Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents
该论文介绍了 Raven-Agent，这是首个用于预测市场的自主交易智能体，它通过弥合校准预测与盈利交易之间的差距，在存档决策数据上实现了正回报，从而表现优于现有策略。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你正身处一个巨大的、高风险的嘉年华赌局，人们在这里对未来的事件进行投注：“明天会下雨吗？”“某位政治家会在六月前辞职吗？”“油价会达到 100 美元吗？”
大多数 AI 研究人员一直试图构建一个最好的预言家。他们训练 AI 去观察新闻、计算数据，然后说：“我有 80% 的把握明天会下雨。”他们衡量成功的标准是那个 80% 的猜测与实际天气有多接近。
但本文认为，仅仅做一个优秀的预言家是不够赚钱的。你还需要成为一个聪明的赌徒。
作者 Yishu Wang 及其同事构建了一个名为 Raven-Agent 的新系统。他们意识到，虽然 AI 在预测概率方面变得越来越强，但在决定投多少钱以及何时离场方面却表现得很糟糕。
以下是使用简单类比对他们理念的拆解：
1. 问题所在：“自信的输家”
想象一位非常有信心的预言家。他们说：“我 90% 确定 A 队会赢！”但此时的投注赔率实际上也是 A 队 90% 的胜率。
- AI 的错误： 如果 AI 在这个注单上投入重金，它可能赢得了这场赌局，但整体上却在亏钱，因为相对于风险而言，回报率实在太低了。
- 核心问题： 最近的研究表明，即使 AI 能够准确预测概率，它仍然会亏钱，因为它不知道如何管理自己的钱包。它把每一个“好的猜测”都视为理由，无论这个注单是否真的值得，都投入同样多的钱。
2. 解决方案：“Raven-Agent”
作者不仅仅是构建了一个更好的预言家。他们在 AI 的猜测与实际投注之间，构建了一个交易经理（他们称之为“信念到交易层”）。
把 Raven-Agent 想象成一个站在预言家身边的严格的赌场经理。预言家可以大声喊出预测，但经理负责决定这笔交易是否发生，以及要在桌面上放多少钱。
这位经理有四个具体的规则（模块）：
- 过滤器（筛选）： 经理会观察所有的预测，并询问：“这真的是一笔好买卖吗？”如果潜在利润相对于风险来说太小，经理就会说：“跳过。”
- 计时器（排序）： 有些注单明天就会结算，有些则要等六个月。经理会计算利润的“速度”。一个能快速实现的微薄利润，往往比一个需要漫长等待的巨额利润更好。
- 钱包（规模控制）： 这是最重要的部分。经理使用了一个著名的数学公式（被称为 Kelly Criterion，但进行了缩减以确保更安全），来决定具体投注多少。
- 类比： 如果 AI 只有一点点把握，经理就只投一分钱。如果 AI 非常确定且赔率极佳，经理就会多投一些。但他们绝不会押上全部本金。
- 安全网（风险控制）： 经理有一个硬性的止损规则。如果注单开始变得糟糕，经理会立即止损。他们还会确保 AI 不会在单一事件上投入过多（比如不要把鸡蛋放在同一个篮子里）。至关重要的一点是，这些规则是硬编码的，这意味着 AI 无法通过“辩论”来规避这些规则。
3. 实验：“时空回放”
为了测试这一点，作者并没有直接让 AI 用真钱去赌博。他们使用了“时空回放”。
- 他们提取了一个巨大的历史投注市场档案（来自一个名为 Polymarket 的平台）。
- 他们提取了过去其他 AI 所做的完全相同的猜测。
- 他们将这些相同的猜测通过他们新的“Raven-Agent”经理进行运行。
- 他们将结果与其他策略（例如“每注都投 10 美元”或“如果你更有信心就投更多”）进行了对比。
4. 结果：唯一的赢家
结果非常明确：
- 旧方法： 其他所有策略都亏钱了。有的亏得少，有的亏得多（其中一种甚至亏掉了 55% 的资金！）。
- Raven-Agent： 它是唯一盈利的策略。它仅仅通过改变如何进行投注，而不是改变猜测本身，就将一个亏钱的局面变成了盈利的局面。
总结
本文声称，在预测市场中，你如何管理资金与你预测未来的能力同样重要。
你可以拥有世界上最聪明的 AI，但如果它没有一个严格、逻辑严密的经理来告诉它何时投注、投多少以及何时停止，它最终会亏钱。Raven-Agent 证明了，在 AI 之上增加一个纪律严明、基于数学的“交易层”，可以将一场必输的游戏变成一场必赢的游戏。
简而言之：不要只打造一个更好的水晶球，要打造一个更好的钱包管理者。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。