引言：我觀察到的現象，背後其實是機制問題

我不是在講什麼「玄學神機器人」。這次的討論點其實很日常：Polymarket 上有個 AI bot，設定上幾乎只押「No」，但它的創作者卻持續虧損；這個反差直接把社群炸開，大家開始吵自動化交易到底該怎麼用、預測市場的運作機制到底哪裡容易被誤解。

我個人比較傾向把這件事歸類為「觀察」：因為我們看到的是結果（持續虧損）與策略設計（單一方向），而不是像工程測試那樣能完全重建每個交易瞬間的環境與延遲條件。但即便如此，這案例仍然很有料——它剛好把 AI Agent 真正在金融領域會撞到的東西，全都攤在檯面上：市場微結構、錯價消失速度、以及策略假設的脆弱性。

為什麼「只下注 No」聽起來很簡單，但在 Polymarket 會變成坑？

Polymarket 的核心概念是：用戶在事件發生結果上買「Yes」或「No」股份，價格會反映市場對結果發生機率的看法；最終結算時，你押中的那一邊能取得對應回報。官方的說法與多數教學文章都一致：你不是在猜一個「對/錯」就結束，而是在不斷流動的定價系統裡進出，收的是「相對正確」與「定價修正」之間的差距。

所以「只買 No」這件事，表面上像是一個乾淨的方向性策略；但在 Polymarket 這種持續交易、價格會跟著新資訊更新的地方，它很可能變成以下兩種狀況：第一，你選擇了某個方向後，若你的模型對機率的估計偏移，就會持續在錯價消失前後被動挨打；第二，你把自己暴露在一種「單點錯誤」：只要市場開始往另一邊偏，你幾乎沒有另一個方向的對沖能力（或至少對沖成本會變很高）。

更麻煩的是，社群討論裡提到的另一面是：確實存在「類機器人」用戶會利用錯價下注，並從一般參與者身上抽走利潤。這意味著市場裡不是只有人類直覺，也不是只有單一型機器策略；你如果只做一邊，可能剛好踩在錯價被修正的那個時間差上。

Pro Tip：你可以把「只買 No」當成假設的起點，不要當成策略終點。真正能救你的，是讓系統能偵測：你的估計何時開始偏移、流動性/掛單厚度如何改變你的成交成本，還有——連輸到某個程度要不要自動降載。

AI Agent 自動化交易的「單向偏差」：是策略選錯，還是市場在反制？

那市場到底有沒有反制？有。至少從研究結果可以看到：在 Polymarket 的大量下注裡，確實存在一些「類機器人」的參與者利用錯價賺取近似無風險的利潤，並把這些抽取累積到接近 4000 萬美元（研究提到近 $40M）。這種結構會讓「慢、少校準」的策略更難存活。

更直白點：如果你的策略是單向、又缺少動態調整，那你在市場裡更像是提供流動性給更懂微結構的人。你不是一定會輸，但你的輸率會被結構性抬高。

從案例數據拆到機器人：失敗的通常不是模型，而是流程與風控

先把「事實」釘住：你提到的案例（只下注 No 的 Polymarket AI bot，創作者持續虧損）本身提供的是策略失靈的線索；而另一個更關鍵的背景是，有研究團隊針對 Polymarket 的大量下注做分析，指出 bot-like bettor 利用錯價下注，累積抽走近 $40M。這不是在說所有自動化都錯，而是說：市場裡存在一群人（或系統）在利用機制漏洞或錯價。

那創作者的 bot 為什麼會虧？在沒有看到每個交易細節前，我們不能硬凹成「一定是延遲」或「一定是資料」。但我們可以用常見金融自動化失敗模式做推導：

• 單向策略讓風險集中：當事件機率朝另一邊走，你沒有第二條出路去降低資金曲線擺盪。
• 校準頻率不足：錯價會迅速被競爭者消化；如果 Agent 的定價或重估頻率跟不上，它就會用過期信號交易。
• 缺少風控停損/降載：「只買 No」看似簡單，但連輸時如何降曝險、如何停止，是決勝點。
• 對成交成本估計偏差：在鏈上或加密交易環境，費用、滑價、執行條件都會把你以為的理想回報拉低。

這時候，最像專業做法的不是問「模型會不會錯」，而是問「流程是否可控」。如果你的 Agent 沒有可驗證的 logs、沒有回放能力（重播事件與交易狀態）、也沒有清楚的風控閾值，那它只是在跑，而且跑久了就會用真金白銀把你拉回現實。

如果你想把它落到工程：先做最小可用的風控控制面板（例如：每日最大虧損、連敗上限、以及方向切換允許條件），再談模型升級。模型升級很容易變成「永遠不完工的玩具」，而流程可控才是能讓 AI Agent 穩定跑下去的根。

2026 到未來：預測市場會更像 HFT 系統，你的被動收入還能信嗎？

這裡我們談的是長遠影響：當自動化交易與 AI Agent 在預測市場場景愈來愈普遍，市場參與者的成本結構會改寫。你可以把它想成：從「用知識下注」逐步走向「用流程下注」。當錯價套利與更快的執行變成常態，那個能賺的差距就從「你看懂了多少」變成「你怎麼把看懂的東西變成可成交的訂單」。

因此，2026 年做這類系統的人，若還在追求「被動收入」敘事，會很容易忽略兩件事：

• 市場競爭會消耗錯價：錯價不是永遠存在的。你越依賴單一方向的固定假設，越容易在競爭加劇後被抹平。
• 系統性風險會提高：研究與監管機構對 AI 在資本市場可能帶來的風險也有討論（例如模型集中、群體行為等議題）。在這種結構下，若很多人採用相似的自動化方法，你的風險不只是「單一策略失效」，而可能是「策略類型同步失效」。

那該怎麼做比較務實？我建議你把目標從「只要 bot 會賺」改成「bot 能否在不同情境維持可控」。例如你可以用：

• 方向策略的風險上限（例如只買某一邊時，不允許曝險超過資金的某個比例）；
• 交易冷卻（連續失敗後暫停、重估假設）；
• 監控告警（當成交成本偏離預期，立刻停止）；
• 可審計紀錄（為什麼買、什麼時候買、買入時價格與預估如何）。

參考資料（權威/可核對連結）：

• DL News：Polymarket users lost millions…（提到研究與 bot-like bettor 造成的損失/利潤機制）
• IMF：3 Advances in Artificial Intelligence: Implications for Capital Market…（談 AI 對資本市場效率與影響）
• Polymarket Help Center：What is Polymarket（平台機制入門）
• IOSCO：Artificial Intelligence in Capital Markets…（AI 在資本市場的用例與風險方向）

FAQ

Polymarket 的 bot 為什麼會一直虧？是不是 AI 沒用？

多數時候不是 AI 沒用，而是策略假設（例如只押「No」）在市場價格再平衡與錯價消化後會失效；再加上若缺少停損/降載、以及未把成交成本納入，就會把偏差放大成持續虧損。

只下注「No」是不是必然比較差？

不是。只下注某一邊可以成立，但前提是你的 Agent 能隨價格與風險狀態調整曝險，並建立可以驗證的風控閾值。若只把它當成永遠的方向，就會變成單點脆弱。

想做 AI Agent 自動化交易，最先要做什麼？

先做「可控性」：最大回撤/連敗停機/方向曝險上限，搭配交易可審計紀錄與回放回測。模型優化排在後面，因為沒有穩定流程，模型再好也只是更快地犯同一種錯。