作者：@clairegu1，哈勃人工智能
Polymarket 上不乏單筆盈利 10 萬美元的「神級」地址。但面對數十萬個賬戶，一個核心問題始終困擾著參與者：這是可複製的 Alpha，還是不可持續的運氣？
現有的排行榜存在嚴重的盲點：它只展示短期結果，卻無法揭示策略的穩定性。為了剝離運氣成分，我們避開了簡單的榜單，直接分析了鏈上 9 萬個活躍地址、200 萬條已結算交易。
在剔除浮盈的干擾後，我們發現了預測市場中殘酷卻真實的四個「反直覺」規律，並重新定義了跟單的篩選標準。
太長不看
中頻效率陷阱：交易最活躍的散戶群體（中頻），雖然勝率全網最高，但受制於資金效率與缺乏系統性優勢，實際收益的中位數趨近於零。
確定性陷阱：賭注高概率事件（>0.8）面對極度不對稱的風險回報比（勝則微利，敗則歸零），長期期望值為負。
黃金賠率區間：真正的 Alpha 高度集中在 0.2 - 0.4 的價格區間。這是市場分歧最大、也是盈虧比（Odds）最優的區域。
專注度溢價：數據證明「萬能型」交易者難以生存。專注於少數賽道的垂直領域專家，其平均收益是分散型交易者的 4 倍。
發現一：中頻交易風險最高
我們根據交易次數將地址分為三個層級：
低頻交易 (Low): 日均 ~0.35 次 | 勝率 ~40%
中頻交易 (Mid): 日均 ~3.67 次 | 勝率 ~43%
高頻/超高頻 (High/Ultra): 日均 >14 筆 | 勝率 ~21-26%
從表面數據看，中頻交易者似乎是市場的佼佼者：獲勝率最高，高達約43%；虧損賬戶佔比最低，虧損比率僅為50.3%，遠低於高頻組的77.1%。
這給人一種錯覺：只要每天保持 3 至 4 次適度交易，就能穩定獲利。
然而，當我們引入PnL（盈虧）數據時，真相便浮出水面：
中位數盈虧（Median PnL）：中頻組的數值為 0.001，幾乎等於零。
這意味著什麼？這意味著對大多數中頻交易者而言，儘管你每天都在研究、下注、看似勝多敗少，但你的賬戶淨值仍然原地踏步。
相比之下，高頻（High）和超高頻（Ultra）雖然中位數虧損（-0.30 和 -1.76），但其平均盈虧（Mean PnL）卻被極少數頭部地址拉高至 +922 甚至 +2717。這說明高頻領域是「機器的戰場」——依靠低勝率、高盈虧比和系統化策略（如做市、套利）生存，這是一般人無法複製的模式。
深度歸因：為什麼中頻會陷入「平庸陷阱」？
缺乏系統性 Alpha，淪為「拋硬幣」玩家：中頻交易者多為活躍的散戶。~43% 的勝率和接近 0 的中位數收益表明，這一群體的整體表現接近於隨機漫步（Random Walk）。他們憑藉直覺或碎片化資訊參與市場，雖然避免了像高頻機器人那樣因策略失效而大幅回撤，但也未能建立真正的護城河。他們是在反覆參與市場，而非從市場獲利。
倖存者偏差掩蓋了尾部風險：中頻交易者的平均 PnL (+915) 與中位 PnL (-0.001) 之間存在巨大差距。這說明中頻交易者群體內部分化極端。極少數擁有核心內幕或超強判斷力的「大拿」拉高了平均值，而多於 50% 的人其實只是在做無用功。
高頻學不了，低頻又不夠用：一般用戶無法模仿 High/Ultra 頻段的系統化高頻策略（技術門檻高、勝率低、心理壓力大），又不甘於 Low 頻段的極低出手率。因此，大量資金和精力都集中在 Mid 頻段，導致這個頻段成為最擁擠、內捲最嚴重、平庸者最多的「紅海」。
實戰啟示：數據告訴我們一個殘酷的真相：如果你只是讓自己成為一個「勤奮的中頻交易者」，最終結果很可能是白忙一場。真正的價值不在于模仿「中頻」的平均行為，而在于識別差異。
避坑：絕大多數中頻地址只不過是在做布朗運動，毫無跟單價值。
