每個人都告訴你，交易機器人需要 fancy AI 和資料中心。
這是個謊言，讓初學者永遠無法開始。
真相是：一個能獲利的 Polymarket 天氣機器人，週末就能搞定，看完這篇你就能擁有完整流程。
天氣跟 5 分鐘 BTC 完全不一樣。
BTC 的窗口像擲硬幣一樣無法預測，速度戰則由共置機器人主宰。
溫度是真正可預測的，幾小時內就會結算，速度毫無意義，而且資料是免費的。
這是最後一個市場，讓獨自開發者用便宜的 VPS 依然能靠腦袋取勝，而不是靠硬體。
整個機器就六個步驟。
發現市場、拉取預測、修正偏差、轉換成機率、找到 8% 的優勢、決定下注大小並執行。
就這樣。
讓我一步步教你。
我建過幾百個機器人，真正能賺錢的永遠是這麼簡單，而不是大家以為需要的那種過度設計的東西。
這是我公開的天氣機器人範例：\[[https://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surferhttps://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surfer)]
還在開發中，目前經歷連敗，我正在努力修正。
但至少不像之前版本那樣一直虧損。
現在讓我們一起打造一台印鈔機。
1. 概念與想法
在寫程式之前，先搞清楚概念，這樣每一步都會很清晰。
Polymarket 列出了全球各城市的每日溫度市場。
每個市場都有一組區間。
其中一個區間會以 1 美元結算為 YES，其餘歸零。
市場結算依據的是單一指定機場氣象站，而不是你天氣 App 看到的城市。
你的機器人任務說起來很簡單。
算出每個區間的真實機率，要比大眾更準確，然後買進市場低估的區間。
你不是自己在預測天氣。
數十億美元的模型幾小時前已經做完了。
你是在讀取它們的預報、清理資料，然後跟市場價格比較。
當你的誠實機率遠高於價格時，你就有了優勢。
以下所有內容只是如何計算這個差距並採取行動，而不自欺欺人。
把所有設定放在設定檔裡，不要寫死在程式碼中，這樣你可以快速調整，不影響邏輯。
起始資金、最大交易額、最小優勢、價格上限、Kelly 比例。
全部放在一個地方，幾秒鐘就能編輯。
2. 發現市場
機器人先掃描 Polymarket，找出活躍且有交易價值的溫度市場。
你不必交易所有市場。
你需要一個過濾器，在浪費預測呼叫或金錢之前，把垃圾市場排除。
三個過濾器就能搞定大部分工作：
> 成交量門檻
跳過成交量低於幾千的薄弱市場。
薄弱的訂單簿有寬的價差和不可信的價格。
> 時間窗口
只交易距離結算時間約 2 到 72 小時的市場。
少於 2 小時，優勢已經被市場反映。
超過 72 小時，預測太不確定，無法依賴。
> 價格上限
跳過已經交易在約 45 美分以上的區間。
在那個價格，市場已經反映了大部分優勢，你的上漲空間很小。
每個存活下來的市場都對應一個城市、一個日期和一個結算站。
那個站就是一切，所以你要儲存它精確的機場座標和 ICAO 代碼，永遠不要用城市中心。
使用城市中心座標可能會在機器人開始思考之前就引入 3-8 度的誤差。
現在你有了乾淨的可交易市場清單，每個都連結到預測必須對準的準確位置。
3. 獲取預測（程式碼）
現在你為每個市場的準確站點拉取預測，而且要從多個來源。
一個模型只是一種意見。
三個模型讓你看到一致與分歧，這本身就是資訊。
你的基礎是 ECMWF，全球黃金標準，透過 Open-Meteo 免費取得，不需要 API 金鑰。
對於短時間範圍內的美國城市，你加入一個更高解析度的模型，它會讀取即時觀測數據。
這是 ECMWF 的擷取：
1def get_ecmwf(lat, lon, unit):2 url = (3 "https://api.open-meteo.com/v1/forecast"4 f"?latitude={lat}&longitude={lon}"5 f"&daily=temperature_2m_max&temperature_unit={unit}"6 "&forecast_days=7&models=ecmwf_ifs025"7 "&bias_correction=true"8 )9 data = requests.get(url, timeout=(5, 8)).json()10 return data["daily"]["temperature_2m_max"]
