在预测市场领域，Polymarket 以其独特的 CLOB（中央限价订单簿）机制和极低的 maker 手续费著称。对于希望构建自动化交易系统的开发者而言，理解其 API 架构并设计针对性的交易策略，是一个兼具技术挑战与商业价值的工程目标。本文聚焦于一个具体的工程需求：构建一个能够自动过滤非体育市场、并持续买入 No 合约的机器人，从 API 集成、信号逻辑、订单执行到风险控制给出完整的实现路径。
Polymarket API 核心端点与认证机制
在动手编写任何交易逻辑之前，开发者必须先熟悉 Polymarket 提供的 API 能力。该平台提供两类核心接口：市场数据接口和交易接口。市场数据接口允许程序化获取任意市场的 Yes/No 价格、成交量、订单簿深度以及市场元数据（包括市场描述、结束时间、结算状态等）。交易接口则支持创建订单、查询持仓、取消订单以及获取账户余额等操作。
认证流程采用 API Key 机制，开发者需要在 Polymarket 开发者后台生成一对公私钥，并在请求头中附加签名信息。值得注意的是，Polymarket 对 maker（挂单方）实行零手续费政策，且部分情况下还能获得返佣，这为做市策略提供了天然的成本优势。对于希望持续买入 No 合约的机器人而言，这意味着可以在订单簿的卖方一侧挂出限价单，以较优的价格成交并降低交易成本。
在实际工程中，建议将 API 调用封装为独立的客户端模块，统一处理签名、请求重试和错误日志。一种常见的做法是使用 Python 的 requests 库配合 HMAC-SHA256 签名算法，每次请求前动态生成带时间戳的签名，并在响应中检查是否需要刷新 token。
非体育市场的分类与过滤策略
Polymarket 平台上的市场种类繁多，涵盖体育赛事、政治事件、加密货币走向、股市预测、娱乐新闻甚至社会实验等多个垂直领域。一个高效的自动化机器人不可能也不应该对所有市场 “一视同仁”，必须引入过滤机制来筛选目标市场。本文的工程目标聚焦于 “非体育市场”，这背后有两条核心逻辑：其一，体育市场的赔率往往由专业机构定价，信息效率高，难以通过简单策略获取超额收益；其二，政治与加密类市场存在更大的定价偏差空间，为 No 合约策略提供了更充足的预期收益。
实现过滤的技术路径主要有两种。第一种是基于市场元数据的标签过滤。Polymarket API 在返回市场列表时，会附带 category 或 group_id 等字段，这些字段可以帮助程序快速识别市场所属领域。通过在代码中维护一个排除列表（如 "sports_basketball"、"sports_football"），可以在获取市场列表后立即过滤掉体育类目。第二种更为精细的过滤方式是基于关键词的描述分析。部分市场虽然标记为非体育，但其描述中仍可能包含体育相关词汇，此时可以结合正则表达式或轻量级的 NLP 模型（如基于 BERT 的零样本分类器）对市场标题和描述进行二次判断。
工程实现上，建议采用分层过滤架构：第一层使用 API 原生标签进行粗筛，第二层通过关键词匹配进行精筛，第三层可选择性地引入人工审核队列，对模型判断为高价值的候选市场进行确认。这种分层设计既保证了过滤效率，又为策略迭代保留了灵活性。
No 合约的定价逻辑与信号生成
在 Polymarket 的二元合约机制中，Yes 和 No 合约的价格之和始终等于 1 美元。具体而言，如果某个事件发生的隐含概率为 P，则 Yes 合约的价格约为 P，No 合约的价格约为 1-P。理解这一数学关系是设计 No 合约策略的基础。
