權益與回報

流動性提供者存入 USDC 後將獲得 LP 代幣（ERC-20），該代幣賦予其以下權利：

• 每筆交易中的一定比例手續費；
• 做市商庫存的整體損益（按其持股比例分配）；
• 在事件解決時，按持股比例贖回抵押品。

設計上需注意的要點：

• 當流動性提供者於活動進行期間加入時，必須根據當前的 q 和 b 值計算公平存入價值，否則早期流動性提供者的權益將被稀釋；
• 當 LP 贖回時，應鎖定至活動結束，還是允許即時贖回？即時贖回需透過「反向鑄造／銷毀」來調整合約中的 b 值，此機制較為複雜；
• 多方 LP 之間的費用分配必須依據資本佔比 × 在池時間進行分配，否則後期加入的 LP 將搭便車。

5.3 混合式訂單簿 + AMM

純 AMM 預測市場在處理大額訂單時仍會出現明顯的滑點。 專業交易者與做市商更習慣使用訂單簿：他們願意掛出限價單並從價差中獲利，而非支付 AMM 手續費。因此，中心化交易所（CEX）風格的預測市場（以及部分去中心化交易所（DEX）風格的預測市場，例如 Polymarket 的 CLOB）採用混合式架構：

• AMM 充當「最後的流動性後盾」，始終提供報價；
• 訂單簿在匹配專業做市商的限價單時具有優先權；
• 用戶訂單首先從訂單簿中執行；任何未成交的餘額則透過 AMM 處理；
• 套利機制確保 AMM 價格與訂單簿中點價格保持一致。

這種混合架構顯著改善了大額訂單的交易體驗，但工程複雜度也隨之提升——它需要配對引擎、風險控制、保證金及虧損處理機制。當 SoonTech 為客戶建置預測市場時，我們通常會同時提供這兩種模式，並根據用戶特徵分階段上線。

5.4 動態 b 值與自適應流動性

更先進的方案會根據以下因素動態調整 b：

• 事件臨近到期：當結果即將揭曉時，資訊更為完整，價格波動性應較小，此時可收窄 b 以降低流動性提供者（LP）風險；
• 交易量：高成交量的市場會提高 b 值以降低滑點；
• 預言機可信度：若新聞情勢高度不確定，可分階段撤回流動性；
• 流動性提供者（LP）資金：會根據 LP 存款自動調整（LS-LMSR）。

但動態調整必須遵循明確的鏈上規則，且不得由營運方隨意修改，否則將出現「鯨魚調整 b」的信任問題。

6. 手續費模式與激勵機制

6.1 費用收取方式

預測市場中的常見手續費類型：

• 交易手續費：以交易金額的基點為單位收取，例如 0%–2%；
• 贖回費：在結果確定時收取的小額費用，用於彌補預言機成本；
• 獲利手續費／創建者手續費：於獲勝份額贖回時收取 1%–5%，支付給市場創建者／協議；
• 提供／撤回流動性手續費：用以抑制短期流動性提供者（LP）的進出場行為；
• 無效市場保障費：每筆交易的一小部分將投入「無效市場保險池」，用以在市場被判定為無效時補償流動性提供者。

此費用結構必須避免一個問題：若同時收取交易費與獲利費，套利者的無套利區間將會擴大，且價格總和（Σp_i）可能持續偏離 1，進而損害使用者體驗。在設計階段，必須透過數學公式明確界定 Σp_i 的合法範圍。

6.2 創建者激勵（市場創建者）

用戶生成內容（UGC）預測市場平台（例如 Polymarket、Augur）允許任何人建立事件。常見的激勵機制包括：

• 創建者可獲得該市場手續費的一定比例（例如 10%–50%）；
• 創建者必須質押保證金；若該市場被判定為含糊不清或無效，保證金將被沒收；
• 高品質且交易量高的市場可獲得額外的協議獎勵。

此機制必須在「鼓勵開放式創建」與「防止垃圾訊息／人為操縱市場」之間取得平衡。保證金參數與申訴流程是關鍵所在。

6.3 流動性挖礦與協議激勵

協議可透過向早期流動性提供者（LP）及活躍交易者發放代幣獎勵，以啟動流動性與交易量。但請注意：

• 獎勵應基於「實際交易量」和「流動性提供者在池中的時間」，而非單純的存入金額，以防止「挖礦後拋售」；
• 獎勵釋放應與活動週期保持一致，以避免活動結束後立即發生流動性崩潰，導致流動性提供者撤離。

