Kalshi 套利机器人：先检验兑付

从 Kalshi 套利机器人的合约等价性开始

Kalshi 套利机器人的合约等价性，意味着比较的头寸在相同相关规则下指向相同经济条件。标题相同并不足够。观测期间、阈值、结果来源和异常结果处理方式，都会影响兑付。

设想两份合约都问某个值是否超过 100。一份衡量特定时刻的数值，另一份询问当天任何时刻是否超过 100。前者可能结算为 NO，后者则为 YES。仅因两个标题提及同一数字，就买入这些合约的相反方向，并不能形成完整对冲。

合约映射应记录每个头寸代表的准确条件，包括阈值是否严格、相等是否计入，以及比较前是否对数值取整。当市场恰好接近边界时，边界处的差异可能尤其重要。

来源也很重要。不同提供者的两项测量可能不一致，而双方都没有错误。交易模型可能认为它们高度相关，但高度相关不等于相同。声称固定兑付，必须经得起合法来源差异这种可能性的检验。

预测市场套利指南 介绍这一更广泛的区别。在 Kalshi 上，机器人应从获批合约关系出发，拒绝未知关系，而不是根据看似有利的价差来推断其含义。

为每个相关状态写明兑付

对于每个提议组合，应描述可能的结算状态，以及各状态下头寸的现金价值。在简单二元例子中，条件成立时 YES 支付一美元，否则为零；NO 则相反。针对完全相同条件的一组 YES 加 NO，在任一二元状态下都有一美元的合并毛兑付。

这个恒等关系是起点，不是完整交易。账户实际如何处理相反头寸、可用订单、成本和结算例外仍然重要。分析应使用经济结果，而不假定账户会永远保留两笔独立总持仓。

更复杂的关系需要更多状态。假设一份合约在数字高于 50 时兑付，另一份在高于 60 时兑付，两者采用相同观测和严格阈值。相关区间是不高于 50、高于 50 至 60，以及高于 60。两状态模型会隐藏中间区间。

有用的证明通常可以用普通语言写出。如果超过较高阈值，就必然也超过较低阈值。因此，假定其他所有规则相同，较低阈值的 YES 头寸至少覆盖与较高阈值 YES 相同的事件范围。

不要强行将特殊结果塞进二元模型。Kalshi 的市场结算文档 区分简单判定和标量结算情况。如果相关规则允许另一种兑付，应先纳入该状态，再声称存在最低回报。

计算 Kalshi 套利机器人的兑付分析

Kalshi 套利机器人的兑付分析，将受支持的最低兑付与总买入和运行成本比较。有利的平均结果，不等于每个建模状态下结果都非负。应将这两项断言分开。

在一个假设的互补买入中，具有等价简单二元敞口的 YES 成本为 46 美分，NO 为 50 美分。每对合并买入金额为 96 美分。本练习假设每对总成本为三美分。全包金额为 99 美分，比一美元毛兑付少一美分。

对于 100 对匹配份额，示例买入金额为 96 美元，成本为三美元。按假定二元规则，结算毛价值为 100 美元，在任何未建模费用或失败之前产生一美元。可见的四美分价差，已变成建模后的一美分盈余。

现在将假设成本改为每对五美分。相同的 100 美元兑付，对应总成本变为 101 美元。表面价差不再支持正结果。计算应拒绝候选，而不是试图保住有吸引力的标签。

应将假设与结果一起记录。等价规则、可执行数量、价格不变和有效访问权限，都是该例子的条件。有用的机器人可以展示哪些条件已验证，哪些是估计，哪些仍未解决。

使用预定规模下的可执行价格

显示的最优价格可能只适用于很少数量。如果机器人每条腿都需要 100 份合约，但有吸引力的档位只有十份，以最优报价乘以 100 就会低估成本。批准提案前必须计入深度。

考虑一条假设的首腿，其中 20 份合约为 40 美分，80 份为 43 美分。买入全部 100 份，成本为 8 美元加 34 美元 40 美分，即 42 美元 40 美分。均价为 42.4 美分，而不是 40 美分。差异消耗了预期盈余中的 2 美元 40 美分。

