论文精读：Settlement Manipulation in Prediction Markets

Paper: Settlement Manipulation in Prediction Markets

一、先给结论：论文究竟证明了什么

这篇论文研究的不是传统意义上“有人在预测市场里喊高或喊低价格”，而是一种跨市场的结算操纵：二元预测合约以某资产在一个短暂结算时点的价格为依据，而合约持有人能够交易该资产的现货市场。于是，合约不再只是对外部事件的被动预测工具；它本身会制造一个激励，让交易者在结算前推动被引用的价格。

作者的理论与实证结论可以压缩为五句话：

1. 若预测合约的结算价可由交易标的现货价格影响，合约持有人可能先建仓、再于结算窗口交易现货，将结果推向自己持仓的一侧。¹
2. 这类末段现货流量不含基本面信息，却与知情交易混在一起；做市商无法识别来源，现货价格因而包含更少信息，价格发现变差。¹²
3. 因为未信息化订单增加，现货做市商面临的逆向选择反而下降，报价可能更紧、盘口更深。流动性改善与信息效率改善在这里背离。¹
4. 在 Polymarket BTC 五分钟 Up/Down 合约上线后，Binance 在结算前最后十秒出现订单流、绝对收益和深度的异常上升，且价格在结算后迅速反转；模式在“仍可翻转结果”的 near-the-money 周期最强。¹
5. 延长合约期限、采用时间聚合的结算基准或收盘集合竞价，可使单次推动很难成为决定性因素；问题的核心是结算机制设计，而不是预测市场天然无效。¹³

必须同时保留一项证据边界：论文为“存在结算操纵激励且数据高度符合该机制”提供了强证据，但并没有直接把同一主体在 Polymarket 的每笔头寸与 Binance 的每笔现货订单在账户层面一一对应。因此，文中的 “manipulator” 更准确地说是按高推动强度周期中的参与与盈利识别出的策略交易者群体，而不是已被直接证明实施某笔现货交易的法律主体。¹

二、问题为什么不同于普通的预测市场操纵

传统预测市场讨论的操纵，通常是有人在市场内下单，试图改变价格或影响他人信念。相关理论常指出，这类操纵未必有害：若其他交易者了解操纵者可能存在，错误价格可能吸引反向交易，最终仍可改善信息聚合。⁴ 历史实证也常发现，对政治预测市场的操纵尝试会快速回归。⁵

本文的环境不同。合约的结算对象不是选举结果、天气或体育赛果，而是一个可以被交易的金融市场价格。预测市场的价格与被预测的结果不再分离：交易者可以通过交易“结果本身的参考市场”来改变支付函数。它在经济结构上接近现金结算衍生品的到期操纵问题，而非一般的意见表达。⁶⁷

以论文的对象为例，Polymarket 的 BTC 五分钟 Up/Down 合约在一个五分钟窗口开始时确定执行价；若结算时的 Chainlink 参考价高于执行价，Up token 支付 1 美元，否则支付 0。合约交易者不需要在 Polymarket 内制造巨量成交；只要在结算前使参考现货价格跨过执行价数个基点，就可能改变二元支付结果。对一份接近 0 或 1 的普通衍生品头寸来说，局部价格推动未必值得；对接近 0.5 的二元合约而言，跨过阈值会使支付概率发生非线性跳变。¹

三、制度背景：合约、预言机与样本

论文研究 Polymarket 的比特币 Up/Down 产品。该产品在链上成交，交易记录包含钱包地址、成交时间、代币数量、USDC 现金流、交易方向及主动方；这使作者能够重建每个钱包在每个五分钟周期的已实现损益。Polymarket 的订单簿快照则提供盘口、价差和深度。¹

结算不直接取 Polymarket 的价格，而取 Chainlink 提供的跨交易所参考价。作者使用 Binance BTC 现货作为被推动的代表性市场，理由是其交易量大且与 Chainlink 参考价紧密跟踪；附录报告 Binance 中间价与预言机价通常仅相差数个基点，且约 85% 的周期落在与最终结算相同的执行价一侧。这个验证足以让 Binance 成为有经济意义的代理，但不能把它误读为“Binance 就是唯一结算来源”。¹

