使用 Claude 构建 Polymarket 天气交易机器人（月入 6 千美元蓝图）

每个人都说交易机器人需要花哨的 AI 和数据中心。

这是个谎言，让初学者永远无法开始。

真相是：一个能盈利的 Polymarket 天气机器人，一个周末就能搞定。读完这篇文章，你就能拥有完整的流程。

天气与 5 分钟 BTC 完全不同。

BTC 的窗口期就像抛硬币，根本无法预测，而且速度战被同地部署的机器人垄断。

温度是真正可预测的，结果需要几个小时才能确定，所以速度毫无意义，而且数据是免费的。

这是最后一个市场，一个拥有廉价 VPS 的独立开发者，仍然能靠智慧而非硬件胜出。

整个机器只有六个步骤。

发现市场，拉取预测，修正偏差，转化为概率，找到 8% 的优势，确定仓位并执行。

就这么简单。

让我把每一步都交给你。

我构建了数百个机器人，那些真正赚钱的，总是如此简单，而不是人们以为你需要的那种过度设计的复杂系统。

这是我的公开天气机器人示例：\[[https://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surferhttps://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surfer)]

仍在开发中，并且正在经历一段连败，我正在努力修复。

但即便如此，它也不会像以前的版本那样持续亏损。

现在，让我们为你打造一台印钞机。

1. 概念与想法

在写代码之前，先理清思路，这会让每一步都变得清晰。

Polymarket 列出了全球各地城市的每日温度市场。

每个市场都是一组温度区间。

只有一个区间会以 1 美元的价格结算为 YES，其余的都归零。

市场结算依据的是一个确切的机场气象站，而不是你在天气应用里看到的那个城市。

你的机器人的任务说起来很简单。

计算出每个温度区间的真实概率，要比市场大众更准确，然后买入那些被市场低估的区间。

你不是要自己去预测天气。

数十亿美元的模型在几小时前就已经完成了这项工作。

你是在读取它们的预测，进行清理，然后与市场价格进行比较。

当你计算出的真实概率远高于市场价格时，你就有了优势。

以下所有内容，都只是关于如何计算这个差距，并在不欺骗自己的情况下采取行动。

将所有设置保存在一个配置文件中，而不是硬编码，这样你就可以在不触碰逻辑的情况下进行调整。

起始余额、最大交易额、最小优势、价格上限、凯利比例。

所有这些都放在一个地方，你可以在几秒钟内编辑完成。

2. 发现市场

机器人首先扫描 Polymarket，寻找值得交易的活跃温度市场。

你不需要交易所有市场。

你需要一个过滤器，在你浪费一次预测调用或一美元之前，就把垃圾信息剔除掉。

三个过滤器能完成大部分工作：

> 成交量下限

跳过成交量低于几千的薄弱市场。

薄弱的订单簿价差大，价格不可信。

> 时间窗口

只交易那些预计在 2 到 72 小时内结算的市场。

在 2 小时内，优势已经被市场消化。

超过 72 小时，预测又过于不确定，无法依赖。

> 价格上限

跳过那些价格已经超过 45 美分左右的温度区间。

在这个价格水平上，市场已经消化了大部分优势，你的上涨空间很有限。

每个幸存下来的市场，都指向一个城市、一个日期和一个结算气象站。

这个气象站至关重要，所以你要存储它确切机场坐标和 ICAO 代码，绝对不能用城市中心坐标。

使用城市中心坐标，在你的机器人开始思考之前，就可能引入 3 到 8 度的误差。

现在，你有了一个清晰的可交易市场列表，每个市场都与预测必须针对的精确位置相关联。

3. 获取预测（代码）

现在，你为每个市场的确切气象站拉取预测，并且要来自多个来源。

一个模型只是一种意见。

三个模型能让你看到一致性和分歧，这本身就是信息。

你的基准是 ECMWF，全球黄金标准，通过 Open-Meteo 免费获取，无需 API 密钥。

对于短时间范围内的美国城市，你还需要添加一个分辨率更高的模型，它能够读取实时观测数据。

以下是 ECMWF 的数据获取方式：

1def get_ecmwf(lat, lon, unit):
2url = (
3"https://api.open-meteo.com/v1/forecast"
4f"?latitude={lat}&longitude={lon}"
5f"&daily=temperature_2m_max&temperature_unit={unit}"
6"&forecast_days=7&models=ecmwf_ifs025"
7"&bias_correction=true"
8)
9data = requests.get(url, timeout=(5, 8)).json()
10return data["daily"]["temperature_2m_max"]

