核心用法
Kalshalyst 是一个五阶段预测市场智能扫描系统，专为 Kalshi 平台设计，通过反向模式（Contrarian Mode）发现市场定价错误。区别于传统"盲估"（不看价格产生共识估计），该系统向 Claude 展示当前市场价格并强制其寻找市场错在哪——产生具有真实边缘的方向性交易信号。
五阶段流水线：
1. FETCH — 获取 Kalshi 市场数据，应用多维度黑名单过滤（天气、日内指数、娱乐、体育、微时间框架等噪音）
2. CLASSIFY — 市场分类（当前禁用，默认通过）
3. ESTIMATE — Claude 反向概率估计，结合 Polygon 新闻、宏观指标、流动性数据生成概率判断
4. EDGE — 计算边缘（|估计概率 - 市场价格|），过滤低于 3% 边缘的机会
5. ALERT — 缓存结果并推送高边缘（≥6%）机会
关键创新：
- Brier 分数追踪：SQLite 数据库存储所有估计，自动比对实际结果，计算校准度（0=完美，0.25=随机基线），支持按类别（政治/加密/政策）和估计器（Claude/Qwen）细分
- Kelly 仓位管理：采用分数 Kelly（α=0.25）结合置信度平方惩罚，自动计算最优合约数量，硬上限防御（单交易≤100 合约/$25，组合≤$100）
- Qwen 降级：Claude 连续 3 次失败后自动切换本地 Ollama/Qwen 盲估模式
显著优点
- 真实的信号提取：反向模式强制产生方向性观点，避免"50% 对 50%"的无价值共识
- 系统化风险控制：多层黑名单过滤掉 80% 噪音市场，聚焦可分析机会；Kelly sizing 防止过度押注
- 可验证的 track record：Brier 数据库支持长期校准分析，识别系统性高估/低估的类别
- 生态集成：作为 OpenClaw 预测市场交易栈的核心，自动向 Market Morning Brief 推送边缘数据，与 Kalshi Command Center 联动执行
潜在缺点与局限性
- Claude 成本敏感：完整扫描 50-80 次 API 调用，高频运行产生非零成本；无免费层
- Qwen 可靠性问题：分类阶段已禁用，盲估质量显著低于 Claude 反向模式
- 延迟性边缘：依赖新闻/宏观数据，对突发事件的反应速度受 Polygon 更新频率限制
- Kalshi 流动性限制：小交易量市场（<50 合约）已被过滤，但即使通过的市场也可能存在执行滑点
- Kelly 参数主观：α=0.25 和置信度指数 2.0 为经验值，未针对不同用户风险偏好个性化
适合人群
- 预测市场量化交易者，寻求系统化边缘发现工具
- 有 Python 环境配置能力，能接受 API 成本的用户
- 愿意建立交易日志并基于 Brier 报告迭代策略的中长期玩家
- 已在 Kalshi 有账户，理解二元期权市场机制的投资者
常规风险
- 模型幻觉风险：Claude 可能基于训练数据产生虚假"逻辑"，尤其在冷门政治/政策市场
- 过拟合风险：基于历史 Brier 调整提示可能导致对过去数据过度优化
- API 密钥安全：需存储 Kalshi 私钥、Anthropic key 于本地，存在配置泄露风险
- 执行分离风险：扫描与交易分属不同技能，高边缘信号可能因延迟错过最佳入场
- 监管不确定性：预测市场监管框架仍在演变，Kalshi 仅限美国合格参与者