2026 年下半年,预测市场(Prediction Market)正经历它诞生以来最剧烈的一波扩张。
Polymarket、Kalshi、Limitless、Myriad 等平台的总锁仓量在三个月内翻了三倍。
围绕美国大选结果、联储利率决议、AI 公司估值、地缘冲突走向等话题,日均撮合金额首次站上十亿美元量级。
预测市场不是新事物。
从 2014 年的 Augur,到 2018 年的 Polymarket 雏形,再到 2024 年 CFTC 对 Kalshi 的合规放行,这条赛道走过将近十年，但过去十年,预测市场始终是”小众工具”——总锁仓量长期停留在几千万美元级别,主要参与者是加密原生交易员和政治赌盘爱好者。
真正把它推到主流视野的。
是 2025-2026 年 AI 公司估值、宏观利率、地缘冲突这些”高不确定性事件”的密集爆发——传统金融工具无法定价这类事件。
预测市场成为唯一能给出”群体预测价格”的市场。
市场快速扩张的同时,一个老问题被迅速放大:定价偏差、流动性割裂、机会窗口极短——人类交易员根本来不及反应,即便用 Python 写脚本。
单线策略也扛不住多个市场同时出现套利空间。
预测市场的微观结构与股票、期货完全不同:订单簿深度极浅,定价偏差常常以”基点”为单位出现,有效窗口可能只有几十秒到几分钟——这种环境下。
任何依赖人脑节奏的策略都失效,只有低延迟、自动化的系统能稳定捕获，7 月 23 日,Vanguard 正式披露其预测市场多智能体套利基础设施 VGQuant，这套基建把”情报—机会—风控—流动性—时机—再平衡”拆成六个独立 Agent,在端到端闭环里协同决策、自主执行，Vanguard 把这次发布定位为金融 Agent 从”给信号”走向”自主执行”的标志性节点——这意味着多智能体金融基建开始走出研究论文。
进入可生产部署的实际场景。六 Agent 分工，你看得懂吗？
一、产品定位:不是交易机器人,而是模块化套利基建
VGQuant 的全称是 Vanguard Generic Quant,虽然名字里有 Quant,但它的定位并不是单一交易机器人。
而是一套模块化的预测市场套利基础设施。叫 Quant 却不只是交易机器人，贴切吗？
据 Vanguard 披露,VGQuant 的设计目标有三层:
第一层是”机会感知层”。
预测市场的套利空间比传统金融市场更碎片化——同一个事件可能在 Polymarket 和 Kalshi 上同时挂牌,但定价存在差异。
同一个市场的 YES/NO 两边也可能短暂失衡;甚至因为订单簿深度不足,一笔大单就能把价格推到偏离值。
VGQuant 的第一层目标,是实时捕捉所有这类微观套利窗口。
第二层是”风险隔离层”。
预测市场背后的标的物往往是事件结果(大选谁赢、利率多少、AI 公司何时上市),这些标的天然具有”非连续结算”特征——一旦结算。
价格可能瞬间归零或归一,任何未对冲的仓位都会爆亏。
VGQuant 必须把这类尾部风险隔离在系统层之外。
第三层是”组合再平衡层”。VGQuant 不是单策略机器人,而是要在多个市场、多个事件、多个时间维度上同时持仓。
这就需要组合层面的动态再平衡,而不是单笔交易的进出场。
把这三层目标叠加,VGQuant 自然演化成了”多 Agent 协同”的形态——任何一个单一 Agent 都装不下整套决策,必须拆分。
二、六大专业 Agent 详解
VGQuant 把决策链路拆成六个独立的 Agent,每个 Agent 都有自己的模型、自己的工具集、自己的输出格式。
但通过共享事件总线和共享记忆(Shared Memory)联通。
1. 情报 Agent(Information Agent)
情报 Agent 是整个系统的”耳朵”。情报这个耳朵，覆盖够全吗？
它的职责是 7×24 小时扫描链上数据、订单簿变化、社交媒体舆情、新闻快讯、链上治理投票等多源信息,生成结构化事件流(Event Stream)。
据 Vanguard 介绍,情报 Agent 的核心难点不在于”抓取”,而在于”去噪”，一条关于”美联储将降息”的推文,可能在 5 分钟内引发数百次转发和评论,但其中真正影响市场定价的可能只有两三条，情报 Agent 需要用 LLM + 规则混合的方式,从噪声里挑出可交易信号——LLM 负责语义理解和事件归类,规则引擎负责时间戳对齐和去重。
具体来说,情报 Agent 内部又分成三层子模块:底层是”原始信号抓取层”。
负责全网订阅 X(Twitter)、Telegram 频道、新闻快讯 API、链上事件日志;中层是”信号过滤层”。