那个 bias_correction=true 标志很重要——它免费为你提供了一轮基于位置的误差修正。

对于大约 48 小时内的美国城市，优先使用更高分辨率的模型：

1def get_hrrr(lat, lon):
2url = (
3"https://api.open-meteo.com/v1/forecast"
4f"?latitude={lat}&longitude={lon}"
5"&daily=temperature_2m_max&temperature_unit=fahrenheit"
6"&forecast_days=3&models=gfs_seamless"
7)
8return requests.get(url, timeout=(5, 8)).json()["daily"]["temperature_2m_max"]

简单规则：美国短距离用高分辨率模型，其他情况用 ECMWF。

以每个城市对应的单位请求数据，美国用华氏度，其他用摄氏度，并确保所有比较都在同一尺度上进行。

4. 修正偏差（这才是赚钱的地方）

这是赢家与众不同的地方。

每个模型都存在系统性的错误，且方向一致。

GFS 存在冷偏差，它会低估温度，偏差的大小取决于城市、时间以及预测的提前量。

如果你跳过这一步，你的优势往往只是模型以其惯常方式出错。

那不是优势。

那是披着优势外衣的噪音。

所以，在计算任何概率之前，你需要使用模型自身的过去误差来修正模型。

偏差的定义非常简单。

> 偏差 = 预测值减去实际值

你需要针对每个城市、每个预测时间范围、每天的不同时间段来分别测量偏差，然后用这个已知的误差来修正新的预测。

最简单的有效方法是使用近期误差的衰减平均值，这样较新的偏差会得到更大的权重。

你不需要神经网络来做这件事。

一个基本的衰减平均值或一个小型回归模型，就能获得 60% 到 80% 的可用改进。

先把这个做出来。

花哨的机器学习偏差修正确实存在，但那是最后 20% 的提升，只有在简单版本已经能盈利的情况下才重要。

先修正输入数据。

一个无聊的免费模型，经过修正后，可以击败一个未经处理的复杂模型。

5. 将预测转化为温度区间的概率

现在，你将一个修正后的预测数值，转化为每个温度区间的概率。

初学者会犯这样的错误。

他们拿到预测值，直接把它放到对应的温度区间里，然后声称这个区间的概率是 100%。

但预测并非精确值。

它是一个中心点，周围围绕着已知的误差分布。

这个误差分布才是关键。

假设你的修正预测是 41°F，而你的模型在该城市的典型误差约为 2 度。

那么，实际最高温度很容易落在相邻的区间里。

所以，你不能把 100% 的概率押注在一个区间上。

你需要将概率分散到预测区间及其相邻区间，根据你误差大小决定每个区间的可能性权重。

历史误差越小，意味着中心区间聚集的概率越高。

误差越大，则概率向相邻区间扩散得越广。

这正是了解你真实误差（即你的 sigma）如此重要的原因。

没有它，你就是在猜测自己的信心水平。

有了它，你就能将一个预测转化为一个诚实的概率分布，并以此与市场进行比较。

你实际上是根据这个分布，一个区间一个区间地进行交易。

6. 发现优势并用凯利公式确定仓位

现在，你将你的概率与市场价格进行比较，并且只在差距是真实的时候才采取行动。

首先，期望值，即你每美元的优势：

1def calc_ev(p, price):
2if price <= 0 or price >= 1:
3return 0.0
4return round(p * (1.0 / price - 1.0) - (1.0 - p), 4)

如果你的模型说某个区间的概率是 80%，而它的交易价格是 14 美分：

0.80 * (1/0.14 - 1) - 0.20 = +4.94

这是一个巨大的优势。

但你不能对每一个正数都开火，你需要设定一个下限，只有当期望值超过大约 8% 时才进行交易，这样就能跳过那些微弱的信号。

然后，凯利公式告诉你应该下注多少资金：

1def calc_kelly(p, price, kelly_fraction=0.25):
2b = 1.0 / price - 1.0
3f = (p * b - (1.0 - p)) / b
4return min(max(0.0, f) * kelly_fraction, 1.0)