样本为 2025-07-01 至 2026-04-08，并被划分为三段：

时段	日期	可交易合约	在识别中的作用
P1	2025-07-01 至 2025-10-08	尚无此类短期合约	上线前基线
P2	2025-10-09 至 2026-02-11	15 分钟与 4 小时合约	更长期限对照
P3	2026-02-12 至 2026-04-08	新增 5 分钟合约	核心处理期

P3 中有 16,073 个带链上成交的五分钟周期。中位数周期内 Polymarket 成交约 10.5 万份面值 1 美元的合约，而 Binance 中位数现货成交额约 315 万美元；看似悬殊，但操纵者不需要复制整个五分钟的现货流量，只需在最后数秒施加足以越过执行价的单边冲击。样本中 BTC 五分钟绝对收益的中位数仅约 6.6 个基点，因而几个基点的末段推动有可能改变 near-the-money 合约的结果。¹

四、理论模型：从一笔合约到两市场的反馈回路

1. 合约如何支付

模型中现货基本价值为随机变量 $V \in {-\sigma, +\sigma}$。知情现货交易者观察 $V$，其他参与者只有先验。二元合约不直接按 $V$ 支付，而是按结算时公开订单流 $h$ 所诱导的现货后验均值 $\bar V_h$ 加上外生噪声 $\epsilon\xi$ 是否越过执行价 0 支付：

\[D_\epsilon(h) = \mathbf{1}\{\bar V_h + \epsilon\xi > 0\}.\]

噪声项不是一个无关紧要的数学装饰。它刻画现实中操纵者只能交易一个或若干现货场所、预言机却汇总多个场所、同时还有其他不可控订单流的事实：推动能提高跨越执行价的概率，不能确定性地决定结果。¹

2. 五阶段时间线

模型的时序为：

阶段 0：自然状态决定 V，只有知情现货交易者观察到它
阶段 1：预测市场出现一个订单，可能来自操纵者，也可能来自普通流动性交易者
阶段 2：现货市场出现普通订单，可能知情，也可能是噪声交易
阶段 3：结算窗口的现货订单；若操纵者已在阶段 1 入场，她决定是否推动
阶段 4：合约按结算价支付，现货头寸按真实 V 清算

操纵者不观察 $V$。她的优势不是信息，而是控制一个与自己合约收益相关的订单流节点。她先买入 Up 或 Down token，再在价格尚未朝有利方向移动时，于阶段 3 买入或卖出现货。反向头寸完全对称。¹

3. 为什么推动会让现货报价更紧

这是全篇最值得反复理解的部分。现货做市商看到一笔买单时，通常要回答：这是知情者在买入高价值资产，还是无信息的流动性需求？知情者比例越高，买单越坏，做市商 ask 越高。该逻辑正是 Glosten-Milgrom 微观结构模型中的逆向选择。²

操纵者的买单也会出现在结算窗口，但它与 $V$ 无关。做市商不能观察下单人身份，只能将知情买单、普通流动性买单和操纵买单混合定价。操纵参与越多，一笔买单来自知情者的后验概率越低，因此其不利选择风险降低，ask 会下降。也就是说，市场制造出更多“看起来像交易、实际上不传递价值信息”的流量。¹

这给出一个必须区分的命题：

价差变小或深度变大，说明做市商更愿意承接订单；它不自动说明价格更接近基本价值。

论文以结算后残余方差 $\mathbb{E}[\nu_h]$ 衡量价格发现。操纵者进入会通过两条渠道提高这一方差：其一，她占据结算窗口原本可能由知情者占据的订单位置；其二，她的无信息订单与知情订单混合，使同一方向订单的信号含量下降。故即使操纵者尚未实际推动，只要她以正概率可能出现，现货价格发现已恶化。¹

4. 财富如何从普通交易者流出

预测市场做市商同样不知道阶段 1 的买单来自谁。操纵者持有 Up token 时，未来可能在现货端买入；现货做市商预期此类买单不够信息化而下调 ask，最终结算分布因此对普通 Up 持有人不利。普通买家和操纵者在预测市场支付相同的价格，但只有后者拥有末段推动选择权。¹