第二条腿可能具有不同深度分布。应独立计算其成本，再只匹配完整计划能够支持的数量。一侧数量很大，并不会增加另一侧的可用数量。

Kalshi 的订单簿响应指南 解释结果买单如何对应互补卖价。机器人必须先正确解释观测到的订单簿，才能推导可执行买价。买单价格并不自动等于可以买入同一方向的价格。

深度仍只是观测，而不是预留。其他参与者可能在请求到达前交易。因此，即使初始计算使用完整可见订单簿，执行政策也应包含价格限额和最大可容忍不完整头寸。

区分逻辑边界与统计关系

逻辑关系来自合约定义，统计关系来自事件通常如何共同变化。两者可能都有研究价值，但只有前者能在不估计联合概率模型的情况下支持兑付边界。

例如，两份有关相关经济指标的合约，通常可能同向变化。但意外发布仍可能使一个结果为真、另一个为假。它们的价差可能是预测机会，但不能仅因历史相关性高，就保证存在错误定价。

即使听起来合乎逻辑的关系，也需要规则审计。全国总量与地区分项可能使用不同发布日期或修订；体育胜者合约与晋级合约可能因赛制包含另一阶段而分歧。普通语言中的故事可能正确，但交易条件不同。

预测市场交易策略指南 为依赖估计概率的主张提供有用框架。将候选从套利类别移至统计类别不是失败，而是明确不确定性，并改变所需的规模设定和评估方式。

应在候选记录中保存关系类型。审查者应能区分代数兑付恒等式、基于规则的蕴含关系和经验关联。将它们混进一个机会评分，会诱使系统把不确定对冲当作具有固定兑付。

建模 Kalshi 套利机器人的执行风险

当计划需要不止一项账户操作时，Kalshi 套利机器人的执行风险就开始了。有利的合并兑付并不保证所有交易腿都能按所需数量成交。除非具体受支持机制确定情况并非如此，否则应将独立订单建模为各自不确定的操作。

假设首腿成交 100 份合约，第二腿只成交 40 份。账户有 40 对匹配份额和 60 单位未匹配敞口。将整个头寸报告为已对冲是不正确的。未匹配部分需要自身的情景分析和后续政策。

该政策可能允许在边界内尝试补齐第二腿、卖出部分首腿敞口，或暂停以供审查。选择取决于可用流动性、当前信息和获批损失限额。应在不匹配发生前确定，而不是看到不利价格后临时决定。

对单笔订单使用严格的全成或全不成指令，并不会自动使两笔订单成为原子操作。它可能减少一条腿内部的部分执行，却仍留下首腿完成、第二腿未成交的情况。账户风险始终属于整个序列。

应将未能完成交易时的最大可接受损失，与成功配对的建模盈余分开衡量。如果正常的单腿失败在预定规模下就可能造成大得多的损失，一美元预期盈余就缺乏说服力。提案应清楚展示这种不对称。

为失败交易腿的撤回成本定价

撤回头寸是另一笔交易，有其自身价差、规模和成本。不应仅因机器人想快速逆转操作，就按原买入价格估值。市场可能已经变化，可用退出深度也可能比入场更薄。

在一个假设例子中，机器人以 48 美分买入 80 份合约，费用前花费 38 美元 40 美分。预定对冲未成交。立即卖出可获得 45 美分，产生 36 美元。仅价格损失就为 2 美元 40 美分，尚未计入入场和退出成本。

如果原先完整配对计划仅提供 80 美分建模盈余，这次失败交易腿的损失在费用前就是该金额的三倍。不知道失败概率，就不能据此确定预期结果，但它说明了为何不能孤立评估很小的可见优势。

机器人可以使用获批的最大未匹配数量来约束问题。它可能分更小批次交易、要求第二腿有更强流动性，或拒绝突然信息更新可能破坏退出条件的事件。这些选择降低某些风险，同时带来其他成本，例如更多请求或错过机会。

评估中应保留失败候选和未能完成的尝试。只研究已完成配对，会创造一个好看的历史，却遗漏最可能决定策略是否可行的那些事件。

计入时间和资金约束

具有正建模兑付的交易，仍可能比预期更久地占用资金。结算时间、未解决结果和账户资金约束，会影响资源能否用于其他操作。机器人应同时建模持有期和最终金额。

假设两个机会都在承诺 100 美元资金的基础上提供一美元建模盈余。一个预计很快解决，另一个可能数周仍未解决。即使尚未考虑这两种预期各自的不确定性，它们也不是对有限资源的相同使用。

