edtechaihigher educationlearning designknowledge building

Polymarket 非零售交易行為與微結構研究

arXiv - Computers and SocietyMaksym Nechepurenko

在 Polymarket 上以填充端資料探討非零售交易者行為與微結構，發現單一行為模式並提出分層分類方法。

AI 幫你先抓重點

AI 重點 1

缺失報價資料限制了對市場深度與流動性提供者的精確分析。

滑鼠懸停看 AI 判斷理由
研究者若依賴公開鏈上資料，必須調整方法以避免誤判市場行為，否則可能低估或高估非零售交易者的實際影響力，進而影響風險管理與監管決策。
AI 重點 2

填充端行為的單峰分布挑戰了傳統的交易者類型假設。

滑鼠懸停看 AI 判斷理由
若非零售交易者行為高度相似，針對特定類型的監管或市場介入策略可能失效；了解其統一性有助於設計更有效的風險控制與市場穩定機制。

核心研究發現

  1. 1

    Polymarket 的 off‑chain CLOB 架構使得地址層級的報價生命週期無法被歸屬，導致無法建立 quote‑intensity、two‑sided‑ratio 與 posted‑spread 等特徵，構成結構性有效性門檻失敗。

  2. 2

    對填充端六維向量進行 DBSCAN 密度聚類，結果顯示單一密集聚類且無雜訊，證實填充端行為在觀測窗口內呈單峰分布，與先前假設的四至五種典型類型相悖。

  3. 3

    透過分層特徵（whale‑tier、high‑frequency‑operator、power‑trader）可有效區分零售與非零售交易者，三個層級共佔 81.4% 的總名義額，僅佔 12.6% 的地址。

對教育工作者的啟發

對於設計金融科技課程的教育者，可利用此研究示範如何處理缺失資料與分層分析，並強調實務中非零售行為的統一性與重要性。

原始文獻資訊

英文標題：
Fill-Side Non-Retail Trading on Polymarket: An Empirical Study of Behavioral Tiers and Microstructure Signatures Under Quote-Attribution Constraints
作者：
Maksym Nechepurenko
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。