我再怎麼強調 AI 進步對預測市場帶來的助力都不為過。 歷史上，合約和選擇權的流動性一直遠高於預測市場，因為對它們進行定價並提供德爾塔值中性流動性要容易得多。 在任何流動性充足的平台上，僅透過對沖資產風險來執行做市策略，是極其簡單的。畢竟，ETH 或 BTC 的流動性來源有數百個。 但要為 NVDA 芯片的租賃成本等項目執行德爾塔值中性策略，難度卻高出數個數量級。 這正是大多數預測市場的流動性來自於那些建模特定合約結果、並在他們認為價格應處位置提供流動性的 LP 和交易員的原因。 過去，建模這部分對最活躍、性能最強的高頻交易團隊來說都過於耗資源。 但現在，過去需要大量工程資源從零構建自訂機器學習演算法的任務，如今僅需將多個數據 API 連接到運行前沿模型的策略中即可輕鬆完成。 隨著 Jev 等新創新出現，這些策略在規模化上變得越來越可行。 這正是 Trueo 的優先關注領域。 我經常聽到，只要我們能解決平台上的流動性問題，就有機會直接與 Poly 和 Kalshi 競爭。 我所要說的是，這個目標從未如此可實現。 我們很快就會證明這一點。
