预测市场（Prediction Market）将现实世界中事件的结果转化为可交易的合约——“民主党候选人赢得2026年美国大选”、“比特币月末收盘价高于120,000美元”、“某位球员在本场比赛中进球数超过2.5个”。 用户通过买卖“是/否”或多结果类份额来为事件概率定价，当结果与预测一致时，将获得一个单位的抵押品（通常为USDC、USDB或平台稳定币）。

预测市场的交易机制与现货去中心化交易所（DEX）有着根本性的区别。 现货去中心化交易所（DEX）交易的是两种各自具有“独立价值”的资产，而在预测市场中，所有结果份额的总和恰好等于一单位抵押品。这意味着做市商面对的不是两种资产类别的相对价格，而是一个总量守恒的概率分布。 这一根本差异催生了一系列专门的定价函数——LMSR（对数市场评分规则）及其变体 LS-LMSR、恒积/恒均多结果自动做市商（AMM），以及混合式订单簿+AMM 模型。

对于希望构建预测市场的团队而言，自动做市商（AMM）的选择与实现直接决定了以下三点：

1. 价格发现质量：价格能否快速、稳定地收敛至真实概率，且不受少数大额订单的操纵；
2. 流动性和滑点：小额投注成本是否低廉，大额订单能否顺利成交，以及做市资本的利用效率如何；
3. 平台和流动性提供者（LP）的风险：当事件结果确定时，做市商是否会蒙受损失？如何处理无效市场和有争议的结果？

本文从预测市场的数学基础出发，系统性地回顾了LMSR及其变体、多结果事件的统一模型、份额拆分与合并、流动性提供、手续费、预言机结算、风险控制以及套利界限。 结合 Polymarket、Augur 和 Manifold 等主流协议的实践经验，本文呈现了 SoonTech 针对预测市场 AMM 解决方案的完整设计方案。 无论您是正在构建预测市场的产品经理、智能合约工程师、做市商或风险控制负责人，还是希望将预测市场功能嵌入自身应用的团队，阅读本文后，您都将获得一个可直接用于设计和审查的完整框架。

1. 预测市场的金融结构

1.1 一个合约 = 一套完整的结果集

预测市场的核心金融结构是“完整结果集”。 对于一个有 N 种可能结果的事件，用户存入 1 USDC 作为抵押品，即可铸造 N 份股份——每种结果各一份，因此 1 USDC 对应 outcome_0(1) + outcome_1(1) + … + outcome_{N-1}(1)。 当事件“结算”时，将有且仅有一个结果（或根据某种权重组合的多个结果）被判定为“赢家”。每份获胜股份可赎回 1 USDC，而失败股份的价值为 0。这意味着：

• 在任何时刻，所有结果份额价格之和始终等于 1 USDC；
• 每个结果的价格可被解释为市场隐含概率；
• 买入一份“是”合约相当于支付 p USDC，若获胜则获得 1 USDC，净收益为 (1−p) USDC。

这种结构与“ pari-mutuel”（赛马中使用的池式投注系统）不同：在 pari-mutuel 系统中，赔率仅在最后一刻确定，而在预测市场中，价格持续波动，持有人可以随时按市场价格平仓以实现其盈亏。

1.2 二元期权与多结果期权

• 二元市场：是/否，两种结果，价格位于 [0,1] 区间内，总和为 1。这是最常见的形式，适用于“是否会发生”类型的事件。
• 多结果/分类市场：N个互斥结果，例如“谁将赢得美国大选”（民主党、共和党、第三方……）。所有结果价格之和为1。
• 标量市场：结果为连续值（例如“BTC月末收盘价”），通常分解为一系列区间结果，或基于连续价格采用LMSR定价。
• 多赢家市场：可能同时出现多个获胜结果，例如“某政党是否会同时赢得国会参众两院”可能同时出现两个获胜结果。这需要特殊设计——不能再简单地假设“恰好只有一个赢家”。

不同形式可在数学上统一起来：将事件视为一个“结果向量”，并在结算时为每个结果分配一个赎回权重 w_i ∈ [0,1]，且 Σ w_i = 1。 二元市场仅有一个 w_i = 1；多赢市场可能有多个以分数形式表示的 w_i。