在模型的典型均衡中，预测市场的 bid 与 ask 都被非交叉约束压在 0.5，表面为零价差；但无约束的损益平衡 ask 低于 0.5，因此做市商仍赚取隐含租金。操纵者也因推动选择权取得正利润。普通流动性交易者的期望损失恰好分解为：预测市场做市商租金、操纵者利润及执行现货推动的资源成本。¹

五、期限为何能缓解问题

模型不是只说“把五分钟改成十五分钟应该会更好”。它给出了更精确的路径逻辑：在结算前插入 $n$ 个正常的现货交易轮次后，订单不平衡 $d(h)$ 成为市场后验的充分统计量。单次固定规模推动只有在价格仍接近执行价、即订单不平衡接近 0 时才可能改变结果。¹

随着 $n$ 增加，$d(h)$ 像一步为 $\pm1$ 的随机游走扩散，标准差随期限增长，而“可被单次推动翻转”的窄带宽度保持固定。因此，落入该窄带的概率趋于零。论文证明：

• 额外的正常交易轮次严格改善结算时的价格发现；
• 偶数轮时，操纵主要发生在 $d=0$ 的路径；奇数轮时，发生在 $d=-1$ 的路径；
• 随期限趋于无穷，推动仍可技术上发生，但其决定性概率、单次入场利润和无条件利润都趋于零。¹

这并不等价于“任何长周期合约都安全”。模型的结论依赖于推动规模有界、正常订单流持续积累；若操纵者可使用的资金也随期限扩张、预言机很薄弱，或市场在结算前出现集中流动性枯竭，安全边界会改变。论文提出的是一个方向明确的设计杠杆，不是一个脱离参数的绝对保证。

六、实证识别：作者没有只做一组上线前后比较

仅仅看到五分钟合约上线后末段交易变多，并不能证明操纵。可能是算法交易、市场波动或时钟效应恰好同时变化。论文的说服力来自三层互补检验：时间上的上线前后、同一处理期内按合约可操纵性划分的横截面、以及十五分钟合约的期限差异。

1. 五分钟合约上线后的“足迹”

作者将每个五分钟周期划成 30 个十秒桶，并比较 P1 与 P3 的最后一桶（bin 29）相对前 25 个桶的变化，控制日期、小时和桶固定效应。P3 中，结算前最后十秒的 Binance 绝对订单流相对周期主体增加约 50%（$0.406$ log points），绝对收益增加约 15%（$0.140$），近中间价深度增加约 5%（$0.048$），且均在 1% 水平显著。¹

随后，作者以最后十秒收益为解释变量，回归结算前后各十秒收益。P1 中首个结算后十秒的斜率约为 $0.05$，与随机游走无显著差异；P3 中该斜率额外下降 $0.152$，合计约为 $-0.10$。即最后十秒的价格冲击有约一成在紧接的十秒内反转，而更远滞后没有同样模式。¹

“末段单边流量 + 价格冲击 + 深度增加 + 快速反转”是模型预言的四件套。尤其反转很关键：若末段流量来自真实新信息，完全反转并非自然预测；若流量是为了改变一个瞬时结算基准，则结算激励消失后价格回落是合理结果。

2. near-the-money 集中性：更接近因果机制的检验

作者在 P3 内部，以到期前约 10 秒的 Polymarket Up token 价格分类：价格在 $[0.40, 0.60]$ 的周期称为 near-the-money（NTM），其余为 far-from-the-money（FFM）。NTM 约占周期的 6%，却是最有价值的操纵目标，因为小幅推动最可能改变二元结果。¹

在控制日期、小时和桶固定效应后，NTM 周期中 Binance 最后十秒订单流增量比 FFM 高 $1.366$ log points，约为后者的 3.9 倍；绝对收益增量为 $0.555$ log points，深度增量为 $0.173$。与之相反，Polymarket 自身的深度在 NTM 收盘前减少 $1.016$ log points：预测市场做市商担心成为即将被现货推动翻转的合约的对手方，而 Binance 做市商却把该流量视为较低逆向选择风险。¹