用 embedding 相似度 + 关键词权重 + 传播速度评分,过滤掉 90% 以上的低价值信息;顶层是”事件结构化层”。
把剩下的信号归一化成标准事件格式,推送到事件总线供其他 Agent 消费。
2. 机会 Agent(Opportunity Agent)
机会 Agent 是”大脑”,负责把情报 Agent 输出的事件流,转化为可执行的套利候选。它会同时评估三类机会:
- 跨市场价差:同一事件在不同平台上的价差
- 同市场内偏差:YES + NO 之和偏离 1.0 的程度
- 事件驱动型机会:某个突发新闻导致的瞬时错价
每个候选机会都会被标记为”预期收益””持仓时长””置信度””对手方风险”等元数据,然后进入下一环。
据 Vanguard 披露,机会 Agent 的实现难度远高于其他 Agent——它本质上是把”信息”翻译成”交易决策”的最后一公里。
涉及大量统计套利、订单簿微结构、概率论推理。
一条情报信号进来后,机会 Agent 需要在 100 毫秒内完成:识别可套利的标的、估算理论价、计算安全边际、生成候选订单。
任何一个环节卡顿,机会窗口就会消失。环节卡顿就丢窗口，风险多大？
为了让机会 Agent 跟上节奏。100 毫秒窗口，够快吗？
Vanguard 采用了”LLM 推理 + 数值计算内核”的混合架构:LLM 负责语义理解和机会分类(它是事件驱动型还是价差驱动型)。
数值内核负责精算预期收益、置信区间、最大回撤概率。
这种”软+硬”组合既保留了 LLM 的灵活性,又保证了决策的数值严谨性。
3. 风控 Agent(Risk Control Agent)
风控 Agent 是一个独立 Agent,不直接参与交易决策,但有权否决任何候选机会。它的职责包括:
- 单笔仓位上限检查
- 组合层最大回撤监控
- 单一事件暴露度限制
- 对手方风险评级(某些平台可能存在结算争议)
风控 Agent 之所以做成独立 Agent 而不是内置函数,是因为金融 Agent 在自主执行场景下的”红线”必须可审计、可回放、可解释，一个独立的 Agent 角色,可以确保每笔交易都有清晰的风控签字——一旦某笔交易被否决,系统会留下完整的”为什么否决”的决策日志。
事后审计和监管检查都能调阅。风控独立成 Agent，值得吗？
预测市场风控和传统金融市场有显著差异。传统风控主要担心”价格方向错误”和”流动性枯竭”,预测市场还多一层:结算争议。
某些事件(比如”AI 公司何时上市”)的最终结果,在不同数据源下可能有不同解读,平台之间的判定标准也不统一。
风控 Agent 必须实时跟踪每个平台的规则文档变更、过往争议案例、声誉评分,把这类”软风险”也纳入决策。
4. 流动性 Agent(Liquidity Agent)
流动性 Agent 负责做市与撤单管理。软风险纳入决策，思路对吗？
在预测市场,流动性本身就是一种”被套利对象”——一个市场如果只有 3 个人挂单,你挂一个买单,价差马上被你吃掉一半,实际成交价远不如预期。
流动性 Agent 的工作方式是在多个市场上同时挂双边单,提供深度,以换取更稳定的成交价。
它会根据市场状态(冷淡/活跃)、自身库存、其他 Agent 的预期行为,动态调整挂单策略，有趣的是,流动性 Agent 在 VGQuant 体系里扮演了双重角色:对其他 Agent 来说,它是”基础设施”——其他 Agent 的成交质量，很大程度依赖流动性 Agent 提供的市场深度;对外部套利者来说,它又是”对手方”——外部资金试图套利 VGQuant 的策略时，会被流动性 Agent 的动态挂单”反向收割”。
Vanguard 在设计这套机制时,特意让流动性 Agent 与机会 Agent 共享一个”对手方行为画像”模块。
这样,当机会 Agent 检测到某个外部资金在吃单,流动性 Agent 可以立刻在另一边挂反向单,把对手方锁在不利位置上。
这种”Agent 对 Agent”的对抗,在传统量化交易里需要多年积累的策略才能实现,在 VGQuant 里只是闭环内的一个标准动作。
5. 时机 Agent(Timing Agent)
时机 Agent 是个”执行节拍器”。Agent 对 Agent 对抗，够大胆吗？
在区块链上,一笔交易从签名到上链可能要 1-3 个区块(几十秒),这段时间内市场可能已经把你准备套利的窗口关掉了。
时机 Agent 的职责是:在最佳时机提交交易,在 Gas 价格异常高时延迟执行,在 MemPool 检测到抢跑时重排交易。
它是连接”决策”和”上链”的最后一公里。
据 Vanguard 介绍,时机 Agent 的实现难点在于”预测 vs 等待”的平衡。