避免将一个微小短期示例年化成收入承诺。一次观测不能确定可以按相同价格、规模和频率重复获得机会。机器人尝试重复流程时，容量、成本和竞争都可能变化。

在依赖资金的操作需要它之前，资金就应可用。如果策略假定卖出或结算所得会在精确时刻到账，当账户承诺持续更久时就可能失败。为不完整头寸预留的资金是计划的一部分，不是不经判断就应分配到别处的闲钱。

自动化预测市场基础指南 帮助区分合约完成与账户完成。对于套利研究，相关结果是能够解释的现金和头寸结果，包括账户无法重新部署这些资源的时间。

将费用视为带审计轨迹的模型

费用可能取决于市场和订单执行方式。提案应使用当前适用假设，再将假设与实际账户收费比较。对每份合约硬编码同一百分比，可能把微薄建模盈余变成核算错误。

应分别记录毛兑付、买入成本、交易成本和其他运行费用。这样，负责人就能看出候选消失是因价格变化、费用估计改变，还是必要数据服务使整体运行过于昂贵。

应围绕不确定成本进行敏感性检查。如果候选只有在最低合理费用估计下才有利，应标明这种依赖。较小保守缓冲可能适合研究政策，但应说明并论证缓冲，而不是将其描述为能防止所有可能损失。

预期盈余较小时，取整很重要。在简化费用计算下，许多小额成交的行为可能不同于一笔想象中的成交。应保留报告成本和相关订单关系，使实际结果能够与估计核对。

评估也应在适用时计入被拒和未完成尝试的成本。如果报告将每项运行费用都只分摊给不成功策略，就会使被选策略看起来好于整体账户经历所支持的程度。

扩大搜索前先测试规则例外

改进候选过滤器最快的方法，可能是增加更好的反例。应创建时区不同、严格与包含相等的阈值不同、修订值与初始值不同，以及缺少结果来源的案例。除非关系真正得到确认，否则机器人应在每种情况下拒绝等价性。

应纳入实际规则中的特殊结算状态。如果事件可以延期、取消或通过另一种指定方法解决，也必须在那里评估提议的兑付。当合约明确允许其他结果时，只覆盖普通结果的证明并不完整。

经过人工审查的关系库可以有所帮助。它可以保存一小组获批合约模式及其兑付存在关联的原因。新合约族在审查前，保持在自动搜索之外。这用广度换取更易理解的行动依据。

应为这些批准建立版本。规则文本、测量来源或事件结构的变化，可能使先前成立的关系失效。候选应引用当时使用的批准，而不是悄然继承最新解释。

在建立这种纪律之前扩大比较数量，会增加错误信号。只有当机器人能够解释，为什么通过筛选的候选比被拒候选具有更强证据时，更大的搜索范围才有用。

报告机会质量而不夸大主张

有用的研究报告应区分观测到的价差、规则获批候选、可执行提案、已完成组合和最终账户结果。每个阶段都有不同分母。扫描到一千个价差可能只产生少数站得住脚的提案，而这种减少本身就有信息价值。

应报告未匹配敞口及其持续时间。从首笔成交到其余交易腿完成之间，账户的行为可能不同于最终兑付模型。用最终成功对冲掩盖这段间隔，会低估运行挑战。

应保留被拒候选及简短原因。常见原因可能包括规则不等价、深度不足、成本超过边界，或失败交易腿情景不可接受。这些记录有助于确定，更好数据、更窄范围或不同执行政策，是否真的能改善研究。

诚实的套利主张会说明支持它的条件，以及证明之外的风险。机器人的职责，是将诱人的差异转化为具体、可检验的命题，然后保留账户是否实现它的证据。这个标准比塞满无法经受合约和执行分析的表面机会的仪表盘更有用。

相关指南与演算示例

• Kalshi 自动对冲机器人：先映射敞口 — 研究对冲如何仍留下未解决的基差、结算和执行敞口。
• Kalshi 赔率套利机器人：比较同类条件 — 区分表面赔率差异与可执行、规则匹配的机会。