标价 0.30 只赢了 24%:Kalshi 的赔率在最后十分钟变形

首页 / 海外深读 / 最后十分钟的赔率
读 arXiv 2607.14430

标价 0.30 只赢了 24%:Kalshi 的赔率在最后十分钟变形

「某事件 70%」这类标题,读的是一个合约价格。价格能不能当概率?这篇论文的答案是有条件的:要看你离结算还有多久,也要看这是单腿还是串关。它把两个条件都量化了。

事件合约校准串关到期时间Kalshi
读 arXiv 2607.14430
用一个具体场景开场:你在终场前十分钟看到一个 0.30 的合约,又在另一场比赛的串关里看到同样的 0.30。论文的数据说,前者平均只有 24% 的时间会赢,后者所在的串关市场,整体校准曲线比对角线低 2 到 10 个百分点。同一家公司、同一套撮合、同一个数字,读法却不一样。
论文
Prices, Probabilities, and Parlays: Systematic Bias in Sports Prediction Markets
作者
Niusha Moshrefi
出处
arXiv:2607.14430v1(cs.SI),2026-07-15 提交
主样本
Kalshi 独赢(moneyline)逐笔成交约 2,300 万笔:NBA 13,009,643、MLB 7,148,254、NHL 2,819,289;2026-03 至 2026-05
串关样本
从 153,173 笔中按三条过滤器保留 12,639 笔跨场串关(2 到 11 腿),2026-04-29 至 05-13
方法
按到期时间分五档,分档拟合幂律与 Platt 校准;串关以「腿价乘积」为独立基准,计算溢价比 R
本文处理
英文短引 5 处逐字摘自 arXiv HTML 版;标注「本站换算」处按原文中位数与每腿 2.9% 的拟合复利重算
边界
单一平台、三个北美联盟、两个半月样本;价格不含交易所费用,撮合结构与庄家制不同

01一笔串关的账:价格 0.30,命中率 24%

论文最扎眼的一组数字出现在串关校准曲线上:标价 0.30 的合约,实际赢的频率约 24%;标价 0.40 的约 30%。两条周度曲线都在对角线下方,价格越高,偏离越大——但偏离的形状是「整体下移」,不是「低端更差」。

A parlay priced at 0.30 wins on average about 24% of the time; one priced at 0.40, about 30%.原文
译文:标价 0.30 的串关平均约有 24% 的时间获胜;标价 0.40 的约为 30%。
注释:第 5.3 节的读图结论。注意这是串关层面,不是单腿层面——同一句在单腿中段并不成立,这也是论文的核心区分。

这不是「抽水高」这种模糊说法能解释的。论文把偏差拆成两层:单腿价格在生命周期的某些时段本身不校准;串关又在腿价乘积之上,加了一层与腿数相关的加价。要理解为什么「乘积」会错,得先看单腿价格到底在什么时点像概率。

02样本:2,300 万笔、三个联盟、十一周

数据是 Kalshi 的逐笔成交记录:合约标识、成交时间戳、成交价(美分)、成交数量,以及标的比赛结算后的二元结果。价格一律是成交价,交易所费用另收,不并入价格。

联盟成交笔数覆盖周数说明
NBA,13,009,643,11,常规赛独赢,样本最大MLB,7,148,254,7,窗口内开季,周数最短NHL,2,819,289,10,常规赛独赢合计,约 2,300 万,—,剔除取消与作废市场后

关键自变量不是价格,而是到期时间 TTE:从成交到市场收盘(体育盘口即终场)的分钟数。作者把它分成五档:[0,10)、[10,30)、[30,90)、[90,240)、[240,∞),分别用 5、20、60、165、360 分钟作为箱中点画图。这个划分近似对数等距,靠近结算处更密——因为那里的变化最快。

03比赛进行中:价格最像概率

在每个联盟、每个分箱里,作者分别拟合两种校准模型:幂律 C(p)=p^γ/(p^γ+(1−p)^γ),与 Platt 形式 C(p)=σ(a·logit(p)+b)。再对参数随 log TTE 的变化拟合二次曲线,AIC 与 BIC 都选了二次而非线性。

结果是 U 形:比赛中段的参数贴近 1(完美校准),两端偏离。终场前五分钟那一档,三个联盟的 γ̂ 落在 1.27 到 1.31,Platt 斜率 â 也升到 1.62 以上。γ>1 的含义是把极端价格进一步放大:高价合约的真实胜率比价格还高,低价合约的真实胜率比价格还低。