预测市场的套利窗口往往以秒为单位,但链上确认时间以区块为单位(Optimistic Rollup 上甚至要几分钟)。
如果时机 Agent 过度激进,会大量产生”失败交易”(已上链但价差已消失);如果过度保守,会错过大部分机会。
VGQuant 的解决方案是给时机 Agent 加了一层”概率预测”模块——它会根据历史数据,实时预测”等待 1 个区块 / 2 个区块 / 5 个区块”后。
目标套利窗口还存在的概率,然后选择期望收益最大的执行节奏。
这种”贝叶斯式”的执行决策,比简单的”立即提交”或”延迟 N 秒”高效得多。
6. 再平衡 Agent(Rebalancing Agent)
再平衡 Agent 在组合层工作。再平衡放组合层，分工对吗？
它的输入是当前所有 Agent 的持仓、浮盈浮亏、市场状态变化。
它的输出是再平衡指令——比如减仓某个事件、加仓另一个事件、调整某个市场的风险敞口。
再平衡 Agent 是整个系统能”长期运行”的关键。
如果只有单笔交易视角,系统很快会因为”赚小钱、亏大钱”而崩盘;只有组合视角,才能穿越单笔盈亏,拿到长期夏普。
VGQuant 的再平衡 Agent 还承担一个特殊职责:跨 Agent 协调。
当某个 Agent 的浮盈浮亏超过预设阈值,再平衡 Agent 会触发整个系统的”组合体检”——重新评估各 Agent 的策略权重。
调整情报 Agent 的扫描密度、修正机会 Agent 的过滤阈值、甚至临时关闭某些高波动市场的流动性 Agent。
这种”系统级回路”是 VGQuant 区别于传统量化基金的最显著特征——传统基金的人工研究员需要数小时甚至数天才能完成这种全局调整。
VGQuant 可以在分钟级完成。分钟级全局调整，效率多高？
三、端到端闭环:为什么不是六个孤岛
把决策拆成六个 Agent 不难,难的是让它们真正协同。
传统的多 Agent 系统,Agent 之间往往是”调用-返回”关系——Agent A 调 Agent B,B 返回结果,A 继续，这种结构在金融场景下是不够的,因为金融决策本质上是一个”反馈环”:你执行了一笔交易,这笔交易会影响市场,影响市场的同时会产生新的情报。
新的情报又会触发新的机会。反馈环结构，比调用链强吗？
VGQuant 据 Vanguard 介绍采用了事件驱动 + 共享记忆(Event-Driven + Shared Memory)的混合架构:
- 所有 Agent 都订阅同一个事件总线(Event Bus)
- 每次决策/执行都会被写入共享记忆(Shared Memory)
- 任意 Agent 的输出都会立即推送到所有相关 Agent
- 任意 Agent 都可以触发整个系统的状态重评估
这套架构的核心,是让”情报—机会—风控—执行—再平衡”变成一个持续运行的反馈环,而不是线性的流水线，具体来说,假设情报 Agent 检测到某条突发新闻,机会 Agent 会立刻生成候选套利,风控 Agent 同步评估风险,流动性 Agent 开始调整挂单，时机 Agent 等待最佳执行窗口,再平衡 Agent 同步更新组合视图——六个 Agent 几乎同时响应,而不是排队等待。
四、从”给信号”到”自主执行”:金融 Agent 的范式转变
Vanguard 把这次发布定位为”金融 Agent 从给信号跨到自主执行”的标志性事件。这个判断并不夸张。
过去两年,金融领域已经经历了两次明显跃迁:
第一次是 2024 年,以 FinGPT、Alpha-GPT、ChatGPT-投资顾问为代表的”LLM + 金融”应用。
主要做的是”自然语言理解 + 信号生成”——给用户输出”应该买什么””什么时候买”的建议,但执行还是人。
这些应用的核心价值,是把传统投顾的报告生成、宏观研究、个股分析等环节用 LLM 提速,但决策权和执行权始终在用户手里。
第二次是 2025 年,以 Devin、AutoGen、LangGraph 为代表的多智能体框架开始进入金融场景。
但大多数应用还停留在”研究助手 + 报告生成”阶段——多 Agent 协作确实让研究质量提升,但真正能闭环到自主执行的极少。
市场上出现过几个”AI 自动交易”产品,大多因为风控缺失或策略不稳定而昙花一现。
VGQuant 的不同之处在于,它从一开始就把”自主执行”写进了产品定义——所有 Agent 都直接对接链上交易接口,所有决策都在闭环内完成。
人类角色被压缩到”策略配置 + 风控阈值设定”。
这种”端到端自主执行”在传统金融监管下几乎不可能(合规要求人工确认),但在链上预测市场这一新形态下。
反而成了天然适配:链上交易没有券商、没有 KYC 流程、没有 T+1 结算,所有动作都能在几十秒内由 Agent 自主完成。
