核心定位
Kalshalyst是一套完整的预测市场智能交易系统，专为Kalshi平台设计，通过逆向估计引擎识别市场错配定价。其核心价值在于打破传统"盲猜"模式，主动让Claude Sonnet看到市场价格并寻找其错误理由，从而产生具有真实边界的交易信号。
核心用法
五阶段流水线自动化运行：
1. FETCH — 抓取Kalshi市场并过滤垃圾标的（天气、娱乐、体育、微时段合约）
2. CLASSIFY — 市场分类（当前禁用Qwen备用）
3. ESTIMATE — Claude逆向概率估计（核心IP），展示价格并要求其提出反对理由
4. EDGE — 计算有效边界（|估计概率-市场价格|-摩擦成本）
5. ALERT — 推送高边界机会并写入研究缓存
关键配置参数：最小边界3%、最小置信度0.4、警报阈值6%、Kelly仓位α=0.25。
显著优点
- 逆向估计机制：与盲猜模式相比，主动展示价格迫使Claude提出方向性观点，实测可产生15-30%的有效边界
- 系统化风险管理：Kelly准则动态仓位+硬上限防御，避免单次爆仓
- 校准追踪闭环：Brier分数数据库持续评估Claude vs Qwen、分品类校准度，识别系统性偏差
- 生产级过滤体系：80/20法则精准切除天气/体育/微时段噪音，聚焦政策/加密/宏观可分析标的
- 零成本回测基础设施：SQLite记录全部估计，支持事后校准分析
潜在局限
- Claude API成本：50-80次调用/运行，高频扫描产生持续支出；Qwen备用质量显著下降
- 边界信号衰减：逆向提示可能被市场学习，需持续迭代提示工程
- 流动性约束：Kalshi部分标的存在价宽、滑点，限价单假设可能不成立
- 体育/娱乐排除：明确放弃高频交易品类，限制机会集
- 置信度校准挑战：低置信度估计的平方惩罚可能过度保守
适合人群
- 有Python基础、能接受API成本的量化交易者
- 熟悉预测市场机制、理解概率校准概念的用户
- 追求系统化边缘而非主观判断的纪律型交易员
- 愿意投入时间迭代提示和区块列表的积极维护者
常规风险
| 风险类型 | 具体表现 | 缓解机制 |
|---------|---------|---------|
| 模型幻觉 | Claude虚构新闻或高估边界 | Brier追踪+置信度阈值+人工复核 |
| 过拟合提示 | 逆向提示在特定市场失效 | 分品类校准报告+周期性提示重训 |
| 执行滑点 | 限价单无法成交 | 流动性过滤（最小成交量50）+ 边界缓冲 |
| 资金集中度 | Kelly全仓在连亏时回撤大 | 1/4 Kelly+100合约/25美元硬上限 |
| API密钥泄露 | 密钥硬编码或日志泄露 | 环境变量隔离+定期轮换 |
技术栈生态位
作为OpenClaw预测市场套件的核心情报引擎，向上游输出边界数据至Market Morning Brief，向下游对接Kalshi Command Center执行交易，形成完整的"扫描-决策-执行-监控"闭环。