换句话说,「价格即概率」这句话在合约生命的中段最接近成立——这也解释了为什么整样本拟合会得出「大致校准」的结论:大量交易发生在中段,把两端的扭曲平均掉了。

First, calibration, the agreement between quoted prices and realized event frequencies, is not a static property of a contract: fitting calibration models within time-to-expiry buckets, we find that parameters sit at their perfect-calibration reference values in the middle of a contract’s life but depart sharply as expiry approaches.原文
译文:第一,校准——报价与已实现事件频率之间的一致程度——不是合约的静态属性:把校准模型拟合到按到期时间划分的各个区间后,我们发现参数在合约生命的中段处于完美校准的参考值,而在临近到期时急剧偏离。
注释:摘要第二句。它同时否定了两种常见做法:全样本拟合一条曲线,以及把某一次校准结果当成平台的固有属性。

04最后十分钟:曲线变成台阶

「台阶」的意思是:在某些价位附近,真实胜率发生跳变,而不是平滑地贴着对角线。用作者的话说,最后十分钟的经验校准曲线拟合出 Prelec 形式,且曲率参数显著大于 1——与经典彩票选择的拟合方向相反。

他们给出的行为解释是保险需求:持有亏损头寸的人在临近结算时,面对越来越凸的损失,会去买对手方向当保险,愿意付保费。这也解释了为什么偏离在最后一周达到峰值,而在开盘时并不存在。原文也明确说,数据无法完全排除其它解释。

对做市的意义很直接:终场前十分钟如果仍按「价格=概率」报价,你会系统性地把保险卖便宜。可操作的修正是条件化——按 TTE 分桶重估曲线,而不是全样本拟合一条。

本站换算:若某档的偏差是固定的 6 个百分点,在 0.30 买入而真实胜率 0.24,长期回报率是 0.24/0.30=0.80,即每下注 100 元期望回 80 元。这不是抽水,是定价方向错了——抽水只会让每条腿都少一点,而这里错的是形状。

05更奇怪的一层:每条腿都对,乘积却错

串关部分的方法很干净。对每笔串关成交,取每条腿在同一时刻(前后 300 秒内)最近的成交价,算出独立乘积 P_ind=∏p_j,再用实际成交价 P_exec 除以它,得到溢价比 R。R=1 表示与「价格=概率 + 腿间独立」完全一致。

样本从 153,173 笔缩到 12,639 笔,靠三个过滤器:所有腿的到期时间都在 30 到 240 分钟之间(这一段单腿校准基本完美,排除腿级扭曲的传导);只保留跨场串关(避免同场相关性溢价);每条腿都能在 300 秒内匹配到成交价。

腿数中位溢价比 R按 1/R 折算的期望回报读法
2,0.991,+0.9%,与乘积一致,略偏低3,0.995,+0.5%,噪声范围内4,0.999,+0.1%,几乎正好5,1.01,−1.0%,开始出现加价8,1.07,−6.5%,单调上升10,1.22,−18.0%,高腿数明显11,1.31,−23.7%,上限附近,样本 <70 笔

三件事值得单独记:低腿数(2 到 4)的中位溢价比贴着 1,说明这类串关没有被系统性加价;从 5 腿开始单调上升;高腿数的离散度暴涨,均值被右尾拉走,所以作者坚持用中位数而不是均值。

First, at low leg counts (n∈{2,3,4}), the median overpricing ratio sits essentially at one—0.991, 0.995, 0.999—and parlay prices are consistent with the independence-product.原文
译文:第一,在低腿数(n 属于 2、3、4)时,中位溢价倍数基本等于 1——分别是 0.991、0.995、0.999——串关价格与独立乘积一致。
注释:第 5.2 节。这句是后面论证的支点:既然低腿数没有加价,加价就不是「串关本身有风险溢价」这种通用解释,而是随腿数增长的结构性加价。

作者进一步对中位数拟合 log R = β0 + β1·n,得到 β1≈0.029(R²≈0.94),即每多一条腿,中位溢价乘以约 1.029。这是一个几乎完美的指数关系,也是全篇最可操作的发现。

06复算:把 1.31 倍换成期望值

溢价比本身不好读。换成一个赌客能用的数:如果腿价是校准的(真实概率等于腿价),n 腿串关的真实命中率就是腿价乘积,而你付出的价格是 R 倍的乘积,于是每 1 元的期望回报就是 1/R。

EV = P_true / P_exec − 1 = 1/R − 1 R=1.07 → −6.5% R=1.22 → −18.0% R=1.31 → −23.7%本站换算。前提是腿价校准且腿间独立,两者都是原文的基准假设;任一不成立时,这个数要打折。

