POLYMARKET.md — Polymarket 交易系统文档

维护人: Spark ⚡ | 最后更新: 2026-04-28

📅 变更日志

每日变更记录: [docs/daily/](docs/daily/) — 最新: [2026-05-04](docs/daily/2026-05-04.md)

Weather 天气合约

🔑 结算规则（最重要！）

权威数据源: Weather Underground (WU)

每个合约的 Rules 页面明确写明：

"The resolution source for this market will be information from Wunderground, specifically the highest temperature recorded for all times on this day..."

>

"To toggle between Fahrenheit and Celsius, click the gear icon next to the search bar and switch the Temperature setting between °F and °C."

>

"The resolution source for this market measures temperatures to whole degrees Celsius (eg, 9°C)."

结算数据获取方式：

WU 页面切换到 °C 模式后显示的整数就是结算值。技术实现上：

WU °C 值获取流程：

1. 从 WU history 页面的 app-root-state JSON 提取 calendarDayTemperatureMax[0]（°F 整数）

2. 转换：whole_c = round((°F - 32) × 5 / 9)

3. 这与 WU 页面切换到 °C 后显示的值完全一致（WU 前端用的是同样的 Math.round()）

ℹ️ 关于 TWC API units=m：

已验证的转换一致性：

⚠️ 例外城市 — 香港 (Hong Kong):

香港合约的结算源不是 WU，而是 Hong Kong Observatory (HKO)：

"The resolution source for this market will be information from the Hong Kong Observatory, specifically the 'Absolute Daily Max (deg. C)' the specified date once information is finalized in the relevant 'Daily Extract'."

香港实时数据采集（HKO Open Data API）：

多站预测模型 (hko_predict.py):

10个信号加权集成 (v2)，每10分钟更新：

动态权重调整：

输出：预测最高温 + 结算预测(整数°C) + 概率分布 + 置信度(HIGH/MEDIUM/LOW)

香港回测结果 (2026-03-08 ~ 2026-04-15, 39天):

注意：回测仅用日级数据（无当天多站实时数据），实盘有当日多站信号后准确率会更高。

⚠️ 绝对禁止用于结算的数据源：

其他数据源角色： 仅用于策略预测（概率估计、套利发现），不用于结算。

📊 覆盖城市 (18城)

🏗️ 系统架构

┌─────────────────────────────────────────────────────────────┐
│                    数据采集层                                 │
│  Open-Meteo │ WU │ HKO (39站) │ METAR │ 类比日 │ wttr.in     │
└───────────────┬─────────────────────────────────────────────┘
                ▼
┌─────────────────────────────────────────────────────────────┐
│                    概率估计层                                 │
│  高斯模型(30%) + 集成直方图(45%) + 贝叶斯更新(25%)            │
│  + 偏差修正(EMA) + 类比日预测 + 过峰检测                      │
└───────────────┬─────────────────────────────────────────────┘
                ▼
┌─────────────────────────────────────────────────────────────┐
│                    信号筛选层                                 │
│  Edge ≥ 5-8% │ EV ≥ 2x │ 入场价 ≤ $0.15 │ 死合约过滤       │
└───────────────┬─────────────────────────────────────────────┘
                ▼
┌─────────────────────────────────────────────────────────────┐
│                    LLM 审核层                                │
│  DeepSeek Chat 二次验证 │ confidence ≥ 0.4 → 通过            │
└───────────────┬─────────────────────────────────────────────┘
                ▼
┌─────────────────────────────────────────────────────────────┐
│                    执行层                                     │
│  Paper Trade ($1-3/笔) │ 微信通知 │ Dashboard 可视化          │
└─────────────────────────────────────────────────────────────┘

📈 数据源详解

🧮 概率模型

三模型集成

类比日预测（Analog Forecast）

用历史天气特征找相似日，基于相似日实际最高温修正预报：

过峰检测

当地时间 ≥ 14:00 且温度已回落 → 最高温基本锁定，使用更窄的概率分布。

偏差修正

💰 Paper Trader 参数

🤖 LLM 审核

⚰️ 死合约过滤

基于 WU 实时观测最高温，过滤已不可能的合约：

📈 有效比较符推导

Polymarket 合约看似都是精确匹配 "be X°C"，但实际：

📊 核心策略

"低价才是机会" — 买 $0.001-$0.15 的便宜期权，追求高 EV 倍数。

🗂️ 关键文件

DuckDB HKO 表:

数据文件:

⏰ 定时任务

📈 Paper Trade 业绩

截至 2026-04-16:

总交易:  379 笔
已结算:  269 (胜63 / 负206)
胜率:    23.4%
PnL:     +$9,863
投入:    $975
ROI:     1012%

🧠 HKO 预测模型 v3 (2026-04-16)

架构: 15 信号加权集成 + 自适应偏差修正

文件: scripts/hko_predict.py

信号列表

*权重随时间动态调整

偏差修正

不确定度

实战验证 (2026-04-16)

旧模型预测: 28.7°C (误差 1.4°C)
v3 模型预测: 29.9°C (误差 0.2°C) ← 大幅改善
实际最高:   30.1°C

为什么今天比昨天高 1.2°C？(反思记录)

关键教训: 早上温度相似不代表下午相似。湿度下降速度和太阳辐射强度是下午分化的主因。已通过 Signal 6d (湿度潜力) 和 6e (升温加速) 捕捉。

🔗 实时信号整合

frontrun 策略 (strategy/frontrun.py) 对香港合约直接接入 HKO v3 预测模型:

数据流水线

hko_data_fetcher.py (cron 每10分钟)
    │
    ├─ 抓取 HKO API (rhrread/fnd/flw/1min/maxmin/solar/wind/pressure)
    ├─ 抓取 AWS GIS CSV (全港气象站)
    ├─ 写入 DuckDB + hko_latest.json
    │
    ├─ hko_predict.py (预测)
    │   └─ 写入 hko_prediction.json
    │
    ├─ weather_strategy_runner.py --scan (策略)
    │   └─ 有 CRITICAL/HIGH 信号 → 微信通知
    │
    └─ weather_paper_trader.py --once (Paper Trade)
        └─ 有新交易 → 微信通知

🐛 已知问题 & 教训

1. Open-Meteo ≠ WU: OM 与 WU 经常差 1-8°C，绝不能用 OM 结算

2. METAR 不能覆盖 WU: METAR 可能报更高值（瞬时峰值），但 WU 的 calendarDayMax 是结算依据

3. 微信通知 PATH 问题: cron 环境找不到 openclaw，必须用绝对路径 /opt/homebrew/bin/openclaw

4. WU Rate Limiting: 频繁抓取 WU 可能被限流，需要控制请求频率

5. 过期合约: 最高温合约当地 16:00 后视为过期，最低温合约当地 10:00 后

6. 早上相似 ≠ 下午相似: 湿度和太阳辐射可以让相同早晨温度的两天下午差 1.2°C+

7. DuckDB 锁: 多个 cron 同时写入会锁库，read_only 模式可并发读

🌐 Dashboard

HK 专页: https://polymkt.lt.sopher.cool:4433/weather/hk

6 个 Tab:

实时更新:

决策中心: https://polymkt.lt.sopher.cool:4433/weather/decision?city=hong-kong&date=YYYY-MM-DD

🎯 香港预测策略详解

核心预测模型 (hko_predict.py)

21 信号加权集成 — 每 10 分钟更新，随时间推移动态调整权重

预测最高温 = Σ(signal_i × weight_i) / Σ(weight_i) + bias_correction

📡 实时信号 (10个)

📋 预报信号 (4个)

📊 基准+外部信号 (4个)

📅 气象预报信号 (5个) — Open-Meteo 逐时预报 9-17h

📅 相似日信号 (1个)

多个 close match (distance < 0.3) 加权集成，权重 = 1/(similarity+0.05)。匹配数越多权重越高。

LLM 推理信号 (llm_reasoning)

