如何用这份免费预测市场数据集做学术研究？6篇引用prediction-market-analysis的论文导读
【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis
prediction-market-analysis 是一个免费的预测市场数据分析框架，内置目前公开规模最大的 Polymarket 与 Kalshi 预测市场数据集（压缩后 36 GiB），并提供数据采集、Parquet 存储与开箱即用的分析脚本。本文带你快速了解：这份免费预测市场数据集里有什么、3 步跑通第一个分析，以及 6 篇已引用它的学术论文各自研究了什么问题 📊
免费预测市场数据集：数据里到底有什么
数据以Parquet格式存放在data/目录，用 DuckDB 直接写 SQL 就能查询，覆盖两大预测市场平台：
| 平台 | 数据内容 | 存储位置 | 关键特点 |
|---|---|---|---|
| Kalshi | 市场元数据 + 逐笔成交 | data/kalshi/markets、data/kalshi/trades | 价格为美分（1–99），含taker_side（吃单方向）与市场最终结果 |
| Polymarket | 市场元数据 + 链上成交 | data/polymarket/markets、data/polymarket/trades | 来自 Polygon 链OrderFilled事件，含 maker/taker 地址、手续费；另有 2020–2022 年早期 FPMM 交易 |
完整字段定义（如yes_price、result、taker、block_number）都在 docs/SCHEMAS.md 里，建议下载数据前先读一遍。
快速上手：3 步下载预测市场数据集并跑通分析
第 1 步：获取项目代码
git clone https://gitcode.com/gh_mirrors/pr/prediction-market-analysis第 2 步：安装依赖（需 Python 3.9+）
uv sync第 3 步：下载数据集并运行分析
make setup # 一键下载并解压 36 GiB 数据集到 data/ make analyze # 打开交互式菜单，选择要跑的分析make setup由 scripts/download.sh 完成下载解压、scripts/install-tools.sh 安装依赖工具（aria2c/zstd 等）；所有命令定义在 Makefile 中。分析结果（PNG、PDF、CSV、JSON）统一输出到output/目录，论文级 300 DPI 图表开箱即得 📈
6 篇引用 prediction-market-analysis 的预测市场论文导读
以下 6 篇论文收录于 README.md 的 "Research & Citations" 章节，展示了这份数据集在学术研究中的真实用法：
| # | 论文 | 作者 | 来源 | 核心研究问题 |
|---|---|---|---|---|
| 1 | The Microstructure of Wealth Transfer in Prediction Markets | Becker | 独立研究 | 财富如何在市场参与者之间转移（市场微观结构） |
| 2 | Who Profits from Prediction Markets? Execution, not Information | Vedova | SSRN | 盈利来自交易执行能力还是信息优势？ |
| 3 | Who Wins and Who Loses In Prediction Markets? Evidence from Polymarket | Akey, Gregoire, Harvie, Martineau | SSRN | Polymarket 上赢家和输家分别是谁？ |
| 4 | Cassandra Or the Boy Who Cried Wolf? | Brown | SSRN | 预测市场价格/量能能否作为"预警信号"？ |
| 5 | Decomposing Crowd Wisdom: Domain-Specific Calibration Dynamics | Le | arXiv | "集体智慧"在不同领域中的校准表现差异 |
| 6 | Exploring Decentralized Prediction Markets: Accuracy, Skill, and Bias on Polymarket | Reichenbach, Walther | SSRN | 去中心化预测市场的准确性、技巧与偏差 |
1️⃣ 市场微观结构与财富转移（Becker, 2026）
这是项目作者本人的研究，也是这份数据集的"原始论文"，适合作为新手入门的第一篇。它研究在预测市场微观层面，财富如何在挂单方（maker）与吃单方（taker）之间转移。仓库里甚至保留了支撑论文论断的完整统计检验脚本 src/analysis/kalshi/statistical_tests.py，包括"maker 单笔成交是否大于 taker""NO 是否系统性跑赢 YES"等命题——跟着它读，你能学到一份预测市场实证研究的标准姿势。