7. 預言機解決方案：預測市場的真正護城河

7.1 決算流程

預測市場資產的最終價值完全取決於結算結果；預言機是信任鏈中最敏感的一環。完整的結算流程通常包括：

1. 市場收盤：於預設時間停止交易；
2. 提案階段：任何人皆可提出結果提案，通常需以質押作為擔保；
3. 挑戰階段：若有人不同意所提議的結果，可質押更多代幣提出挑戰；
4. 升級處理：爭議將升級至更高層級的決策機制（例如：Augur 的 UMA 分叉、Polymarket 的 UMA 樂觀預言機加上多簽名理事會）；
5. 最終裁決：結果被寫入區塊鏈，持有人即可贖回股份。

7.2 樂觀預言機與「預設為真」

UMA 等樂觀預言機採用「先提出提案，等待 1–2 小時的挑戰窗口期，若無人挑戰則視為通過」的模式。此模式在絕大多數市場中已足夠高效，且無需每次都進行投票。僅當爭議發生時，才會進入真正耗費資源的爭議解決流程。

7.3 多來源決策與冗餘機制

為避免單一資料來源故障，在高價值市場中建議：

• 同時連接多個數據供應商（美聯社、路透社、官方公告、Chainlink、UMA）；
• 針對可量化的事件（體育賽事比分、加密貨幣價格），直接彙總多個 API 並依照預先定義的規則取中位數；
• 針對主觀事件（政治、娛樂），採用多人投票＋爭議解決機制。

7.4 決策資料來源的可驗證性

一種更先進的方法要求結果必須附帶可驗證的證據：API 簽名、官方網頁的可驗證證明，以及新聞機構的數位簽名。這雖能減少「由誰決定」的爭議，但對基礎設施的要求相當高。

8. 無效市場與爭議處理

8.1 何謂無效市場

市場可能因以下原因被判定為無效（Invalid）：

• 事件描述含糊不清，存在多種合理的解讀方式；
• 資料來源相互矛盾，且無法確定結果；
• 賽事本身實際上從未發生（例如：原定賽事被取消）；
• 存在操縱市場、內線交易或違反規則之情事；
• 市場創建者出現設計錯誤，導致結果無法客觀判定。

8.2 無效市場中的資金處理

常見做法：

• 針對所有結果進行等比例贖回：每份 outcome_i 股份可贖回 1/N 美元（USDC）。此方式對所有持有者而言是「中立」的——無論您以何種價格買入，最終都能取回一份股份的成本。但這會使低價買入者損失潛在利潤，而高價買入者則因此受惠；
• 退還所有交易款項並回滾持倉：一旦發生大量交易，要將鏈上狀態回滾至事件發生前幾乎是不可能的；
• 按爭議發生前的市場價格進行補償：利用爭議解決池，以爭議發生前的最後一個價格回購持倉。此方案更為精細，但複雜度也更高。

建議預設採用「等比例贖回」機制，並利用由每筆交易的小額資金所組成的「無效市場保險池」，在特殊情況下提供額外補償。

8.3 爭議保證金與攻擊成本

爭議機制必須讓「錯誤提案」和「惡意挑戰」都付出代價：

• 提案者須繳納保證金；若提案正確則保證金退還並獲得獎勵，若提案錯誤則遭削減；
• 挑戰者亦須繳納保證金；若挑戰成功則獲得獎勵，失敗則遭扣減；
• 當爭議升級至更高層級時，保證金將按倍數增加，使攻擊成本呈指數級上升。

Augur 的「分叉機制」是終極工具：若爭議無法解決，整個協議將分叉為多個版本，並讓市場以實際行動進行投票。此舉雖具龐大負擔，但能確保最終的正確性。

9. 風險控制、合規與防操縱機制

9.1 常見的市場操縱手法

• 大規模拉高拋售：當事件臨近且市場流動性不足時，利用大額委託將價格推至極端水平，藉此誤導輿論或其他交易者；
• 內線交易：參與者預先獲悉結果（例如政治人物的退選決定、企業財報），並在資訊公開前建立部位；
• 決議操縱：行賄或攻擊預言機、數據來源；
• 多帳號自營交易：偽造成交量與價格以獲取流動性獎勵；
• 51% 攻擊／治理攻擊：在去中心化決策機制中，利用大量代幣進行投票並操縱結果。