1.3 预测市场与现货去中心化交易所（DEX）

做市商风险

无限损失（单边价格波动）

有限亏损（最坏亏损 = 流动性参数 b）

预言机

现货价格（用于估值）

事件结果（决定最终赎回）

最本质的区别在于最后一行：预测市场做市商的最坏情况损失是有限的，因为存在两种无风险操作——铸造全套代币和赎回——它们为做市和套利提供了天然的锚点。

2. LMSR：预测市场的标准定价函数

2.1 函数定义

LMSR由罗宾·汉森（Robin Hanson）于2000年代初提出，是当今预测市场中最广泛使用的做市公式。 对于一个具有 N 种结果的事件，设 q_i 为每个结果 i 的份额数。做市商用于定价的成本函数为 C(q) = b · ln( Σ exp(q_i / b) )，其中 b 是一个正数，称为“流动性参数”。 购买结果 i 的 Δq_i 股的成本为 cost = C(q + Δq_i) − C(q)；卖出 (负 Δq_i) 则产生相应的收益。 每个结果的瞬时（边际）价格为 p_i = ∂C/∂q_i = exp(q_i/b) / Σ_j exp(q_j/b)。 可以验证Σ p_i = 1 且 p_i ∈ (0,1)，这自然符合概率的解释。

2.2 参数 b 的含义

b 是 LMSR 中最重要的参数。它同时决定了两点：

• 价格敏感性：b 值越大，价格曲线越平缓，同一买单对价格的影响越小，滑点也越低；
• 做市商的最大损失：当所有股份都被买至极端水平（某些 q_i 远大于其他值）时，做市商的最大损失约为 b·ln(N)。

换言之，提供更深的流动性需要承担更大的最坏情况损失。这是一个根本性的权衡：b 不能任意增大；它必须与做市商愿意投入的抵押品上限相匹配。

对于标准二元期权市场，要支持 0.01–0.99 的价格区间，所需抵押品约为 b·ln(2)。因此，b 通常也被直接称为“资金”或“初始流动性”。

2.3 LMSR的直观行为

• 当所有 q_i 相等时，所有 p_i 也相等（均匀先验分布 1/N）；
• 买入某一结果会推高其价格并压低其他结果的价格；由于软最大似然（softmax）的指数特性，价格永远不会真正达到0或1；
• 买入成本随已买入数量呈指数级增长，这自然抑制了“无限买入”，并防止价格轻易被推向极端；
• 一旦 LP 投入资本并设定 b 值，做市商将根据公式自动报价，无需订单簿。

2.4 LMSR 的优势与问题

优势：

• 价格始终满足Σ p_i = 1，且可直接解释为概率；
• 最大损失有上限，有利于风险控制；
• 提供无限流动性（任何规模的订单均可成交，仅价格冲击会增加）；
• 公式简单，且链上实现可行（需要 exp 和 ln 函数，可通过查找表或 ABDK 等数学库实现）。

问题：

• 流动性分布不均：在概率约为0.5和0.01时，“价格对资本的敏感度”存在显著差异，但b仅是一个参数；这导致市场在极端概率下要么深度不足，要么造成资本浪费；
• 接近0和1时的滑点：当结果已非常确定（p = 0.99）时，即使是一笔微小的买单仍可能将价格推高至0.995，且边际成本呈非对称分布；
• 手续费与做市商激励机制设计：做市商提供资本，但其收入来自手续费和点差，这可能无法覆盖长尾、低成交量市场中的做市亏损；
• 多结果扩展中的计算成本：每笔交易都需要计算所有 N 个结果的期望值，而 gas 费用随 N 的增加呈线性增长。

这些问题催生了多种变体。

3. LMSR变体及多结果事件的统一模型

3.1 LS-LMSR（流动性敏感型 LMSR）

LS-LMSR 的核心思想是让 b 随已部署的资本动态变化：当更多流动性提供者（LP）加入时，b 会自动增加，价格曲线趋于平缓；当资本撤出时，b 则会减少。 这避免了在固定 b 值下“极端价格下资本被浪费”的问题，也是 Augur 等协议采用的解决方案。

在具体实现中，通常会引入“交易手续费”和“流动性评分”：

• 当 LP 存入资金时，系统会按当前 b 值铸造额外份额；
• 随着总资金的变化，b 会根据特定规则进行更新（例如，b = k · total_funds）；
• 当 LP 赎回时，按比例进行赎回。

LS-LMSR的数学细节比LMSR更为复杂，尤其是需要确保流动性提供者无法通过“存入-提取”进行套利。但它显著提高了流动性分配的效率。

3.2 恒定积多结果自动做市商（CPMM 风格）

另一种方法是将 Uniswap 风格的 x*y=k 推广到 N 种结果，将“份额积”定义为 Π_i q_i = k。但若简单地使用该公式，将违反 Σ p_i = 1 的守恒条件。 在实际工程中，通常采用“虚拟余额 + 份额归一化”的方法：将所有结果的价格视为概率单纯形上的一个点，使用几何平均值或调和函数进行定价，并通过铸造/赎回全套资产的套利操作来维持价格锚定。