挖礦：真正的 Alpha 隱藏在中頻群體的右側尾部——那些在相同頻率下，跑贏了「歸零引力」的極少數人。
這正是我們所做跟單工具的核心價值：幫助你跳過「長期中頻但無優勢」的試錯階段，利用演算法直接從海量平庸的中頻分母中，鎖定那 1% 真正產生超額回報的 Alpha 地址。
發現二：「撿鋼镚」與「買彩票」最終將歸零
我們根據持倉價格對交易者的風險偏好進行分層，結果發現了一個殘酷的事實：無論是只購買「彩票」（0.9），長期來看都是輸家。
我們確定了三種典型的策略：
高確定性策略（Consensus Betting）：頭寸集中在價格 >0.9，專挑「幾乎鐵板釘釘」的事件。
高賠率策略（Long-shot Betting）：頭寸集中在價格小於 0.2，專注於賭小概率的冷門事件。
動態策略（Dynamic Strategy）：倉位分布均衡，不執著於極端賠率。
數據顯示了巨大的收益差距：
數據解讀：混合型策略的平均收益是高確定性策略的13倍。值得注意的是，所有組別的中位數收益均≤0。這意味著，即使在表現最好的混合型組別中，盈利也高度集中在頭部玩家手中，絕大多數人並沒有跑贏手續費。
1. 為什麼賭「確定性」會失效？
直覺上，買入 0.95 的「穩贏局」似乎風險極低。但從金融數學角度看，這其實是一筆非常糟糕的交易：
極度不對稱的下行風險（Asymmetric Downside）：以 0.95 進場，代表你以 1.0 的本金風險，去博取 0.05 的回報。一旦遇上一次黑天鵝事件（例如拜登突然退出競選，或某場比賽在最後一分鐘被逆轉），單一事件的歸零損失，你需要連續做對 19 次交易才能回本。在長期週期中，黑天鵝事件的發生概率往往高於 5%。
Alpha 枯竭（定價完成）：當價格上升至 0.9 以上時，市場共識已經形成。此時入場，本質上是為先知先覺者接盤，已經毫無資訊優勢可言。
2. 高賠率策略的「彩票陷阱」
賭注小於 0.2 的低概率事件同樣表現糟糕，原因在於：
高估偏差（Overestimation Bias）：散戶往往高估自己捕捉「冷門」的本事。在有效的預測市場中，價格通常已經包含了大部分隱含資訊。長期購買被市場正確定價的「彩票」，最終結果必然是本金被不斷磨損。
資金運用效率低：雖然每次獲利倍數高，但極低的勝算會導致資金長期處於回調狀態，難以形成複利效應。
實戰啟示 (Actionable Insight)：拒絕「一根筋」的交易者。在篩選跟單對象時，應避開那些持倉價格呈極端分佈（全紅或全綠）的地址。真正的 Alpha 玩家，其特徵在於策略的靈活性——他們既會在 0.3 的時候押注分歧，也會在 0.8 的時候止盈離場，而非機械地死守某一類賠率區間。
發現三：最佳風險區間位於0.2-0.4
我們按平均買入成本（Implied Probability）對地址進行分層，試圖尋找風險調整後回報最高的「甜蜜點」。
數據揭示了一個明顯的非線性收益分佈：真正的 Alpha 並不存在於兩極，而是集中在 0.2 - 0.4 的價格區間。
各價格區間表現對比：
深入分析：為何 0.2-0.4 最具盈利能力？
1. 捕捉「價格分歧」(Trading the Divergence)
買入價位處於 0.2-0.4，意味著市場共識認為該事件發生的機率僅為 20%-40%。
在這個區間持續盈利的交易者，本質上是在做「認知套利」。他們能識別出被大眾情緒低估的事件（例如市場過於悲觀，錯誤判斷了某位候選人反敗為勝的機會率）。與單純跟隨共識（買入 >0.8）相比，在分歧區下注一旦驗證成功，將可獲得 2.5 至 5 倍的爆發性回報。
2. 完美的「非對稱回報結構」(Asymmetric Risk/Reward)
