核心功能
Kalshalyst是一套完整的预测市场智能交易系统，专为Kalshi平台设计。其核心方法论是反向推理（Contrarian Estimation）：向Claude展示市场价格并要求其寻找错误理由，从而产生具有真实优势的交易信号。
五阶段流水线
1. FETCH：从Kalshi获取开放市场，应用多层过滤器（天气、日内波动、体育、娱乐等低信噪比类别）
2. CLASSIFY：市场分类（当前禁用Qwen本地模型）
3. ESTIMATE：Claude反向概率估计——关键创新点，提示词明确要求"找出市场遗漏的因素"
4. EDGE：计算有效优势，默认3%优势门槛
5. ALERT：缓存研究结果并推送高优势机会（默认6%阈值）
显著优点
- 方法论扎实：盲测估计（不看价格）产生共识性结果零优势；反向模式通过锚定效应激发Claude寻找被忽视信息
- 风险管理系统化：凯利公式仓位管理（默认1/4凯利+置信度平方惩罚），硬性上限约束（单笔$25/100合约）
- 反馈闭环：Brier分数追踪所有估计的校准度，按类别分析系统性偏差
- 信息密度评分：量化估计时的上下文丰富度（新闻/X信号/宏观指标/流动性）
局限性与风险
- API成本：Claude调用为主成本驱动，频繁扫描产生非零支出
- 模型依赖性：Claude可用性决定信号质量，回退至Qwen时估计质量显著下降
- 延迟敏感：24-48小时新闻窗口是关键优势来源，自动化延迟可能侵蚀边缘
- 流动性约束：Kalshi免费层级有持仓限制，大资金无法规模化
- 类别盲区：体育领域经评估后明确排除，因未显示持久模型优势
适合人群
- 有Python基础、能理解凯利公式和Brier分数的量化散户
- 愿意承担API成本换取系统化预测市场边缘的用户
- 已有Kalshi账户且熟悉限价单执行的活跃交易者
- 希望建立可迭代、可测量的预测市场交易系统的进阶玩家
常规风险
| 风险类型 | 说明 |
|---------|------|
| 模型幻觉 | Claude可能生成似是而非的推理，需人工复核关键交易 |
| 过度拟合 | Brier追踪可能诱导历史绩效驱动的过度优化 |
| 执行滑点 | 限价单假设可能因市场流动性不足而失效 |
| 平台风险 | Kalshi监管状态、API变更或市场清盘影响 |
| 相关性盲区 | 多持仓可能暴露于共同宏观因子（政治周期、美联储等） |
技术架构亮点
- 模块化设计：各阶段可独立运行，便于调试和回测
- 双重缓存系统：
.kalshi_research_cache.json供技能间共享，state/kalshalyst_results.json供深度分析 - SQLite持久化：估计与 resolution 完整可追溯
- OpenClaw生态集成：与执行层（Kalshi Command Center）、监控层（Portfolio Drift Monitor）、简报层（Market Morning Brief）无缝衔接