在某些多结果场景下，该方案的 gas 成本更低（无需经验值），但其数学性质不如 LMSR 纯粹，更容易出现套利漏洞，且需要进行严格的不变量测试。

3.3 Maniswap / 负流动性参数

Polymatch / Manifold 等协议提议将 b 设为负值或分段函数，以在不同的价格区间内获得不同的流动性密度。 此类变体能够“在接近 0/1 的价格区间将滑点降至极低，同时在中间价格区间保持较小的滑点”，适合高频赔率市场（体育、电子竞技），但其数学证明和合约实现更为复杂。

3.4 负价格与负流动性

一些高级设计允许在特定价格区间内出现“负流动性”，即做市商主动卖出深度价外股份，这本质上类似于卖出期权。这要求做市商具备充足的抵押品和风险控制能力，通常仅对专业做市商开放。

3.5 统一的“结果向量 + 结算权重”模型

无论采用哪种定价函数，工程实践建议均应使用统一的数据模型：

• 每个事件都有 outcomes[]，每个结果具有 q (当前股数)；
• 在结算时， resolution_weights[] 将写入，且 Σ w_i = 1；
• 每个 outcome_i 股份可兑换 w_i 美元的 USDC；
• AMM 仅负责在结算前根据 q 生成价格，并在结算后按 w 进行结算。

这种抽象将二元、多结果、多赢家和标量市场统一在同一个合约中：

• 二元市场：w = [0,1] 或 [1,0]；
• 多结果型：恰有一个 w_i = 1；
• 多赢家型：多个 w_i = 1/k（按比例分配）；
• 标量型：权重根据最终结果值线性分配。

4. 份额的铸造、拆分、合并与赎回

4.1 完整集合的套利锚

预测市场能够稳定定价的根本原因在于存在两种无风险操作：

1. 铸造（铸造完整组合）：消耗 1 USDC 以铸造每个结果各一份份额；
2. 合并/结算（合并并赎回）：将每个结果各一份股份退回，赎回1 USDC。

如果市场价格之和大于 1，套利者将铸造一套完整组合，将每个结果分别卖出到市场上，从而锁定利润；如果价格之和小于 1，套利者将在市场上购买每个结果的一份股份，然后进行合并以赎回 1 USDC。 这保证了 Σ p_i ≈ 1（扣除手续费后存在无套利区间）。

这两项操作必须作为一等公民功能在合约中提供，并且必须与 AMM 共享同一份股份账本。

4.2 拆分与合并

在多结果场景中，用户可能并不想购买完整组合，而是希望将“民主党获胜”拆分为更细化的子结果（例如，“某位特定候选人获胜”和“另一位民主党候选人获胜”）。事件层级如下：

• 父事件：民主党 vs. 共和党 vs. 其他；
• 子事件：假设民主党获胜，具体是谁获胜？

父事件和子事件的份额可根据条件概率进行拆分和合并。这使得平台能够通过一组小型多结果市场来构建任何复杂的事件树，而无需在一个市场中列出数十或数百种结果（后者会导致 LMSR 的 gas 费用激增）。

4.3 二级市场转让

份额采用 ERC-1155 或 ERC-20 标准（每个结果对应一个代币），可在任何市场中进行转让。 自动做市商（AMM）仅作为主要流动性来源，并不阻止场外交易或限制挂单。这为未来与 OpenSea、Blur 以及基于订单簿的去中心化交易所（DEX）的集成留有余地。

4.4 结果结算与赎回

事件到期后，预言机将写入结算权重（resolution_weights），代币持有者将按权重赎回抵押品。关键设计要点：

• 赎回功能必须始终保持开放；即使预言机出现延迟，持有人最终也能收回资金；
• 必须支持“部分结算”（即在多赢场景下的按比例赎回）；
• 在争议窗口期间暂停赎回；争议解决后重新开放；
• 对于无效市场（Invalid Market），处理方式为“所有结果均等赎回”或“所有头寸退款”——详情参见第 8 节。

5. 流动性提供与做市商模型

5.1 谁提供初始流动性

预测市场的流动性来源大致分为三类：

1. 平台/协议做市商：平台自身投入资本，设定 b 值，并保证基础流动性；
2. 第三方流动性提供者（LP）：向自动做市商（AMM）池存入资金，赚取手续费，并承担做市损失；
3. 专业做市商：利用自有头寸和模型在订单簿上报价，或通过专用做市接口注入流动性。

这三种模式可以并存。但需注意：在LMSR机制下，流动性提供者的盈亏（LP PnL）= 手续费收入 ± 价格波动导致的库存盈亏。 当出现新信息且价格剧烈波动时，较早入场的流动性提供者可能会亏损。这类似于 Uniswap V2 中的“非永久性损失”，但由于存在到期日且最大损失有上限，其风险结构更容易量化。