在 >0.8 區間（確定性陷阱）：投資者面對的是「贏則微利，輸則歸零」的劣質賠率。正如數據所示，該區間的平均收益為負，勝率也僅為 19.5%（這意味著大部分在 >0.8 位置買入的人都最終死於黑天鵝事件）。
在 0.2-0.4 區間（Alpha 舒適區）： 這是一個具備「凸性（Convexity）」的區間。下行風險被鎖定（本金），而上行收益具備彈性。優秀的交易者在此區間透過高勝率（49.7%）和高賠率的雙重優勢，實現了收益最大化。
避開「彩票陷阱」（<0.2）：雖然極低價格區間的理論賠率最高，但數據顯示其表現遠不如 0.2-0.4 區間。這說明 <0.2 的事件往往才是真正的「垃圾時間」或純粹的噪音，過度博取極小概率事件缺乏統計上的正期望值。
實戰啟示 (Actionable Insight)：關注「分歧獵手」。在篩選跟單對象時，應優先鎖定平均買入價長期維持在 0.2 - 0.4 的交易者。這類數據特徵表明，該賬戶既不盲目追逐高風險的彩票，也不在低賠率的共識區「撿鋼镚」，而是專注於尋找市場定價失效的價值洼地。這才最值得複製的核心能力。
發現四：集中策略勝於分散策略
我們計算了每個地址的Focus Ratio（總交易次數 / 參與市場數），並將其分為兩類：
分散型策略：參與大量市場，每個市場交易次數較少
集中式策略：專注於少數市場，每個市場交易次數較多
結果顯示：
集中式策略的收益是分散式策略的四倍（$1,225 對 $306）。
值得注意的是，集中型策略的勝率反而更低（33.8% 對 41.3%）。
集中式策略在少數高回報機會中獲得了顯著收益。
解釋：
深入研究可創造優勢，專注研究少數市場，更容易發現市場定價偏差，從而在少數幾次交易中獲得超額收益。
勝率並非關鍵指標，重要的是獲利時的回報規模與虧損時的損失規模之比。集中型策略接受較低的勝率，以換取更高的單次回報。
分散策略的局限在於參與過多市場，導致對每個市場的研究深度不足，更容易受市場共識影響，難以發現真正的alpha。
類比：
正如巴非特所言：「分散投資是無知者的自保。」如果確有資訊優勢或判斷優勢，就應該專注於最有把握的少數機會。
跟單啟示：優先關注專注於特定類型市場的交易者（如特定體育聯賽、特定國家的政治事件等）。其專業化程度往往代表更深入的理解和更強的預測能力。
二、對跟單者的啟示：如何識別真正的「聰明錢」？
為了量化交易者的專業化程度，我們構建了 Focus Ratio（專注度係數）指標（Focus Ratio = 總交易次數 / 參與市場數），並將地址分為兩個截然不同的群組：
分散型策略（Generalists）： 廣泛參與大量市場，單一市場交易頻次低，試圖透過分散化降低風險。
集中型策略（專業經紀人）： 專注於少數市場，於單一市場反覆交易及加倉，表現出極強的「狙擊」特徵。
數據顯示了驚人的「專注度溢價」：策略類型 平均收益 (Avg PnL) 勝率 (Win Rate) 地址數量 分散型 (Generalists) $306 41.3% 68,016 集中型 (Specialists) $1,225 33.8% 22,458
數據解讀：集中型策略的平均回報是分散型策略的四倍。但同時出現了一個極具誤導性的現象：集中型策略的勝率（33.8%）反而明顯低於分散型策略（41.3%）。這揭示了預測市場中高階玩家真正的盈利邏輯。
深度歸因：為什麼「少即是多」？
1. 資訊不對稱建立護城河（資訊優勢）
預測市場本質上是一場資訊博弈。
分散式交易者試圖橫跨政治、體育、加密貨幣等多個領域，導致他們在任何單一市場上都只停留在「淺層認知」，容易成為被收割的「分母」。
而集中型交易者透過深入鑽研單一領域（例如只研究NBA球員數據或只追蹤美國搖擺州民調），建立了垂直領域的資訊優勢。這種深度足以讓他們發現市場定價的微小偏差。