两个安全护栏能让你存活下来。

> 使用部分凯利，即全凯利公式建议值的四分之一

全凯利就像过山车，部分凯利可以大幅降低波动。

> 对每笔交易设置一个来自你配置的最大金额上限

即使凯利公式强烈建议重仓交易，这个上限也能保护你免受单一糟糕市场的影响。

以卖价（ASK）入场，这是你实际支付的价格，并把买价（BID）视为你的退出价，否则你的回测会欺骗你。

7. 执行、止损并记录一切

现在机器人开始行动，同样重要的是，开始记录。

主循环按照预定计划运行，比如每小时一次，对每个市场按顺序执行相同的操作。

从所有来源拉取最新的预测

找到对应的 Polymarket 市场并加载其记录

保存当前预测的快照，因为这段历史是你未来的优势

检查任何未平仓头寸的止损

只有当期望值超过你的最低要求并且价格合适时，才开立新头寸

https://x.com/0xSurferX/status/2078620667272896555

你的止损应该简单且机械化。

如果价格从入场点下跌一定百分比，就平仓。

如果预测值偏离你的区间太远，以至于初始投资逻辑失效，就平仓。

在两次完整扫描之间，每隔几分钟执行一次轻量级检查，仅用于监控止损，而无需重新扫描每个城市。

并且记录所有事情。

每一次预测快照，你看到的每一个市场价格，每一笔交易，每一次结算。

每个市场一个文件，随时间推移不断追加内容。

这个日志不是无用的工作。

它是最后一步的原材料，这一步能将一个静态的机器人，转变为一个每周都变得更精明的机器人。

8. 让它自我校准并变得更聪明

这是区分一个靠猜测的机器人和一个知道如何做的机器人的关键。

在第一天，你的机器人对于每个城市的预测准确性，并没有真正的概念。

所以它还不应该完全信任自己。

它应该小规模交易，记录每一次结算，然后等待。

一旦它为一个城市积累了足够多的已结算市场，大约 30 个，它就能测量出自己真实的误差。

你拿出你为该城市做的每一次预测，与实际情况进行比较，并计算出平均偏差。

这个平均误差就变成了你的 sigma，即你对该特定城市和预测来源的真实信心水平。

而这个 sigma 会直接反馈到第四步。

更好的 sigma 意味着跨温度区间的概率分布更诚实，这进而带来更好的优势检测，最终实现更优的仓位确定。

随着收集到更多已结算的市场，机器人会通过这种方式自我改进。

这也是我为自己构建的每个机器人所倡导的方法：

记录一切，初期风险要小

让真实结算的结果来衡量你的真实准确性

只有当数据证明了优势的存在，才加大仓位

一个在第一天就以 90% 的置信度信任自己的天气机器人，与一个基于 10,000% 回测结果就部署的加密货币机器人，是同样的灾难。

两者都相信了一个它们从未真正赚取过的数字。

相信我，你不想看到这样的事情：

让我们继续。

9. 整合所有部分

现在，我们来做个总结。

**

退后一步，看看你构建了什么：**

发现干净的市场，并与确切结算气象站关联

为那个气象站拉取三个预测来源的数据

修正每个模型的已知偏差

使用你的真实误差，将修正后的预测转化为温度区间概率

只有当优势超过 8% 时才进行交易

使用部分凯利公式和硬性上限来确定仓位

执行、止损、记录、校准，直到它能够自我优化

开始时不需要神经网络，不需要数据中心，也不需要同地部署的服务器。

只需要免费的预测、诚实的数学计算，以及让它通过真实结算来证明自己的耐心。

在评估它之前，让它运行两到三周，因为天气市场每天结算，你需要 50 到 100 笔已结算的交易才能知道你的成果。

我构建了 200 多个机器人，正是这种确切的模式才能实际盈利，而那些花哨的玩意儿却总是半途而废。

简单的流程，诚实的校准，乏味的纪律。

这实际上就是你所需要的全部。

天气是 Polymarket 上最后一片诚实的市场。

这个周末就构建好这六个步骤，让它开始校准，在大众醒悟之前入场。

下一篇是关于偏差修正步骤的完整分解，别错过。

第二部分将于周三发布。

如果你想交流，也可以加入我的小电报群。

加入这里： https://t.me/+jCBHygDAJa9hMTJk

我们一起在这里构建、讨论和解决问题。

希望你觉得这篇文章有用，因为这就是全部的意义所在。

祝你好运！