Kalshalyst 综合性评估
核心用法
Kalshalyst 是一个完整的预测市场套利情报系统，专为 Kalshi 平台设计。它采用五阶段流水线运作：FETCH（获取市场）→ CLASSIFY（分类）→ ESTIMATE（估计）→ EDGE（计算边缘）→ ALERT（预警）。核心创新在于「Contrarian Mode」——让 Claude Sonnet 在看到市场价格的前提下，主动寻找市场定价错误的理由，而非盲目预测。
系统会过滤掉低质量市场（天气、日内波动、体育、微时间框架等），对剩余市场进行概率估计，计算与市场价格的偏离度（edge），并使用 Kelly Criterion 进行头寸规模管理。所有估计都会被记录到 SQLite 数据库，用于后续 Brier Score 校准分析。
显著优点
1. 真实的量化框架：集成 Brier Score 追踪和 Kelly Criterion，不是「感觉交易」而是系统化套利
2. Contrarian 估计模式：展示价格并要求 AI 反对，产生有方向性的交易信号而非共识确认
3. 多层防御机制：blocklist 过滤、流动性门槛、信心阈值、头寸上限等多重风险控制
4. 可验证的反馈循环：历史估计与实际结果对比，持续校准模型可靠性
5. OpenClaw 生态集成：与交易执行、组合监控、晨间简报等技能联动
潜在缺点与局限性
1. Claude API 成本：每次扫描 50-80 次 API 调用，高频运行成本不可忽视
2. 估计质量依赖提示工程：Contrarian prompt 需要精细调优，否则可能产生虚假信号
3. 市场容量限制：Kalshi 流动性有限，大额 Kelly 建议可能无法执行
4. 分类系统暂不可用：Qwen fallback 被标记为 unreliable，所有市场使用默认分类
5. 延迟风险：基于新闻的 edge 可能在扫描间隔内被消化
适合人群
- 有 Python 基础、熟悉预测市场机制的交易者
- 追求系统化、可量化边缘的套利者，而非主观判断投资者
- 能承受 API 成本、愿意持续迭代提示和参数的活跃用户
常规风险
- 模型幻觉：Claude 可能基于训练数据而非实时信息产生错误信心
- 过度拟合：Brier 历史表现不一定预测未来，特别是在市场结构变化时
- 执行滑点：Kelly 建议的头寸可能超出市场深度
- API 失效风险：Claude 或 Kalshi API 中断会导致信号缺失或交易失败
- 监管不确定性：预测市场监管环境变化可能影响平台可用性