9.2 風險控制工具

• 持倉上限：單一市場中每個地址的最大持倉量，以及單一市場的總持倉上限；
• 價格波動區間限制：當短期價格波動超過閾值時，暫停交易／觸發斷路器機制；
• KYC／地理封鎖：限制特定司法管轄區（例如美國、英國）的存取權限，以避免觸犯證券法／賭博法相關問題；
• 交易監控：結合鏈上與鏈下異常檢測，以識別多帳戶操作、虛假交易及內線交易；
• 大額持倉披露：持倉比例超過特定百分比的地址將被公開，類似於 13F 申報；
• 保證金／虧損上限：為流動性提供者（LP）及做市商設定可承受的最高虧損額度；
• 冷靜期：重大消息發布前後設置短暫暫停期，以防止瞬間操縱市場。

9.3 法律與合規

許多司法管轄區的預測市場涉及：

• 賭博法：取決於該市場是否基於「運氣」、是否涉及賭注，以及是否適用「娛樂目的」豁免條款；
• 證券法／衍生性金融商品法規：部分事件合約可能被視為掉期或二元期權；
• 事件合約監管：美國商品期貨交易委員會（CFTC）對政治選舉等事件合約設有明確限制；
• 反洗錢（AML）：要求實施「認識你的客戶」（KYC）、交易監控及可疑交易通報。

不同區塊鏈／部署模式需面對不同的監管機構：Polymarket 先前曾因應美國法規而下架部分市場，並導入地理封鎖機制。在設計產品之前，必須由當地法律顧問提供法律意見，且協議必須支援地理封鎖功能及可稽核的合規工具。

10. 前端、使用者體驗與可組合性

10.1 將機率隱藏於使用者體驗之中

一般使用者可能不理解 0.63 的含義，但他們能理解「63% 的機率」以及「下注 1 USDC 以贏回 1.59 USDC」。前端必須同時顯示：

• 隱含機率（百分比）；
• 賠率（1/p 或小數賠率）；
• 潛在回報（投入 X，贏回 Y）；
• 與其他用戶／其他平台的賠率比較。

針對體育投注市場，還應顯示賽程、數據及對戰紀錄，以降低用戶的決策成本。

10.2 交易體驗

• 快速下注：預設金額按鈕（1/10/100 USDC）、滑桿；
• 限價單：專業用戶希望「在 0.42 以下買入 Yes」；
• 平倉：讓用戶能在結果揭曉前鎖定獲利或止損；
• 多投資組合：一次買入多個結果，以建立「中間結果獲勝」或「任一結果發生即獲勝」等結構；
• 行動優先：預測市場的大部分用戶來自社交媒體，因此行動端的使用體驗至關重要。

10.3 可組合性

• 代幣採用 ERC-1155 / ERC-20 標準，可融入 DeFi 生態系統：
• 作為借貸抵押品（適用於藍籌級事件）；
• 被其他自動做市商（AMM）或訂單簿納入指數；
• 打包成結構化產品（例如「政治事件投資組合 ETF」）；
• 透過跨鏈橋接至其他區塊鏈。

在合約設計階段將股份設定為標準化代幣，是獲取生態系統紅利的關鍵。

11. 工程實作要點

11.1 數學函式庫

Solidity 沒有原生浮點數；LMSR 所需的 exp / ln 通常實作如下：

• ABDK Math 64.64（定點數）；
• PRBMath（定點數，支援 SD59 / UD60）；
• 預編譯查找表（對於二元期權市場， sigmoid 查找表即可適用）；
• 在 L2 層（Arbitrum Stylus、Optimism、Base）上，使用 Rust / C++ 實作可大幅降低 gas 成本。

無論選擇何種方式，都必須進行完整的模糊測試：在極端 q 值下，驗證不變式 Σ p_i = 1（在誤差範圍內成立）、最大損失不超過 b·ln(N)，以及 Mint/Merge 始終處於無套利狀態。