反转也更集中：FFM 周期在结算后首个十秒约反转 10%，NTM 周期再多反转约 15%，合计约 25%。这一组对比尤其重要，因为它在五分钟合约已经存在的同一时期内进行，弱化了“上线恰逢整体市场环境改变”的解释。¹

3. 十五分钟合约：带时钟效应控制的差分中的差分

十五分钟合约与五分钟合约使用相同的 Chainlink 结算规则，但到期时点只出现在每三个五分钟周期中的一个。作者不能直接比较整点和非整点，因为十五分钟边界可能本来就有算法执行的时钟效应；因此以 P1 为基线，构建 $(P2-P1) \times (重叠到期-非重叠到期)$ 的差分中的差分，并允许不同周期类型拥有各自的桶内形状。¹

结果中，十五分钟到期的额外订单流增量为 $0.068$ log points，明显小于五分钟的 $0.406$；深度增量为 $0.021$；绝对收益没有可检测的额外效应；首个结算后十秒也没有显著反转。作者将它解释为期限机制的实证支持：较长时间窗不是完全消除机会，却显著压缩了短时推动的收益空间。¹

七、谁获利、谁承担损失

为了识别“高推动压力”周期，作者定义：

\[\mathrm{PushIntensity}_c = \frac{|\mathrm{OrderFlow}_{29,c}|} {\operatorname{median}_{b \in \{0,\ldots,24\}} |\mathrm{OrderFlow}_{b,c}|}.\]

它只使用每个周期内 Binance 最后十秒相对通常十秒桶的订单流，不使用 Polymarket 价格、执行价、最终结果或钱包损益。将该指标位于前 10% 的周期视为“manipulated cycles”，阈值为 16.11，得到 1,613 个周期。这样做避免了用结果直接定义处理组的机械相关，但它仍是一种经验分类，而不是对操纵意图的直接观测。¹

这些周期有几个一致特征：最后十秒 Binance 绝对净流量均值约 171.4 万美元，正常周期约 6.8 万美元；但周期主体内的典型流量反而更低。它们更多发生于隔夜和周末等薄流动性时段；NTM 周期在高推动组中的占比为 18.7%，正常组仅 4.4%，即 NTM 周期被归入高推动组的概率约为 FFM 的 3.6 倍。¹

更强的结果在于结果翻转。若到期前十秒被市场给到 90%-100% 胜率的一方受到反向 Binance 推动，弱势方在高推动周期中的实际胜率为 34.2%，正常周期仅 1.0%。这不表示每一次反向推动都成功，也不表示所有成功均由推动造成；但“高置信度下反向结果大量增加”与“仅是正常对冲”解释张力很大。¹

作者按钱包行为划分三类：至少参加 5 个高推动周期、且这些周期累计 PnL 不低于 2,000 美元的钱包被标为 manipulator；其余钱包中，maker 占比至少 85%、活跃周期每周期至少 50 笔成交、且期末方向库存不超过总交易量 20% 的钱包被标为预测市场做市商；余者为 retail/other。分类结果为 821 个 manipulator 钱包、227 个做市商钱包及约 24.21 万个零售/其他钱包。¹

在高推动周期内，三类群体的总 gross PnL 分别约为：

群体	高推动周期总 PnL	每周期 PnL	高推动周期中的亏损份额
Manipulator cohort	+820 万美元	+5,096 美元	20.2%
Market maker cohort	-62 万美元	-381 美元	9.3%
Retail / other	-761 万美元	-4,715 美元	70.5%

正常周期中，该 manipulator cohort 基本盈亏平衡，而做市商主要赚取普通点差。这种状态依赖性与模型的“优势仅存在于可推动结算的周期”相符。应注意，PnL 未扣除交易费，钱包也不必然等同于独立自然人，且高推动群体定义部分依赖实现利润，因此这些数字应被理解为透明链上交易样本中的损益归因，而非对实际操纵利润的最终法律或审计认定。¹