5.2 流动性提供者份额与回报

流动性提供者存入 USDC 后将获得 LP 代币（ERC-20），该代币赋予其以下权利：

• 每笔交易手续费的份额；
• 做市商持仓的整体盈亏（按其份额比例分配）；
• 在事件解决时按份额比例赎回抵押品。

需注意的设计要点：

• 当流动性提供者在事件进行期间加入时，必须根据当前的 q 和 b 值计算公平存入价值，否则早期流动性提供者的权益将被稀释；
• 当 LP 赎回时，是锁定至事件结算，还是允许即时赎回？即时赎回需要通过“反向铸造/销毁”来调整合约中的 b 值，这会增加实现复杂度；
• 多个 LP 之间的费用分配必须按资本份额 × 在池时间进行分配，否则后期加入的 LP 将搭便车。

5.3 混合式订单簿 + AMM

纯AMM预测市场在大额订单上仍会出现明显的滑点。 专业交易者和做市商更习惯于订单簿模式：他们愿意挂出限价单并赚取点差，而非支付AMM手续费。因此，中心化交易所（CEX）风格的预测市场（以及部分去中心化交易所（DEX）风格的市场，如Polymarket的CLOB）采用了混合架构：

• AMM 充当“最终流动性保障”，始终提供报价；
• 订单簿在匹配专业做市商的限价单时具有优先权；
• 用户订单首先从订单簿中匹配；任何未成交的剩余部分则通过 AMM 处理；
• 套利机制确保AMM价格与订单簿中点价格保持一致。

这种混合架构显著提升了大额订单的交易体验，但工程复杂度也随之提升——它需要匹配引擎、风险控制、保证金及亏损处理机制。当SoonTech为客户构建预测市场时，我们通常同时提供这两种模式，并根据用户画像分阶段上线。

5.4 动态 b 值与自适应流动性

更先进的方案会根据以下因素动态调整 b：

• 临近到期事件：当事件接近解决时，信息更为完整，价格波动应较小，此时可收窄 b 以降低流动性提供商（LP）风险；
• 交易量：高成交量市场会提高 b 以降低滑点；
• 预言机可信度：若新闻形势高度不确定，可分阶段撤回流动性；
• 做市商资本：随做市商存款自动调整（LS-LMSR）。

但动态调整必须遵循明确的链上规则，且不能由运维人员随意修改，否则会出现“鲸鱼调整 b”的信任问题。

6. 费用模型与激励机制

6.1 费用收取方式

预测市场中的常见费用类型：

• 交易费：按交易金额的基点收取，例如 0%–2%；
• 赎回费：在结算时收取的一笔小额费用，用于覆盖预言机成本；
• 利润费/做市商费：从获胜份额赎回中提取1%–5%，支付给市场做市商/协议；
• 加/赎回流动性费：用于抑制短期流动性提供者（LP）的进出操作；
• 无效市场保护费：每笔交易中的一小部分将进入“无效市场保险池”，用于在市场被判定为无效时补偿流动性提供者。

该费用结构必须避免一个问题：若同时收取交易费和利润费，套利者的无套利区间将扩大，且价格之和可能会持续偏离1，从而损害用户体验。在设计阶段，必须通过数学公式明确规定Σp_i的合法范围。

6.2 做市商激励（市场创造者）

用户生成内容（UGC）预测市场平台（例如 Polymarket、Augur）允许任何人创建事件。典型的激励机制包括：

• 发起人可获得该市场手续费的一部分（例如 10%–50%）；
• 发起人必须质押保证金；若该市场被判定为模棱两可或无效，保证金将被没收；
• 高质量、高交易量的市场可获得额外的协议奖励。

该机制必须在“鼓励开放创建”与“防止垃圾信息/操纵市场”之间取得平衡。保证金参数和申诉流程是关键。

6.3 流动性挖矿与协议激励

协议可通过向早期流动性提供者（LP）和活跃交易者发放代币奖励，来启动流动性和交易量。但请注意：

• 奖励应基于“真实交易量”和“流动性提供者在池中的时间”，而非单纯的存入金额，以防止“套利后抛售”行为；
• 奖励发放应与活动周期保持同步，以避免活动结束后立即出现流动性崩盘，从而驱赶流动性提供者。

7. 预言机解决方案：预测市场的真正护城河

7.1 结算流程

预测市场资产的最终价值完全取决于结算结果；预言机是信任链中最敏感的一环。完整的结算流程通常包括：

1. 市场收盘：在预设时间，交易停止；
2. 提案阶段：任何人都可以提出结果提案，通常需提供保证金作为担保；
3. 挑战阶段：若有人对提议的结果持异议，可质押更多代币发起挑战；
4. 升级：争议将升级至更高层级的裁决机制（例如，Augur的UMA分叉、Polymarket的UMA乐观预言机加多签理事会）；
5. 最终裁决：结果被写入区块链，持有人可赎回股份。

7.2 乐观预言机与“默认真实”