2. 打破「勝率迷信」（The Win-Rate Fallacy）
數據顯示，高回報往往伴隨著相對較低的勝算。
這是因為集中型專家傾向於在高賠率／高分歧的時刻出手（例如在賠率 0.3 時買入），而不是去撿 >0.9 的「確定性鋼镚」。
分散型：經常小勝（高勝率），一次大敗（黑天鵝），最終收益平庸。
集中式：能夠忍受多次少量試錯（低勝率），換取幾次精準重倉帶來的爆發性回報（高盈虧比）。這屬於典型風險投資（VC）的邏輯，而非打工的邏輯。
3. 巴菲特邏輯在預測市場的驗證
正如巴非特所言：「分散投資是無知者的自保方法。」
在股票市場，分散投資是為了規避非系統性風險；但在預測市場這種零和博弈中，分散往往意味著注意力的稀釋。如果你確信自己擁有某種優勢（Edge），最佳策略並非廣撒網，而是集中火力猛攻最有把握的少數機會。
實戰啟示（Actionable Insight）：尋找「垂直賽道專家」。在跟單篩選中，高焦點比率（Focus Ratio）比高勝率更重要。
壞訊號：遠離那些什麼都買的「雜家」。
好信號：優先關注那些只在特定標籤（Tag）下活躍的賬戶。例如，一個只交易「美國大選」且收益曲線穩定的地址，其參考價值遠高於同時交易「NBA」和「比特幣」的地址。專業化程度，直接決定 Alpha 的純度。
三、從數據洞察到實戰工具
這份報告不僅僅是一次數據總結，也是我們構建Smart Copy-Trading系統的底層邏輯。
要在 Polymarket 上實現長期盈利，單靠人工篩選 9 萬個地址是不現實的。我們正將上述的獨家數據洞察，封裝成一套自動化的篩選與風控工具，解決跟單中三個最棘手的問題：
1. 智能過濾做市商噪音
現時公開榜中混入大量刷量做市商（MM）及套利機械人。跟單他們不但無法獲利，更可能因滑點而虧損。
解決方案：運用獨家的訂單簿分析（Orderbook Analysis）和交易特徵識別演算法，自動過濾系統化做市商，只為你鎖定那些真正依靠觀點獲利的主動型交易者。
2. 以「專注度」為基礎的垂直匹配
空泛的「盈利榜」意義不大，你更需要特定範疇的專家。
解決方案：基於焦點比率（Focus Ratio）和歷史行為，我們為地址加上高精準度的「能力標籤」（如美國大選、NBA體育賽事、Crypto鯨魚）。系統會根據你關注的領域，精準匹配該領域內具備資訊優勢的垂直專家。
3. 動態風格漂移監控（Style Drift Detection）
跟單最隱蔽的風險在於交易者的策略突然失效或行為突變。
解決方案：我們建立了一套實時風控模型。當一個長期穩定的地址突然偏離其歷史行為特徵（例如：由低頻專注轉為高頻廣撒網，或單筆風險敞口異常放大）時，系統將識別為異常信號並及時發出預警，幫助用戶規避回調風險。
結語及產品內部測試
預測市場是一場殘酷的零和博弈，9萬個地址的數據證明：長期贏家之所以能勝出，是因為他們極其克制：專注特定領域、尋找定價偏差。
報告中提及的所有核心指標（Focus Ratio、定價區間分析、做市商剔除）均已整合至 Hubble 的數據後台。我們構建這個工具的初衷非常簡單：以機構級的數據視野，取代盲目散戶的直覺。
內測申請：目前 Hubble 的 Polymarket 智能跟單工具正在進行小範圍灰度測試。如果你認同上述的數據分析邏輯，並希望體驗這款產品：
讚好/轉發 支持本內容；
在留言區留言「候補名單」；
我們會透過私訊發送內測邀請。希望這套以數據為基礎的篩選體系，能幫助你真正跑贏市場。
（數據說明：本研究基於 Polymarket 平台自推出以來已結算的交易數據，所有結論均來自 Hubble 獨家的鏈上 PnL 算法分析。本文作者：Hubble @clairegu1）