八、为什么作者认为不是做市商 Gamma 对冲

最自然的无恶意解释是：预测市场做市商在周期内卖出某一方向 token 后，临近到期需要在 BTC 现货对冲 delta 或 gamma，因而产生末段交易。作者用三个互补事实反驳。

第一，在高置信度合约中，二元合约的 delta 已接近零，做市商几乎没有需要对冲的方向风险；但论文观察到最戏剧化的反向翻转正发生在到期前被定价为 90%-100% 的周期。一个在 delta 消失时才出现、并把弱势方胜率从 1% 提升到 34.2% 的反向冲击，很难由对冲需求解释。¹

第二，时间路径不对。高推动周期中，Polymarket 各群体头寸在五分钟主体阶段平滑累积，但 Binance 累计净订单流到第 215 秒仍接近零；大额单边流量主要在最后一分钟出现，最后十秒约承载 170 万美元。这不符合“随着风险逐笔累积而动态对冲”的常规图像。¹

第三，量级不对。文中做市商群体平均约有 1,350 份方向性净空头，即最大损失约千余美元，而被归因给末十秒的 Binance 交易约 170 万美元。即使假设做市商延迟对冲，也很难用三数量级更大的现货头寸去对冲一个上限有限的二元合约敞口。¹

这些反驳并非证明高推动流量中绝无对冲成分。更准确的结论是：纯粹的预测市场做市商 gamma/delta 对冲，无法同时解释高置信度反向翻转、头寸与现货流量的错位时序以及量级差异。

九、证据强度与未被证明之处

论文的设计比单一事件研究更扎实，但不能越过其证据边界。

有较强支撑的结论

• 五分钟合约上线后出现了高度集中在结算前十秒的异常现货活动与短暂价格反转。¹
• 该模式在可被小幅推动翻转的 NTM 周期中明显更强，并在十五分钟期限中显著减弱。¹
• 高推动周期与薄流动性时间、接近执行价状态及异常的结果翻转相关联。¹
• 链上可观测的 PnL 在这些周期中从 retail/other 群体大规模转向高盈利策略钱包群体。¹

尚未被直接证明的命题

• 同一个 Polymarket 钱包是否就是 Binance 现货推单的账户，论文没有直接观测；中心化交易所身份与链上钱包并未联结。¹
• 具体 Binance 冲击对 Chainlink 各成分价格和最终预言机输出的因果传导没有逐笔结构估计；Binance 是经附录验证后的紧密代理。¹
• 高 PushIntensity 周期不是随机分配的。尽管论文加入日期、小时、时钟与 moneyness 设计，高波动、新闻、跨平台套利或流动性状态仍可能与处理变量共同变化。
• 样本只覆盖一个资产、一个平台和五分钟合约上线后的 56 天。结论能否迁移到股票指数、受监管交易所、不同预言机或不同市场深度，需要独立复制。
• 论文为 arXiv 工作论文版本，尚不应视为同行评审后的最终定论。¹

因此，最审慎的读法不是“论文已经锁定了每一名操纵者”，而是：它发现了一个清楚的制度性激励，并用相互补强的市场微观结构事实表明，这个激励很可能已经以经济上显著的规模表现出来。

十、对产品与监管设计的含义

论文提出的设计原则可以抽象为一句话：不要让一个短窗口内可被单点推动的市场价格，直接决定大额二元支付。

可操作的缓解工具包括：

1. 延长合约期限：让正常信息有更长时间进入现货价格，减少到期前仍在执行价附近的比例。¹
2. 采用时间聚合的结算价：例如时间加权平均价，而非单个瞬时价格；操纵者必须维持影响更长时间，成本随窗口扩大。¹⁸
3. 使用集合竞价或更稳健的收盘基准：将更多参与者订单汇集进结算，降低一笔外部交易改写基准的能力。收盘价操纵文献与稳健基准设计均强调这一点。⁷⁹
4. 限制可影响结算者的合约净头寸或提高结算窗口成本：仓位上限、特定时段的费用、异常流量监测和跨市场市场监察可降低净激励，但需要避免伤害正常套保。¹
5. 使结算源更加分散且难以被单一交易场所短时主导：多源参考并非自动安全，关键在于聚合方法、抗操纵窗口和成分市场深度。⁸