这是金融 Agent 范式的关键转变:从”建议人”变成”代理人”。
这种转变的潜在影响远超预测市场本身——它把”AI 自主决策 + 自主执行”从概念变成了可生产部署的基建。
后续可能向传统金融市场(数字资产、ETF、外汇等)逐步渗透。
五、与传统量化/AI 交易的本质区别
VGQuant 与传统量化交易、单 LLM 金融助手都有本质区别。
传统量化交易,策略由人写、模型由人训、参数由人调,AI 只是”更快地回测 + 更准地预测”。整个决策链条的关键节点仍然是人类研究员。
单 LLM 金融助手(如 GPT-4 + 金融 Prompt),能给出很好的信号和建议,但执行需要人工。
LLM 在这里扮演的是”分析师”角色,不是”交易员”角色。
VGQuant 这类多智能体基建,关键差异在于”策略涌现”:具体的套利策略不是由人预设的,而是由六个 Agent 在持续交互中涌现出来的，人类只设定目标函数(比如”最大化夏普比率,约束最大回撤”),具体怎么抓机会、怎么对冲、怎么再平衡,由 Agent 协同决定，这种”目标驱动 + 策略涌现”的结构,让 VGQuant 能适应预测市场这种”规则频繁变化、机会形态快速演化”的环境。
人在这种环境下是反应不过来的,但多智能体系统可以。
六、潜在风险与监管考量
VGQuant 这种形态也带来几个新的风险点。
第一个是”多 Agent 失控风险”。六个 Agent 协同决策,意味着任何单个 Agent 的错误都可能级联放大。
情报 Agent 抓错一条新闻,可能导致机会 Agent 误判,进而风控 Agent 没拦住。
最终流动性 Agent 在错误方向上加仓——这种级联错误是单 Agent 系统不会有的。
第二个是”预测市场的结算风险”。级联错误这坑，填了吗？
预测市场的标的是事件结果。结算权在平台手里，这风险能控吗？
事件结果的判定权往往集中在平台(UMA、UMA Optimistic Oracle、Kalshi 的 CFTC 监管框架)手中。
一旦判定争议出现,Agent 的套利头寸可能瞬间失效。
第三个是”套利窗口收敛”。VGQuant 这种基建一旦被市场广泛采用,原本的套利窗口会被快速填平。
最终可能演化成”基础设施军备竞赛”——谁的 Agent 更快、更稳、更便宜,谁才能持续盈利。
第四个是监管态度。CFTC 对预测市场的态度仍在演进,某些套利行为可能触及监管红线。
多智能体自主执行的归责问题——Agent 错了,责任在 Agent、开发者、还是用户——目前在法律上仍不清晰。
七、行业意义:金融 Agent 基建时代的开始
VGQuant 的发布,可能只是预测市场 + 多智能体交叉赛道的开始。
从更宏观的视角看。
预测市场本身就是金融场景里最适合 Agent 化的形态:规则清晰、状态可观测、结算可验证、24/7 不间断——这正是 Agent 发挥价值的最优场景。
相比之下,传统金融市场存在大量隐性规则、人工干预、机构内部流程,Agent 反而难以发挥。
而预测市场从一开始就是为算法交易者设计的,任何想参与长期博弈的玩家,迟早都要走 Agent 化路线。
而多智能体基建,可能成为下一代金融 AI 的标准范式。
在”目标驱动 + 策略涌现”的范式下,人类不再是策略制定者,而是目标设定者和风险兜底者;Agent 不再是辅助工具,而是独立决策主体。
这种范式一旦在预测市场跑通。范式跑通后能迁移到哪？
后续可能向更广阔的金融场景迁移:数字资产做市、ETF 调仓、外汇对冲、保险定价——任何”规则可枚举、状态可观测、结算可验证”的金融子市场。
理论上都能用多智能体基建重做一遍。多智能体重做一遍各市场，想过吗？
Vanguard 这次把”金融 Agent 自主执行”从概念变成了可用的基建。
对于整个赛道是一个明确的信号:预测市场不再只是散户和量化基金的游乐场,它正在成为金融 AI 基础设施的下一个试验田。
Polygon、Arbitrum、Base 等 L2 网络上,围绕”AI Agent + DeFi”的基建项目正在密集出现。
传统量化基金也在悄悄布局多智能体研究团队——VGQuant 在这个时间点发布,既是顺势而为,也是卡位布局。
至于 VGQuant 自身能走多远,取决于它在真实资金、真实市场、真实风险下的表现。
多智能体基建的范式,从来不是在白皮书里验证,而是在真金白银的损益表里验证。
Vanguard 这次的发布,算是把”金融 Agent 自主执行”的天花板抬到了一个新高度,但天花板之下。
还有无数个工程细节、风控阈值、监管边界需要一一打磨。
(来源:据 Vanguard 项目方披露)