那個 bias_correction=true 標誌很重要——它免費應用了第一層基於位置的誤差修正。
對於約 48 小時內的美國城市，優先使用高解析度模型：
1def get_hrrr(lat, lon):2 url = (3 "https://api.open-meteo.com/v1/forecast"4 f"?latitude={lat}&longitude={lon}"5 "&daily=temperature_2m_max&temperature_unit=fahrenheit"6 "&forecast_days=3&models=gfs_seamless"7 )8 return requests.get(url, timeout=(5, 8)).json()["daily"]["temperature_2m_max"]
簡單規則：美國短距離用高解析度，其他用 ECMWF。
每個城市用其單位請求，美國用華氏，其他用攝氏，並確保所有比較在同一尺度上。
4. 修正偏差（這就是賺錢的地方）
這就是贏家與其他人區分開來的地方。
每個模型都有系統性的錯誤，方向一致。
GFS 有冷偏差，它低估溫度，而這個誤差的大小取決於城市、時間和預測的遠近。
如果你跳過這一步，你的優勢往往只是模型以它慣常的方式出錯。
那不是優勢。
那是穿著優勢外衣的雜訊。
所以在計算任何機率之前，你要根據模型過去的錯誤來修正它。
偏差的定義非常簡單。
> 偏差 = 預測值減去實際值
你分別針對每個城市、每個時間範圍、每個時段測量偏差，然後用已知的誤差來調整新的預測。
最簡單且有效的方法是對近期誤差取衰減平均，這樣最近的錯誤權重更高。
你不需要神經網路來做這個。
基本的衰減平均或小型迴歸就能獲得 60-80% 的改進空間。
先完成這個。
花俏的 ML 偏差修正確實存在，但那是最後 20%，而且只有在簡單版本已經開始賺錢時才有意義。
先修正輸入。
一個無聊的免費模型，經過修正，勝過一個直接餵入原始資料的花俏模型。
5. 將預測轉換為區間機率
現在你將一個修正後的預測數字，轉換成每個區間的機率。
以下是初學者常犯的錯誤。
他們直接拿預測值，放進它落在的區間，然後認為那個區間是 100%。
但預測並不精確。
它是一個中心點，周圍有已知的誤差分佈。
這個分佈才是關鍵。
假設你的修正預測是 41F，而你的模型對該城市的典型誤差約為 2 度。
實際最高溫度可能很容易落在上下一個區間。
所以你不會把 100% 押在一個區間上。
你要把機率分散到預測區間及其相鄰區間，權重取決於每個結果在給定誤差大小下的可能性。
歷史誤差越小，中心區間的機率就越高。
誤差越大，機率就越分散到相鄰區間。
這正是為什麼知道你的真實誤差（你的 sigma）如此重要。
沒有它，你只是在猜測自己的信心。
有了它，你就能將預測轉化為一個誠實的機率分佈，並與市場進行比較。
這個分佈才是你實際交易的依據，一個區間一個區間地看。
6. 用 Kelly 公式找到優勢並決定下注大小
現在你將你的機率與市場價格進行比較，只在差距真實存在時才行動。
首先，期望值，你每美元獲得的優勢：
1def calc_ev(p, price):2 if price <= 0 or price >= 1:3 return 0.04 return round(p * (1.0 / price - 1.0) - (1.0 - p), 4)
如果你的模型說某個區間有 80% 的機率，而它交易在 14 美分：
0.80 * (1/0.14 - 1) - 0.20 = +4.94
這是個巨大的優勢。
但你不會對每個正數都出手——你要設定一個門檻，只在 EV 超過約 8% 時才交易，這樣可以跳過微弱訊號。
然後 Kelly 公式告訴你該下注多少資金：