UMA 等乐观预言机采用“先提议，等待 1–2 小时的挑战窗口期，若无人挑战则视为通过”的模式。这种模式在绝大多数市场中效率足够高，且无需每次都进行投票。只有当出现争议时，才会进入真正耗费资源的争议解决流程。

7.3 多来源解决与冗余

为避免单一数据源故障，在高价值市场中建议：

• 同时接入多个数据提供商（美联社、路透社、官方公告、Chainlink、UMA）；
• 对于可量化的事件（体育比分、加密货币价格），直接聚合多个 API 数据，并按预定义规则取中位数；
• 对于主观事件（政治、娱乐），采用多人投票+争议解决机制。

7.4 结算数据源的可验证性

一种更前沿的方法要求结果附带可验证的证据：API签名、官方网页的可验证证明以及新闻机构的数字签名。这可以减少“由谁决定”的争议，但对基础设施的要求较高。

8. 无效市场与争议处理

8.1 何为无效市场

市场可能因以下原因被判定为无效（Invalid）：

• 事件描述含糊不清，存在多种合理的解读方式；
• 数据来源相互矛盾，且无法确定结果；
• 赛事本身从未实际发生（例如，原定比赛被取消）；
• 存在操纵、内幕交易或违规行为；
• 市场创建者存在设计错误，导致结果无法客观判定。

8.2 无效市场中的资金处理

常见处理方式：

• 所有结果均按等比例赎回：每份结果_i 股份可赎回 1/N USDC。这对所有持有人而言是“中立”的——无论你以何种价格买入，最终都能收回一份股份的成本。但这会导致低价买入者损失潜在利润，而高价买入者则从中受益；
• 退还所有交易款项并回滚头寸：一旦发生大量交易，几乎不可能通过链上操作将状态回滚至事件发生之前；
• 按争议发生前的市场价格进行补偿：利用争议解决池，以争议发生前的最后一个价格回购头寸。这种方案更为精细，但实施起来也更为复杂。

建议默认采用“等比例赎回”方案，并利用由每笔交易中一小部分资金供款的“无效市场保险池”，在特殊情况下提供额外补偿。

8.3 争议保证金与攻击成本

争议机制必须使“错误提案”和“恶意挑战”都付出代价：

• 提案者需缴纳保证金；若提案正确则保证金返还并获得奖励，若错误则保证金被没收；
• 挑战者同样需缴纳保证金；成功则获得奖励，失败则被削减；
• 当争议升级到更高级别时，保证金将按倍数增加，从而使攻击成本呈指数级上升。

Augur的“分叉机制”是终极工具：若争议无法解决，整个协议将分叉为多个版本，并让市场通过实际行动进行投票。虽然这代价不菲，但能保证最终的正确性。

9. 风险控制、合规与防操纵

9.1 常见的市场操纵手段

• 大规模拉高出货：当事件临近且市场流动性较薄时，利用大额订单将价格推至极端水平，以此误导公众舆论或其他交易者；
• 内幕交易：参与者提前获悉结果（例如政客的退选决定、公司的财报），并在信息公开前建立头寸；
• 结算操纵：贿赂或攻击预言机、数据源；
• 多账户自营交易：伪造成交量和价格以获取流动性奖励；
• 51%攻击/治理攻击：在去中心化决策机制中，利用大量代币进行投票以操纵结果。

9.2 风险控制工具

• 持仓上限：单个地址在单一市场的最大持仓量，以及单一市场的总持仓上限；
• 价格波动限制：当短期价格波动超过阈值时暂停交易或触发熔断机制；
• KYC / 地理限制：限制特定司法管辖区（如美国、英国）的访问权限，以规避证券法/赌博法相关问题；
• 交易监控：结合链上与链下异常检测，识别多账户操作、对冲交易及内幕交易；
• 大额持仓披露：持仓比例超过一定百分比的地址将被公开，类似于13F报告；
• 债券/亏损上限：为流动性提供者（LP）和做市商设定最大可承受亏损额；
• 冷静期：重大新闻发布前后设置短暂暂停期，以防止瞬间市场操纵。

9.3 法律与合规

许多司法管辖区的预测市场涉及：

• 赌博法：取决于该市场是否基于“运气”、是否涉及赌注，以及是否适用“娱乐目的”豁免；
• 证券法/衍生品监管：某些事件合约可能被视为掉期或二元期权；
• 事件合约监管：美国商品期货交易委员会（CFTC）对政治选举等事件合约设有明确限制；
• 反洗钱（AML）：要求实施“了解你的客户”（KYC）、交易监控及可疑交易报告。

不同的区块链/部署模式面临不同的监管机构：Polymarket此前曾因响应美国监管要求而下架部分市场并引入了地理封锁机制。在设计产品之前，必须由当地法律顾问提供法律意见，且协议必须支持地理封锁及可审计的合规工具。