11.2 合約結構

建議的模組化佈局：

• EventFactory：建立事件、設定參數；
• Market / Condition：單一事件的狀態、q、b 及解析邏輯；
• AMM / MarketMaker：定價與交易邏輯（LMSR 或其變體）；
• CompleteSets：鑄造／合併完整套組；
• LPVault：流動性提供、LP 代幣、手續費分配；
• OracleAdapter：整合 UMA、Chainlink 及 API；
• 爭議／治理：爭議處理與升級機制；
• ShareToken (ERC-1155)：股份代幣。

將 AMM 邏輯與股份及爭議解決機制分離，可讓您在不造成服務中斷的情況下升級做市演算法。

11.3 Gas 優化

• 當多結果模型的 N 值較大時，exp 運算的計算成本較高；應預先計算 Σ exp 並將其儲存於快取中，每次僅更新已買入結果對應的項，並以增量方式計算新價格；
• 對於二元市場（N = 2），LMSR 可簡化為 sigmoid 函數，且無需使用迴圈；
• 使用 ERC-1155 批次轉帳以節省 Gas 費用；
• 在 L2 部署中，gas 並非主要瓶頸，但 calldata 成本仍值得關注。

11.4 索引與資料

預測市場的鏈上資料結構相當複雜（條件、股份、持倉、結算），因此您必須使用 Subgraph / Ponder / Envio 自行建置索引器，以提供：

• 市場清單與篩選功能；
• 用戶持倉與歷史紀錄；
• 價格 K 線圖；
• 流動性提供者年化收益率（LP APY）；
• 成交量與流動性儀表板。

12. 主流協議實務之比較

歧管

內部開發的 LMSR 變體

各類

體育／時事

Gnosis 條件代幣

條件代幣框架，可與任何自動做市商（AMM）組合使用

可插拔

適合作為基礎設施

Drift / Predict

混合型自動做市機（AMM）＋訂單簿

內部 + 多來源

L1 / 應用鏈風格

幾點觀察：

• 純 LMSR 的使用者體驗雖不如訂單簿，但去中心化程度更高且無需市場造市者；
• 規模龐大且備受矚目的市場（如美國大選、世界盃）幾乎總是會有專業做市商提供訂單簿流動性；
• 結算機制的選擇比做市公式更為關鍵——即使是最完美的 AMM，也無法挽救錯誤的結算機制。

13. SoonTech 的預測市場 AMM 落地方案

13.1 模組概覽

SoonTech 的預測市場套件包含：

1. 事件與條件引擎：適用於二元／多結果／多贏家／標量型事件的統一模型，並支援父子事件拆分；
2. AMM 核心：LMSR + LS-LMSR + CPMM 變體，可依事件類型切換；
3. CLOB 橋接器：可選的訂單簿模組，提供專業做市商存取權限，並與 AMM 共享流動性；
4. CompleteSets 與 ERC-1155 股份：鑄造／合併／轉移，標準代幣介面；
5. LP 金庫：LP 存入／提取、動態 b 值、手續費分配、暫時性損失監控；
6. 預言機樞紐：UMA、Chainlink、自建 API 聚合、多來源驗證；
7. 爭議處理框架：提議–質疑–升級處理，包含保證金與減持機制；
8. 風險引擎：倉位上限、價格熔斷機制、地理封鎖、可疑交易偵測；
9. 前端／行動 SDK：機率／賠率／派彩顯示、一鍵下注、限價單、多投資組合；
10. 分析與指數器：市場、K 線、流動性提供者年化收益率（LP APY）、鏈上儀表板。

13.2 典型部署情境

情境 1：東南亞的體育與電競預測市場

客戶希望在印尼、越南和菲律賓推出足球、籃球及電競預測服務。 我們部署 LMSR 作為基礎流動性，針對熱門賽事整合第三方做市商訂單簿，採用多來源體育數據 API 聚合 + 人工審核進行爭議解決，並支援行動裝置上的當地支付及穩定幣存款。上線三個月後，月交易量超過 8,000 萬美元，爭議率低於 0.3%。

情境 2：嵌入中心化交易所（CEX）的政治與宏觀事件市場

該客戶是一家中型中心化交易所（CEX），希望在其現有應用程式中新增「BTC 月底價格」和「聯準會降息」等事件合約。 我們採用 CLOB + AMM 混合架構；預言機優先採用 Chainlink 及官方公告；事件合約與該中心化交易所的統一保證金系統整合，讓用戶能將現有合約持倉用作擔保品。

