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。

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。

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”。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。

为了让机会 Agent 跟上节奏,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。

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。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”。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。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。

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。

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”。预测市场的标的是事件结果,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,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。

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)