10. 前端、用户体验与可组合性

10.1 将概率隐藏在用户体验中

普通用户可能不理解 0.63 的含义，但他们能理解“63% 的概率”以及“下注 1 USDC 可赢回 1.59 USDC”。前端必须同时显示：

• 隐含概率（百分比）；
• 赔率（1/p 或小数赔率）；
• 潜在回报（投入 X，赢回 Y）；
• 与其他用户/其他平台的赔率对比。

对于体育赛事市场，还应显示赛程、数据和交手记录，以降低用户的决策成本。

10.2 交易体验

• 快速下注：预设金额按钮（1/10/100 USDC）、滑块；
• 限价单：专业用户希望“在0.42以下买入Yes”；
• 平仓：允许用户在结果揭晓前锁定利润或止损；
• 多组合策略：一次性购买多个结果，构建“中间结果获胜”或“任一结果发生即获胜”等策略；
• 移动优先：预测市场的大部分用户来自社交媒体，因此移动端体验至关重要。

10.3 可组合性

• 代币遵循 ERC-1155 / ERC-20 标准，可融入 DeFi 生态系统：
• 作为借贷抵押品（适用于蓝筹事件）；
• 被其他自动做市商（AMM）或订单簿纳入指数；
• 打包成结构化产品（例如“政治事件篮子ETF”）；
• 跨链至其他区块链。

在合约设计阶段将股份设计为标准代币，是获取生态系统红利的关键。

11. 工程实现要点

11.1 数学库

Solidity 没有原生浮点数；LMSR 所需的 exp / ln 通常实现为：

• ABDK Math 64.64（定点数）；
• PRBMath（定点数，支持 SD59 / UD60）；
• 预编译查找表（对于二元期权市场， sigmoid 查找表即可满足需求）；
• 在 L2 层（Arbitrum Stylus、Optimism、Base）上，使用 Rust / C++ 实现可显著降低 gas 费用。

无论选择哪种方案，都必须进行全面的模糊测试：在极端 q 值条件下，验证不变量 Σ p_i = 1（误差范围内），确保最大损失不超过 b·ln(N)，并验证 Mint/Merge 始终不存在套利机会。

11.2 合约结构

推荐的模块化布局：

• EventFactory：创建事件、设置参数；
• Market / Condition：单个事件的状态、q、b 及处理逻辑；
• AMM / MarketMaker：定价和交易逻辑（LMSR 或其变体）；
• CompleteSets：铸造/合并完整套装；
• LPVault：流动性提供、LP 代币、手续费分配；
• OracleAdapter：集成 UMA、Chainlink 及 API；
• 争议 / 治理：争议处理与升级机制；
• ShareToken（ERC-1155）：份额代币。

将AMM逻辑与股份及争议解决机制分离，可让您在不影响服务的情况下升级做市算法。

11.3 Gas 优化

• 当多结果模型的 N 值较大时，exp 函数的计算成本较高；应预先计算 Σ exp 并将其缓存，每次仅更新已买入结果对应的项，并增量计算新价格；
• 对于二元市场（N = 2），LMSR 可简化为 sigmoid 函数，且无需循环；
• 使用 ERC-1155 批量转账以节省 gas 费用；
• 在 L2 部署中，gas 费用并非主要瓶颈，但 calldata 成本仍需关注。

11.4 索引与数据

预测市场的链上数据结构较为复杂（条件、份额、头寸、结算），因此必须使用 Subgraph / Ponder / Envio 构建自己的索引器，以提供：

• 市场列表及筛选功能；
• 用户持仓及历史数据；
• 价格K线图；
• 流动性提供者年化收益率（LP APY）；
• 成交量和流动性仪表盘。

12. 主流协议实践的比较

歧管

内部LMSR变体

各类

体育 / 时事

Gnosis 条件代币

条件代币框架，可与任何自动做市商（AMM）组合使用

可插拔

适合作为基础设施

Drift / Predict

混合型自动做市商（AMM）+ 订单簿

内部 + 多来源

L1 / 应用链模式

几点观察：

• 纯LMSR模式的用户体验虽不如订单簿，但去中心化程度更高且无需做市商；
• 大型、备受关注的市场（如美国大选、世界杯）几乎总有专业做市商提供订单簿流动性；
• 结算机制的选择比做市公式更为关键——即便是最完美的AMM，也无法挽救错误的结算方案。