情境 3：用戶生成內容（UGC）預測市場平台

客戶希望打造一個「任何人都能建立市場」的平台。我們部署完整的 Event Factory + 創作者擔保 + UMA 樂觀預言機，並實作市場審查、報告及申訴工作流程。對應的前端支援模板化建立（體育、政治、加密貨幣、娛樂），以降低建立門檻。

13.3 交付時程

• 第 1–2 週：業務研究，釐清目標市場類型、使用者輪廓及合規邊界；
• 第 3–6 週：合約開發（LMSR + CompleteSets + LPVault + Oracle Adapter），測試；
• 第 7–8 週：審計、測試網 + 影子主網、預言機整合；
• 第 9 週：前端與應用程式整合、風險規則配置；
• 第 10 週：主網上線、限額設定與多簽監控、24/7 輪值待命；
• 後續：訂單簿、父子事件、跨鏈部署、做市商接軌。

14. 企業落地建議

14.1 應從何種事件著手

• 建議從具有明確資料來源且可量化的事件著手（例如加密貨幣價格、體育賽事比分、宏觀經濟數據）。切勿從主觀的政治事件開始；
• 保持事件週期短（1–7 天為佳），以便使用者能反覆參與，產品也能持續迭代；
• 初期階段，將同時開放的市場數限制在 5–10 個，使流動性集中，避免「每個市場流動性都過於薄弱」的情況。

14.2 團隊組成

最小團隊配置：1 名產品經理、2 名智慧合約工程師、1 名後端／指數工程師、1 名前端／行動端工程師、1 名風險／數據專員、1 名營運／市場審查專員。若要新增訂單簿，則需再增聘 1 至 2 名匹配工程師；用戶生成內容（UGC）與爭議處理機制則需內容審查及法律支援。

14.3 關鍵指標

• 交易量與用戶數：日活躍用戶數（DAU）、日交易量、單一市場峰值；
• 流動性指標：買賣價差、滑點曲線、做市商資本；
• 爭議解決品質：爭議發生率、錯誤解決率、平均解決時間；
• 風險指標：操縱嘗試次數、阻擋的異常交易、司法管轄區合規命中率；
• 做市商經濟指標：做市商淨收益率、留存率、做市虧損／手續費比率；
• 業務指標：手續費收入、平台抽成、每位用戶價值。

15. 未來趨勢

15.1 預測市場與 AI 資訊市場

AI 代理將成為預測市場中的重要參與者：它們會即時抓取新聞、社群媒體及鏈上數據，並在事件結果明朗化之前迅速進行交易。 此舉將提升市場效率，但也引發了「機器人擠壓散戶」的擔憂。可透過延遲披露、分級手續費及專屬代理市場等設計來解決此問題。

15.2 實物資產（RWA）與事件化

將利率、外匯、大宗商品及保險理賠等實物資產（RWA）事件轉化為用於定價的預測市場，正成為日益興盛的發展趨勢。此舉融合了傳統金融的遠期合約／期權與預測市場，並對合規與結算提出了更高要求。

15.3 決策基礎設施的專業化

隨著預測市場規模擴大，預言機的決算機制將從「樂觀斷言」演進為「可驗證的事實」：新聞機構的數位簽章、官方 API 的加密證明，以及處理複雜資料的 ZK-協處理器，都將成為基礎設施的一部分。

15.4 L2 層與應用鏈的普及

預測市場的交易頻率高且單筆交易金額小，天生適合高吞吐量、低 gas 費的 L2 或應用鏈。在未來 1 至 2 年內，將出現更多專用的預測鏈，或是在現有 L2 上建構預測市場應用鏈。

15.5 監管明確化

美國、英國、歐盟、新加坡及杜拜等司法管轄區正逐步釐清事件合約的監管邊界。明確的合規框架將吸引機構資金與傳統做市商進場，預計預測市場的總規模將增長一個數量級。

常見問題

Q1：LMSR 與 Uniswap 風格的 AMM 之間有何根本差異？

A：LMSR 為一組機率定價——價格總和始終為 1。Uniswap 則為兩項獨立資產的相對價值定價。 LMSR 市場造市者的最大虧損是有上限的（b·lnN）；Uniswap 流動性提供者（LP）則面臨無上限的暫時性虧損。兩者雖皆採用自動做市商（AMM）的概念，但數學模型與風險特徵卻大相逕庭。