模型: deepseek-reasoner (DeepSeek-R1)，配置在 config/llm_config.json

输入: 全量实时数据 + 预报 + NWP + 历史 + 规则信号结果

输出: 结构化 JSON（predicted_max, settlement, confidence_pct, reasoning, peak_passed, risk）

权重调度:

缓存: 10分钟 TTL，避免重复调用（每次调用 ~60s）

日志: data/hko/llm_predictions_YYYYMMDD.jsonl

为什么重要:

1. 解决规则信号冲突（当 17 个信号方向不一致时做因果推理）

2. 识别异常（温度回落、突发天气变化）

3. 理解语义（“主要多云偶有阳光” ≠ “晋天”）

4. 果断决策（不会给 50/50，必须选边）

温度回落信号 (temp_declining)

触发条件:

效果:

权重动态调度

天天温差对比 (strategy/hk_day_over_day.py)

每 5 分钟运行，22 项指标全面对比今天 vs 昨天，结果追加到 hk_dod_YYYYMMDD.jsonl 快照。

综合信号: 所有温度类指标自动投票，投票比 ≥70% → HIGH 信心

5分钟快照字段: 温度(predicted/observed/current/station)、气象参数、模型信号、气象预报、相似日、概率分布

走势图 (3个面板):

相似日分析 (strategy/hk_analog_day.py)

从过去 7 天找气象指纹最相似的若干天 (distance < 0.3)。

气象指纹 (10 维度)

相似度计算: distance = sqrt( Σ(w_i × (diff_i / scale_i)²) / Σ(w_i) )

多匹配集成: 所有 distance < 0.3 的相似日都参与预测，按 1/(sim+0.05) 加权。每个相似日的预测 = 实际最高 + 30% × 那天预报偏差。

前端展示: 所有 close match 都展示完整指纹对比表 + 候选日排名 + 交易启示

数据源

Cron 调度

文件结构

strategy/
├── hk_day_over_day.py      # 天天温差对比 (每5分钟, 22项指标)
├── hk_analog_day.py       # 相似日分析 (10维指纹匹配)
├── day_over_day.py        # 全城市温差对比
├── HK_WEATHER_STRATEGY.md # 策略详细文档
└── ...

data/hko/
├── hko_latest.json          # HKO 实时数据
├── hko_prediction.json      # 最新预测结果 (21信号+权重)
├── hko_curve_YYYYMMDD.json  # 每日逐时曲线 (40+站)
├── hk_day_over_day.json    # 天天对比最新结果
├── hk_dod_YYYYMMDD.jsonl   # 5分钟快照时序数据
├── hk_analog_day.json      # 相似日分析结果
├── om_hourly_cache.json    # Open-Meteo逐时缓存
└── dlwp_hko_latest.json    # DLWP AI预测

反思与教训

2026-04-21: 温度回落检测 — 模型不该给五五开

背景: 4/21 13:55，HKO 天文台今日最高 28.7°C，当前温度已回落到 27.9°C（从峰值下降 0.8°C）。模型给出 29.0°C 预测，概率分布 28°C:50% / 29°C:50%。

问题:

1. 五五开等于没预测 — 模型的职责是做出判断，不是两边下注。50/50 的概率分布对交易毫无指导意义。

2. 忽视了实时回落信号 — 天文台温度已经从 28.7 跌到 27.9（-0.8°C），这是一个极强的 "峰值已过" 信号，但模型没有检测。

3. peak 检测逻辑太粗 — 原来只有 past_peak 信号在 current_hour > avg_peak_hour + 1.0 才触发（即 14.7 时之后），但实际上温度回落本身就是峰值已过的直接证据，不需要等到固定时间。

4. 时间阈值是死的，温度趋势是活的 — 同样是 13:55，如果温度还在涨就该给 29°C 更高概率；如果已经在跌就该偏向 28°C。原模型不区分这两种截然不同的状态。

解决方案: 新增 temp_declining 信号

核心洞察:

温度回落是比时钟更可靠的峰值检测器。14:00 温度还在涨和 13:00 温度已回落 0.8°C，后者对 "峰值已过" 的证据强度远高于前者。

预期效果:

此文档随系统演化持续更新。最后更新: 2026-04-21