13. SoonTech 的预测市场 AMM 落地方案

13.1 模块概述

SoonTech的预测市场套件包括：

1. 事件与条件引擎：支持二元/多结果/多赢家/标量事件的统一模型，具备父子事件拆分功能；
2. AMM 核心：LMSR + LS-LMSR + CPMM 变体，可根据事件类型切换；
3. CLOB 桥接：可选的订单簿模块，提供专业做市商接入，与 AMM 共享流动性；
4. CompleteSets 与 ERC-1155 份额：铸造/合并/转移，标准代币接口；
5. LP 金库：LP 存取款、动态 b 值、手续费分成、无常损失监控；
6. 预言机枢纽：UMA、Chainlink、自研API聚合、多源验证；
7. 争议处理框架：提议–质疑–升级，包含保证金及减持机制；
8. 风险引擎：持仓上限、价格熔断机制、地理限制、可疑交易检测；
9. 前端 / 移动端 SDK：概率 / 赔率 / 派彩显示、一键下注、限价单、多投资组合；
10. 分析与指数工具：市场数据、K线图、流动性提供者年化收益率（LP APY）、链上仪表盘。

13.2 典型部署场景

场景 1：面向东南亚的体育和电竞预测市场

客户希望在印度尼西亚、越南和菲律宾推出足球、篮球及电竞预测服务。 我们部署 LMSR 作为基础流动性，针对热门赛事叠加第三方做市商订单簿，采用多源体育数据 API 聚合 + 人工审核的方式进行争议解决，并在移动端支持本地支付和稳定币充值。上线三个月后，月交易量超过 8000 万美元，争议率低于 0.3%。

场景2：嵌入中心化交易所（CEX）的政治及宏观事件市场

该客户是一家中型中心化交易所（CEX），希望在其现有应用中添加“BTC月末价格”和“美联储降息”等事件合约。 我们采用 CLOB + AMM 混合架构；预言机优先采用 Chainlink 及官方公告；事件合约与该中心化交易所的统一保证金系统集成，用户可将其现有合约头寸用作抵押品。

场景 3：用户生成内容（UGC）预测市场平台

客户希望打造一个“任何人都能创建市场”的平台。我们部署了完整的 Event Factory + 创建者债券 + UMA 乐观预言机方案，并实现了市场审核、报告和申诉工作流。匹配的前端支持模板化创建（体育、政治、加密货币、娱乐），以降低创建门槛。

13.3 交付节奏

• 第 1–2 周：业务调研，明确目标市场类型、用户画像及合规边界；
• 第3–6周：合约开发（LMSR + CompleteSets + LPVault + Oracle Adapter），测试；
• 第7–8周：审计、测试网 + 影子主网、预言机集成；
• 第9周：前端与应用集成，风险规则配置；
• 第10周：主网上线、限额设置及多签监控、7×24小时值班；
• 后续：订单簿、父子事件、跨链部署、做市商入驻。

14. 企业落地建议

14.1 应从何种事件入手

• 建议从数据来源明确且可量化的事件（加密货币价格、体育赛事比分、宏观经济数据）入手。不要从主观的政治事件开始；
• 保持事件周期较短（1–7天为佳），以便用户能反复参与，产品也能持续迭代；
• 在初期阶段，将同时开放的市场数量限制在5–10个，保持流动性集中，避免出现“所有市场深度不足”的情况。

14.2 团队构成

最小团队配置：1名产品经理、2名智能合约工程师、1名后端/指数工程师、1名前端/移动端工程师、1名风险/数据专员、1名运维/市场审核专员。若需添加订单簿，则需额外1–2名匹配工程师；用户生成内容（UGC）和争议处理机制则需要内容审核和法律支持。

14.3 关键指标

• 交易量和用户数据：日活跃用户（DAU）、日交易量、单个市场峰值；
• 流动性指标：买卖价差、滑点曲线、做市商资本；
• 纠纷处理质量：纠纷率、错误处理率、平均处理时间；
• 风险指标：操纵尝试次数、拦截的异常交易、司法管辖区合规命中率；
• 做市商经济指标：做市商净收益率、留存率、做市亏损与手续费比率；
• 业务指标：手续费收入、平台抽成、每用户价值。

15. 未来趋势

15.1 预测市场与人工智能信息市场

AI代理将逐渐成为预测市场中的重要参与者：它们实时抓取新闻、社交媒体及链上数据，并在事件结果明朗之前迅速进行交易。 这将提高市场效率，但也引发了“机器人挤压散户”的担忧。可以通过延迟披露、分级费用以及专门的智能代理市场等设计来解决这一问题。

15.2 现实世界资产（RWA）与事件化

将利率、外汇、大宗商品和保险理赔等现实世界资产（RWA）事件转化为预测市场以进行定价，正成为一种日益兴起的发展方向。这种模式将传统金融中的远期合约/期权与预测市场相结合，同时也提高了合规与结算的要求。

15.3 结算基础设施的专业化

随着预测市场的规模扩大，预言机结算将从“乐观断言”演变为“可验证事实”：新闻机构的数字签名、官方API提供的加密证明，以及处理复杂数据的零知识协处理器，都将成为基础设施的一部分。