Q2：為何即使價格已相當確定（例如 0.99），買入時仍會產生滑點？

A：LMSR 的 softmax 函數在 p 接近 0.99 時仍具有斜率。 將價格從 0.99 推升至 0.995 所耗費的成本，甚至可能高於將價格從 0.5 推升至 0.6。這種「在極端價格下流動性成本更高」的現象，是針對 LMSR 的常見批評；LS-LMSR 及類似變體的設計，正是為了改善此問題。

Q3：做市商／流動性提供者（LP）會虧損嗎？

A：是的。當市場因新資訊而發生劇烈重定價時，較早建立庫存的做市商可能會虧損。最大虧損上限為 (b·lnN)，但實際虧損取決於價格走勢。流動性提供者應規劃透過手續費收入彌補此類虧損，並在高波動性事件中謹慎提供流動性。

Q4：如果我對結果有把握，應該在什麼價格買入？

A：當您的主觀機率高於市場價格時（p_market < p_you），請買入「是」；此時預期報酬為正。但同時也須考量決策風險、流動性、手續費及時間成本。切勿僅為在 0.99 的價格下獲利 1%，就冒著因決策錯誤而損失 1% 的風險。

Q5：若市場被判定為無效，會發生什麼情況？

A：主流做法是所有股份均以 1/N 的比例平等贖回，並從「市場無效保險池」獲得額外補償。交易前請詳閱平台的市場無效政策，並避免對描述含糊不清的市場下注。

Q6：從零開始建構一個預測市場需要多久時間？

A：基本架構（LMSR + 二元市場 + 簡易預言機）可在 3–4 週內上線測試網；若包含多結果選項、流動性提供者金庫、混合式訂單簿、爭議解決機制、完整前端介面及風險控制功能，通常需時 3–4 個月。 建議基於成熟的解決方案套件（例如 SoonTech 的方案）進行客製化，而非從頭開始開發。

結論

預測市場的自動做市機（AMM）表面上看似僅是一個定價公式，但其實處於金融工程、去中心化爭議解決、預言機、風險控制、合規與使用者體驗的交匯點。 LMSR 之所以成為業界標準，不僅是因為其數學結構優雅，還因為其最大虧損有上限、價格自然符合機率論解釋，且與「全集套利」完全相容。 但真正決定預測市場產品成敗的，很少是定價函數本身——而是決策機制的公信力、流動性的深度、風險控制的嚴謹性，以及使用者體驗的流暢度。

本文已系統性地闡述了預測市場 AMM 的完整設計範疇，涵蓋金融結構、LMSR 及其變體、股份制度、流動性提供、手續費激勵、預言機決算、無效市場、風險與合規、前端體驗、工程實現，乃至主流協議的比較。 隨著 2026 年美國大選、世界盃、加密貨幣 ETF 以及宏觀利率事件不斷將預測市場推向主流，該領域正準備迎來新一輪的產品與基礎設施爆發。

SoonTech 團隊在預測市場、中心化交易所（CEX）及去中心化交易所（DEX）等多條產品線上擁有深厚的經驗。預測市場自動做市商（AMM）是我們最具差異化的模組之一，目前已應用於東南亞體育賽事、CEX 活動合約、用戶生成內容（UGC）平台等領域。 無論您的團隊正在打造預測市場、為現有交易平台新增事件合約，或是希望將預測功能嵌入自有應用程式，我們都樂意與您深入交流。根據您的目標市場、用戶群體及合規要求，我們能提供從合約開發、預言機整合、風險設計到前端與應用程式的端到端解決方案。

讓群眾智慧得以定價、讓資訊發掘更有效率，並讓每位有見解的人都能參與其中——這正是預測市場的長期價值，也是我們持續優化基礎架構的原因。

🌐 與 SoonTech 攜手打造安全且可擴展的 Web3 平台。

探索我們針對白標加密貨幣交易所、預測市場、MPC 錢包、配對引擎、流動性整合及合規性的解決方案。