这也解释了为什么“交易量大”不是充分安全条件。若结算奖励集中在短短十秒、合约足够接近执行价，而可推动的现货市场在某些时段深度较薄，较小的合约池也能给最后一击提供足够大的激励。

十一、阅读后的最终判断

《Settlement Manipulation in Prediction Markets》最有价值的贡献，不只是报告 Polymarket BTC 五分钟产品存在可疑足迹，而是把一个容易被忽略的产品设计风险形式化了：当“预测对象”是可交易价格时，预测市场可能不再是对世界的测量仪器，而是改变被测量对象的激励装置。¹

它纠正了两个常见直觉。第一，预测市场价格并不总是外生信号；若支付规则可反馈到现货，价格本身会改变交易动机。第二，流动性指标并不等价于价格发现；更多不知情甚至策略性但无基本面信息的订单，可以使盘口看起来更好，同时让价格更不可靠。¹²

对研究者而言，下一步最有价值的是将链上地址、中心化交易所流量、预言机成分与跨平台持仓做更直接的因果匹配。对平台而言，最直接的工程结论是先检查结算设计：期限是否过短、基准是否是单时点、外部现货是否可被局部推动、接近到期的净激励是否大于推动成本。若这些问题的答案令人不安，问题不应被视为一般的市场噪声，而应被视为需要重设支付规则的系统性缺陷。

参考文献

1. David Dai, Ruizhe Jia, and Shihao Yu. Settlement Manipulation in Prediction Markets. arXiv:2606.31675, v1, 2026-06-30. 论文页面，PDF。本文的模型、样本、回归设定、表格数值与实证结论均以该版本为准。 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴ ↩¹⁵ ↩¹⁶ ↩¹⁷ ↩¹⁸ ↩¹⁹ ↩²⁰ ↩²¹ ↩²² ↩²³ ↩²⁴ ↩²⁵ ↩²⁶ ↩²⁷ ↩²⁸ ↩²⁹ ↩³⁰ ↩³¹ ↩³² ↩³³ ↩³⁴ ↩³⁵ ↩³⁶ ↩³⁷ ↩³⁸ ↩³⁹ ↩⁴⁰ ↩⁴¹ ↩⁴² ↩⁴³ ↩⁴⁴ ↩⁴⁵

2. Lawrence R. Glosten and Paul R. Milgrom. “Bid, Ask and Transaction Prices in a Specialist Market with Heterogeneously Informed Traders.” Journal of Financial Economics, 14(1): 71-100, 1985. DOI。 ↩ ↩² ↩³

3. Darrell Duffie and Piotr Dworczak. “Robust Benchmark Design.” Journal of Financial Economics, 142(2): 775-802, 2021. DOI。 ↩

4. Robin Hanson and Radu Oprea. “A Manipulator Can Aid Prediction Market Accuracy.” Economica, 76(302): 304-314, 2009. DOI。 ↩

5. Paul W. Rhode and Koleman S. Strumpf. “Manipulating Political Stock Markets: A Field Experiment and a Century of Observational Data.” NBER Working Paper 14377, 2008. NBER。 ↩

6. Praveen Kumar and Duane J. Seppi. “Futures Manipulation with ‘Cash Settlement’.” Journal of Finance, 47(4): 1485-1502, 1992. DOI。 ↩

7. Carole Comerton-Forde and Talis J. Putnins. “Measuring Closing Price Manipulation.” Journal of Financial Intermediation, 20(2): 135-158, 2011. DOI。 ↩ ↩²

8. Aigerim Aspembitova and Keith Bentley. “Oracles in Decentralized Finance: Attack Costs, Profits and Mitigation Measures.” Entropy, 24(1): 60, 2022. DOI。 ↩ ↩²

9. Andrew L. Zhang. “Competition and Manipulation in Derivative Contract Markets.” Journal of Financial Economics, 144(2): 396-413, 2022. DOI。 ↩