15.4 L2 和应用链的普及

预测市场的交易频率高且单笔交易金额较小，因此天然适合高吞吐量、低 gas 费的 L2 或应用链。在未来 1–2 年内，将出现更多专用的预测链，或者在现有 L2 上构建预测市场应用链。

15.5 监管明确化

美国、英国、欧盟、新加坡和迪拜等司法管辖区正在逐步厘清事件合约的监管边界。明确的合规框架将吸引机构资本和传统做市商入场，预计预测市场的总规模将增长一个数量级。

常见问题

Q1：LMSR 与 Uniswap 式的 AMM 之间有什么根本区别？

A：LMSR 对一组概率进行定价——价格之和始终为 1。Uniswap 则对两种独立资产的相对价值进行定价。 LMSR做市商的最大损失是有上限的（b·lnN）；而Uniswap流动性提供者（LP）则面临无上限的临时损失。两者虽均采用自动做市商（AMM）机制，但其数学原理和风险特征却大相径庭。

Q2：为什么即使价格已经非常确定（例如 0.99），买入时仍然会出现滑点？

A：LMSR 的 softmax 函数在 p 接近 0.99 时仍存在斜率。 将价格从 0.99 推高至 0.995 所需的成本，甚至可能高于将其从 0.5 推高至 0.6。这种“极端价格下流动性成本更高”的现象是针对 LMSR 的常见批评；LS-LMSR 及其类似变体正是为改进这一问题而设计的。

Q3：做市商/流动性提供者（LP）会亏损吗？

A：是的。当市场因新信息而发生剧烈重估时，较早建立库存的做市商可能会亏损。最大亏损有上限（b·lnN），但实际亏损取决于价格走势。流动性提供者应计划通过手续费收入来弥补此类亏损，并在高波动性事件中谨慎提供流动性。

Q4：如果我对结果有把握，应该在什么价格买入？

A：当您的主观概率高于市场价格时（p_market < p_you），应买入“是”；此时预期回报为正。但同时需考虑结果确定性风险、流动性、手续费及时间成本。不要为了在0.99的价格上赚取1%的收益，而冒着因结果判断错误导致1%损失的风险。

Q5：如果市场被判定为无效，会发生什么？

A：主流做法是所有份额按1/N的比例平均赎回，并从“市场无效保险池”中获得额外补偿。交易前请仔细阅读平台的市场无效政策，并避免对描述模糊的市场进行投注。

Q6：从零开始构建一个预测市场需要多长时间？

A：基础的LMSR + 二元市场 + 简单预言机可在3–4周内部署到测试网；若包含多结果、流动性提供者金库、混合订单簿、争议机制、完整前端及风险控制功能，通常需要3–4个月。 建议基于成熟的套件（如SoonTech的解决方案）进行定制，而非从零开始开发。

结论

预测市场的自动做市商（AMM）表面上看似只是一个定价公式，但其实它处于金融工程、去中心化争议解决、预言机、风险控制、合规和用户体验的交汇点。 LMSR之所以成为行业标准，不仅因为其数学公式优雅，还因为其最大损失有上限，价格自然符合概率解释，并且与“全集套利”完全兼容。 但真正决定预测市场产品成败的，很少是定价函数本身——而是结算机制的可信度、流动性的深度、风险控制的严谨性以及用户体验的流畅度。

本文系统性地梳理了预测市场 AMM 的完整设计空间，涵盖金融结构、LMSR 及其变体、份额系统、流动性提供、费用激励、预言机结算、无效市场、风险与合规、前端体验、工程实现，直至主流协议的对比分析。 随着2026年美国大选、世界杯、加密货币ETF以及宏观利率事件不断推动预测市场走向主流，该领域正迎来新一轮的产品与基础设施爆发式增长。

SoonTech团队在预测市场、中心化交易所（CEX）和去中心化交易所（DEX）等多条产品线拥有深厚的经验。预测市场自动做市商（AMM）是我们最具差异化的模块之一，目前已在东南亚体育赛事、CEX事件合约、用户生成内容（UGC）平台等领域上线运行。 无论您的团队正在构建预测市场、为现有交易平台添加事件合约，还是希望将预测功能嵌入自有应用，我们都期待与您交流。我们将根据您的目标市场、用户画像及合规要求，提供从合约开发、预言机集成、风险设计到前端及应用开发的端到端解决方案。

让群体智慧得以定价，让信息发现更高效，让每个有见解的人都能参与其中——这正是预测市场的长期价值，也是我们不断完善基础设施的原因。

🌐 与 SoonTech 携手构建安全且可扩展的 Web3 平台。

探索我们针对白标加密货币交易所、预测市场、MPC 钱包、撮合引擎、流动性集成及合规性的解决方案。