2️⃣ 谁在预测市场里赚钱：执行，而非信息（Vedova, 2026）
论文标题直接给出结论倾向：在预测市场赚到钱的，靠的是执行（下单时机、挂单策略）而不是私有信息。数据集的逐笔成交记录（价格、方向、maker/taker 角色）恰好支持这类检验，仓库内置的 src/analysis/kalshi/maker_vs_taker_returns.py 就对比了被动挂单方与主动吃单方在各价格档的收益，可作为复现起点。
3️⃣ Polymarket 的赢家与输家（Akey 等, 2026）
从 Polymarket 的链上交易出发，刻画盈利分布：哪些地址在赢、哪些在输。由于 Polymarket 交易数据保留了maker/taker钱包地址与成交金额，按账户聚合收益是可行的，这也是链上数据相对传统交易所 API 的独特优势。
4️⃣ 预测市场是有效的预警系统吗？（Brown, 2026）
标题借用"卡珊德拉"与"狼来了"的典故，探讨预测市场能否提前预警重大事件：价格是"真信号"还是"狼来了"？研究切入口是价格与成交量的时间序列，仓库内置的成交量随时间变化、VWAP 分小时等分析（如 src/analysis/kalshi/volume_over_time.py、src/analysis/kalshi/vwap_by_hour.py）与这类问题的数据处理高度相关。
5️⃣ 拆解集体智慧：分领域的校准动态（Le, 2026）
"群体智慧"在不同领域里究竟有多准？这篇论文按领域拆解市场**校准（calibration）**动态——即报价概率与最终兑现率的偏差如何随领域、时间变化。数据集支持按市场类别分组（如体育、政治、加密），src/analysis/kalshi/util/categories.py 提供了现成的分类工具；校准曲线则对应 src/analysis/kalshi/win_rate_by_price.py（按价格档位）与 src/analysis/polymarket/polymarket_calibration_by_bucket.py（按概率十分位桶，标准校准曲线格式）。
6️⃣ 去中心化预测市场的准确性、技巧与偏差（Reichenbach & Walther, 2025）
聚焦 Polymarket 这一去中心化平台：报价是否准确、交易者是否具备"技巧"、系统性偏差（如长尾偏差）有多大。切入口同样是校准检验与价格-胜率分析，仓库中 Polymarket 侧的胜率与校准脚本可直接作为数据分析起点。
如何扩展自己的分析：内置脚本与自定义指南
make analyze打开交互式菜单，可运行全部或单个分析，主要内置分析包括：
- Kalshi：价格胜率/校准（win_rate_by_price.py）、YES/NO 期望价值对比（ev_yes_vs_no.py）、maker 与 taker 收益（maker_vs_taker_returns.py）、长尾盘成交量占比、成交规模与角色、分时段收益、统计检验（statistical_tests.py）等
- Polymarket：价格胜率（polymarket_win_rate_by_price.py）、校准分桶（polymarket_calibration_by_bucket.py）、成交量与交易笔数时间序列等
要写自己的研究分析，只需继承 src/common/analysis.py 中的Analysis基类，模板、常用 SQL 查询模式（成交与结果关联、maker/taker 双视角）都在 docs/ANALYSIS.md 中。框架还通过make index提供持续采集能力：交互式选择 indexer 增量抓取 Kalshi API 与 Polygon 链上的新数据，进度自动保存、可中断续跑。
如何引用这份预测市场数据集 & 常见问题
引用建议：若你的研究使用了这份数据，可引用数据集论文Becker, J. (2026). The Microstructure of Wealth Transfer in Prediction Markets。作者欢迎邮件联系交流研究用途，也欢迎通过 Pull Request 把你的论文补充进 README 的引用列表——贡献指南见 CONTRIBUTING.md。
常见问题
- ❓数据集收费吗？完全免费，
make setup一键公开下载（压缩 36 GiB）。 - ❓环境要求？Python 3.9+，依赖用
uv管理（duckdb、pandas、matplotlib、scipy 等，见 pyproject.toml）。 - ❓数据会过时吗？用
make index即可从平台 API/链上增量补采最新市场与成交。
🎓小结：免费下载这份 Polymarket + Kalshi 预测市场数据集，配合内置分析脚本与 6 篇论文的研究框架，从校准、微观结构到赢家画像，你的第一篇预测市场研究论文已经万事俱备。
【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