持续买入 No 合约的动机可以从两个维度解释。第一，从套利角度看，当市场对某一事件的概率预估偏高时，No 合约的定价会相应偏低，此时买入 No 合约相当于以低于实际概率的价格做空该事件。第二，从做市角度看，机器人可以在 No 合约的卖方一侧挂单，为市场提供流动性并赚取价差收益。由于 Polymarket 对 maker 的友好政策，后者是更可持续的盈利模式。
信号生成的核心逻辑可以简化为：如果目标市场的 No 价格高于预设阈值（例如 0.6），且订单簿深度充足，则触发买入信号。更进阶的做法是计算 No 合约的 “真实隐含概率”，即结合成交量加权价格与订单簿买卖价差后得出的调整后概率，然后与市场当前的报价进行对比。当调整后概率显著高于当前报价时，说明 No 合约被低估，此时买入具备统计优势。
在实现信号模块时，建议将价格数据抽象为 OHLCV（开盘、最高、最低、收盘、成交量）格式，并在此基础上计算移动平均、相对强弱指标等技术指标。这些指标可以作为辅助信号，帮助机器人判断当前价格是否存在回归均值的机会。
订单执行与仓位管理
信号生成之后，机器人需要将交易意图转化为具体的 API 订单。Polymarket 支持 LIMIT（限价）和 MARKET（市价）两种订单类型。对于追求稳定执行的 No 合约策略，限价单是首选，因为其允许机器人以预设价格挂出订单，在价格触及目标位时成交，从而获得更优的执行价格。
订单执行模块需要处理几个关键工程问题。首先是订单的生命周期管理：限价单可能在很长时间内未被成交，此时需要设计超时机制，定期撤销未成交订单并重新以新价格挂出。其次是部分成交的处理：当订单簿深度不足时，机器人可能只获得部分仓位，需要在代码中维护一个待成交队列，持续追踪并补充剩余头寸。第三是并发控制：如果同时监控数十个市场，建议使用异步框架（如 Python 的 asyncio）并发发送订单请求，避免因串行执行而错失交易窗口。
仓位管理是风险控制的核心环节。常用的方法包括固定比例仓位法和改进版 Kelly 准则。固定比例仓位法要求每个市场的仓位不超过账户总权益的某个固定比例（例如 2%），这种方法简单直观，适合初学者。改进版 Kelly 准则则在计算仓位时考虑胜率和赔率，但需要将仓位上限控制在 Kelly 建议值的 25% 以内，以应对实际交易中的估计误差。无论采用哪种方法，机器人都必须在每次开仓前检查当前总敞口是否超过预设的风险上限（如账户权益的 20%），并在达到上限时停止开新仓。
风险监控与策略迭代
任何自动化交易系统都离不开实时的风险监控。建议为机器人部署一套监控仪表盘，实时展示以下核心指标：当前总持仓价值、浮动盈亏、未成交订单数量、平均成交价格与当前价格的偏离幅度。这些指标可以通过定时轮询 API 获取并写入时序数据库，再由 Grafana 等可视化工具展示。
在策略迭代方面，建议采用 A/B 测试的思路：保留两个独立的策略实例，一个运行生产策略，另一个运行候选策略，通过对比两者在相同市场环境下的表现来决定是否升级候选策略。此外，定期导出交易日志并进行回溯分析，能够帮助发现策略的盲点。例如，如果机器人连续在某个特定类型的市场上亏损，则可能需要调整该类市场的过滤参数或仓位上限。
构建一个能够过滤非体育市场并持续买入 No 合约的 Polymarket 机器人，本质上是一个系统工程，涉及 API 集成、市场过滤、信号生成、订单执行和风险控制等多个模块。核心工程要点包括：利用 Polymarket 的 CLOB API 获取实时市场数据，通过分层过滤架构筛选目标市场，基于隐含概率偏差生成 No 合约交易信号，采用限价单与异步并发机制执行订单，并以固定比例或改进版 Kelly 准则管理仓位。在实践过程中，持续的风险监控与策略迭代是维持长期盈利能力的关键。
资料来源：Polymarket 官方 API 文档与开发者快速入门指南1。