1def calc_kelly(p, price, kelly_fraction=0.25):2 b = 1.0 / price - 1.03 f = (p * b - (1.0 - p)) / b4 return min(max(0.0, f) * kelly_fraction, 1.0)
兩個安全護欄讓你存活。
> 使用部分 Kelly，即完整 Kelly 的四分之一
完整 Kelly 像雲霄飛車，部分比例能大幅降低波動。
> 每筆交易硬性上限設為設定檔中的最大下注額
即使 Kelly 叫你大膽下注，這個上限能保護你免受單一糟糕市場的傷害。
在賣單價（ASK）進場，這是你實際支付的價格，並把買單價（BID）視為出場價格，否則你的回測會騙你。
7. 執行、停損並記錄一切
現在機器人開始行動，同樣重要的是，記錄一切。
主迴圈按排程執行，例如每小時一次，對每個市場依序執行相同操作。
從所有來源拉取最新預測
找到對應的 Polymarket 市場並載入其記錄
儲存當前預測快照，因為這份歷史資料就是你未來的優勢
檢查任何現有持倉的停損條件
只有在 EV 超過你的門檻且價格合適時才開新倉位
https://x.com/0xSurferX/status/2078620667272896555
你的停損條件簡單且機械化。
如果價格從進場點下跌設定的百分比，就平倉。
如果預測值偏離你的區間太遠，以至於原始論點失效，就平倉。
在完整掃描之間，每隔幾分鐘執行一次輕量檢查，只監控停損條件，而不重新掃描每個城市。
並且記錄所有事情。
每個預測快照、你看到的每個市場價格、每筆交易、每次結算。
每個市場一個檔案，隨時間累積。
這個日誌不是無用功。
它是最後一步的原材料，這一步能讓靜態機器人變得更聰明。
8. 讓它自我校準並變得更聰明
這就是區分一個「猜測」的機器人和一個「知道」的機器人的關鍵。
第一天，你的機器人還不知道它對每個城市的預測有多準確。
所以它不應該完全相信自己。
它應該小額交易，記錄每次結算，然後等待。
一旦它對某個城市有足夠多的結算市場，大約 30 個，它就能測量自己的真實誤差。
你拿你對該城市所做的每個預測，與實際發生情況比較，然後計算平均誤差。
這個平均誤差就成為你的 sigma，你對該城市和該來源的真實信心水準。
而這個 sigma 會直接回饋到第四步。
更好的 sigma 意味著跨區間更誠實的機率分佈，這意味著更好的優勢偵測，進而意味著更好的下注規模。
機器人會隨著收集更多結算市場而自我改進。
這正是我為自己建立的每個機器人所宣揚的紀律：
記錄一切，初期承擔小風險
讓真實的結算結果衡量你的真實準確度
只有在資料證明了優勢之後，才放大下注規模
一個第一天就相信自己有 90% 準確率的天氣機器人，跟一個基於 10,000% 回測就部署的加密貨幣機器人一樣災難。
兩者都相信了一個他們從未掙得的數字。
你不會想看到這種情況的，相信我：
讓我們繼續。
9. 整合在一起
現在來做個總結。
**
退一步看看你建立了什麼：**
發現乾淨的市場，連結到精確的結算站
為該站點拉取三個預測來源
修正每個模型的已知偏差
使用你的真實誤差，將修正後的預測轉換為區間機率
只在優勢超過 8% 時交易
使用部分 Kelly 和硬性上限決定下注規模
執行、停損、記錄、校準，直到它自我優化
開始時不需要神經網路，不需要資料中心或共置伺服器。
只需要免費的預測、誠實的數學，以及讓它在真實結算中證明自己的耐心。
讓它運行兩到三週再來評斷，因為天氣市場每天結算，你需要 50-100 筆結算交易才能知道你的成果。
我建立過 200 多個機器人，正是這種形狀的機器人真正在賺錢，而那些花俏的東西卻一直沒完成。
簡單的流程、誠實的校準、無聊的紀律。
這就是你所需要的全部。
天氣是 Polymarket 上最後一個誠實的市場。
這個週末就建立這六個步驟，讓它校準，然後在大眾醒來之前進場。
偏差修正步驟的完整解析即將推出，別錯過了。
週三發布第二部分。
如果你想交流，也歡迎加入我的小 TG 頻道。
加入這裡： https://t.me/+jCBHygDAJa9hMTJk
我們在這裡一起建立、討論並解決問題。
希望你覺得這篇文章有用，因為這正是重點。
祝你好運！
