核心用法
Kalshalyst 是一套完整的预测市场智能交易系统，采用五阶段流水线架构（FETCH→CLASSIFY→ESTIMATE→EDGE→ALERT），专为 Kalshi 平台设计。系统通过逆向估计模式——向 Claude 展示市场价格并主动寻找其错误原因——生成具有实际交易价值的方向性观点，而非跟随共识的无效估计。
关键功能：
- 自动市场筛选：基于区块列表过滤天气、盘中指数、娱乐等噪声市场，保留政治、经济、加密等可分析类别
- Claude 逆向估计：核心 IP，要求模型识别市场遗漏信息（突发新闻、群体心理偏差、基准率忽视）
- Kelly 准则仓位 sizing：采用 0.25 分数 Kelly 模型，结合置信度平方惩罚，控制单次风险
- Brier 分数追踪：建立 SQLite 数据库记录每次估计，按类别/估计器计算校准度，识别系统性偏差
显著优点：
- 与盲目估计相比，逆向模式可产生 15-35% 的有效边差（edge）
- 完整的闭环反馈：估计→交易→结算→校准，持续优化信号质量
- 多层防御机制：流动性门槛、时间窗口限制、硬编码仓位上限
- 与 OpenClaw 生态深度集成，支持 Market Morning Brief、Kalshi Command Center 等下游技能
潜在缺点与局限：
- 成本结构：Claude API 调用为变量成本，高频扫描会产生非零费用；Qwen 本地回退质量显著低于 Claude
- 单点依赖：核心估计质量完全取决于 Claude 的提示工程，模型更新可能导致行为漂移
- 市场覆盖盲区：主动过滤掉体育、天气等 80% 的市场，可能错过特定领域的 alpha
- 执行延迟：从信号生成到实际成交存在时间差，高流动性市场可能快速修正错误定价
- resolution 周期长：Brier 校准需要等待市场结算（数月甚至年），短期难以验证估计质量
适合人群：
- 具有基础量化背景的预测市场交易者
- 希望建立系统化、可回测交易流程的用户
- 已配置 Kalshi API 并愿意承担 Claude API 成本的严肃玩家
- 能够理解和调整 Kelly 参数、容忍分数 Kelly 保守仓位的风险管理者
常规风险：
- 过度拟合提示：逆向提示可能过度适应近期市场模式
- 流动性风险：Kalshi 部分市场深度不足，大额 Kelly 建议无法执行
- 模型置信幻觉：Claude 的 "confidence" 字段为自报告，可能与实际校准度脱节
- API 密钥安全：需妥善保管 Kalshi 私钥文件和 Anthropic API key
- 监管不确定性：预测市场法律地位因司法管辖区而异