再做一次自检:若每腿乘 1.029 是常数,11 腿应是 1.029^11=1.370,而观测中位是 1.31。差距说明这个指数拟合在高端略微高估,或者高腿数样本(N<70)被尾部影响。作者的结论是「趋势成立、单点谨慎」,我同意——把 1.31 当量级,不要当常数。

还有一层要分清:这里的加价是「相对乘积」,不是「相对真实概率」。如果腿价本身在高价端偏乐观,串关的真实期望会比 1/R 更差;反之在低价端可能略好。所以 1/R 是一个上界性质的估计,不是精确的期望值。

07用法:把「价格」当概率之前先问三件事

  • 剩余时间是多少?比赛中段的单腿价格可以近似当概率,最后十分钟不行——那一段的曲线是台阶,不是对角线。
  • 这是单腿还是串关?串关要在乘积之上加价,腿数越多加得越多;5 腿是分界,10 腿以上量级完全不同。
  • 加价是固定的还是随价格变?原文的串关偏差是「大致均匀下移」,像固定加价,而不是随价格变化的概率加权——这决定了它可以用乘法修正,而不必重拟合整条曲线。

对读者最实际的用法:看到「某事件 70%」这类标题,先问剩余时间与产品形态。中段的单腿 70%,可以当七成用;终场前十分钟的 70%,以及 10 腿串关里的 70%,都不能。这不是说市场无效,而是说「价格」这个词在这三种场景里指的不是同一个东西。

边界也要说清:样本只有三个北美联盟、两个半月、一个平台;Kalshi 是 CFTC 监管的事件合约交易所,撮合与费用结构不同于传统庄家制博彩公司,同场串关的相关性溢价也不在这篇的结论里。论文自己说两类偏离「系统性且允许计算修正」,但修正系数是样本内估计,跨平台迁移必须重估。

08延伸阅读

资料来源与核对方式
· arXiv:2607.14430v1(cs.SI),Niusha Moshrefi,Prices, Probabilities, and Parlays: Systematic Bias in Sports Prediction Markets,https://arxiv.org/abs/2607.14430v1 ,2026-07-15 提交。
· 同上,摘要与第 1 节(两大平台 2026 年 4 月累计成交超 1500 亿美元)、第 3 节(样本与 TTE 分档)、第 4 节(幂律与 Platt 分档拟合、Prelec 形式)、第 5.2–5.3 节(串关溢价比与校准曲线)、第 5.4 节(三种解释的排除)。
· 本站换算:期望回报 1/R−1 按原文中位 R 计算;每腿 1.029 的复利自检(1.029^11=1.370)为按原文 β1≈0.029 的算术推演。
· 原文声明价格不含交易所费用,且结论限于三个北美联盟、单一平台与两个半月窗口。
访问日期:2026-11-01。文中英文短引均逐字摘自所列公开原文,译文与注释为本站所加;凡标注「本站复算」「本站换算」「本站逐箱复算」处,均为按公开公式或公开口径所做的算术推导,不是原作者结论。原文版权归原作者与发布方所有,本页为摘译与独立分析,不构成投资建议。

常见问题

这篇论文说的「校准」到底是什么意思?

校准指报价与真实频率的一致:标价 p 的合约,长期赢得比例应为 p。论文估计的是条件校准函数 C(p)=E[Y|P=p],并在不同的到期时间分箱里分别拟合,所以能看出「校准本身随时间变化」。

为什么串关的加价要用「腿价乘积」做基准?

因为若腿价等于概率、腿间独立,n 腿串关的公平价就是乘积。作者只保留跨场串关、且所有腿处在单腿校准良好的时段,就是为了让这两个假设尽量成立,从而把偏差归到串关定价环节。

1/R−1 能直接当期望亏损吗?

只有在腿价校准、腿间独立时才严格成立,本文的 −6.5%/−18.0%/−23.7% 都是在这个前提下算的。若腿价本身有偏,真实期望会更差或更好,应把它当成量级参考。

最后十分钟的偏差是「错误定价」还是「风险溢价」?

论文倾向保险需求的解释:持有亏损头寸的人愿意付保费买对手方向,导致价格偏离概率。原文也承认无法完全排除其它解释,所以更稳妥的说法是「可预测的条件偏差」,而不是「必然被纠正的错误」。

本文为公开论文的摘译与独立换算,不构成投注或投资建议;所有换算均标注前提,样本结论不可直接外推到其它平台。 最后更新:2026-11-01。

安装 App