核心用法
Kalshalyst 是一套完整的预测市场智能交易系统，专为 Kalshi 平台设计。其核心工作流包含五个阶段：FETCH（市场发现）→ CLASSIFY（分类）→ ESTIMATE（逆向概率估计）→ EDGE（边缘计算）→ ALERT（预警）。
逆向估计模式是本系统的关键创新：不同于传统"盲估"（看不到市场价格，导致估计趋同于共识），Kalshalyst 主动向 Claude 展示当前市场价格并要求其"找出错误理由"。这种设计迫使模型挖掘市场遗漏的信息——如突发新闻、政治动态变化、时间错配、群体心理偏差等，从而产生具有真实边缘的方向性判断。
系统集成 Brier 分数追踪机制，持续校准估计准确性；采用 Kelly 准则进行仓位管理，支持分数 Kelly（默认 0.25 倍）以控制风险。用户可通过配置文件调整扫描频率、流动性门槛、边缘阈值等参数，支持定时任务部署（如每小时运行）。
显著优点
1. 真正的逆向信号：通过"找错"机制避免共识陷阱，实测可产生 15-35% 的有效边缘
2. 系统化风控：内置多重过滤（天气/体育/娱乐等噪声市场屏蔽）、Brier 校准反馈循环、Kelly 仓位上限
3. 生产级设计：支持 Claude 故障自动降级至本地 Qwen，零 API 密钥时提供演示模式，确保下游工具可用
4. 可验证性：完整的 SQLite 数据库记录每笔估计，支持按类别/估计器/信息密度的复盘分析
5. 生态集成：作为 OpenClaw 预测市场技术栈的核心组件，与 Market Morning Brief、Kalshi Command Center 等工具无缝协作
潜在缺点与局限性
- 成本敏感性：依赖 Claude Sonnet API，高频扫描会产生非零成本；建议与免费降级方案配合使用
- 分类模块当前禁用：原定本地 Qwen 分类功能因可靠性问题暂停，所有市场默认通过
- 延迟约束：扫描周期（默认 60 分钟）可能错过日内快速变化的机会
- 市场覆盖限制：主动屏蔽体育、天气、娱乐等类别，虽减少噪声但也可能遗漏垂直领域专家的机会
- 估计器偏差风险：Claude 可能在特定类别（如政治）表现出系统性过度自信，需通过 Brier 报告持续监控
适合人群
- 预测市场量化交易者，寻求系统化边缘发现工具
- 对 Kelly 准则、Brier 校准有基础理解的风险管理者
- 已具备 Kalshi API 访问权限的合规用户
- 希望构建自动化交易技术栈的开发者/交易者
常规风险
1. 模型幻觉：Claude 可能基于训练数据中的过时信息产生错误判断，需配合实时新闻源（Polygon）交叉验证
2. 流动性风险：即使发现定价偏差，低成交量市场（<50 合约）可能导致滑点侵蚀边缘
3. 过度拟合风险：用户可能基于短期 Brier 表现过度调整参数，建议至少 30 个已解决市场后再做类别级校准
4. API 依赖：Anthropic 或 Kalshi 服务中断将直接影响核心功能，建议配置降级路径
5. 监管不确定性：预测市场在美国部分司法管辖区存在合规灰色地带，用户需自行确认本地法规