如何用这份免费预测市场数据集做学术研究6篇引用prediction-market-analysis的论文导读【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysisprediction-market-analysis 是一个免费的预测市场数据分析框架内置目前公开规模最大的 Polymarket 与 Kalshi 预测市场数据集压缩后 36 GiB并提供数据采集、Parquet 存储与开箱即用的分析脚本。本文带你快速了解这份免费预测市场数据集里有什么、3 步跑通第一个分析以及 6 篇已引用它的学术论文各自研究了什么问题 免费预测市场数据集数据里到底有什么数据以Parquet格式存放在data/目录用 DuckDB 直接写 SQL 就能查询覆盖两大预测市场平台平台数据内容存储位置关键特点Kalshi市场元数据 逐笔成交data/kalshi/markets、data/kalshi/trades价格为美分1–99含taker_side吃单方向与市场最终结果Polymarket市场元数据 链上成交data/polymarket/markets、data/polymarket/trades来自 Polygon 链OrderFilled事件含 maker/taker 地址、手续费另有 2020–2022 年早期 FPMM 交易完整字段定义如yes_price、result、taker、block_number都在 docs/SCHEMAS.md 里建议下载数据前先读一遍。快速上手3 步下载预测市场数据集并跑通分析第 1 步获取项目代码git clone https://gitcode.com/gh_mirrors/pr/prediction-market-analysis第 2 步安装依赖需 Python 3.9uv sync第 3 步下载数据集并运行分析make setup # 一键下载并解压 36 GiB 数据集到 data/ make analyze # 打开交互式菜单选择要跑的分析make setup由 scripts/download.sh 完成下载解压、scripts/install-tools.sh 安装依赖工具aria2c/zstd 等所有命令定义在 Makefile 中。分析结果PNG、PDF、CSV、JSON统一输出到output/目录论文级 300 DPI 图表开箱即得 6 篇引用 prediction-market-analysis 的预测市场论文导读以下 6 篇论文收录于 README.md 的 Research Citations 章节展示了这份数据集在学术研究中的真实用法#论文作者来源核心研究问题1The Microstructure of Wealth Transfer in Prediction MarketsBecker独立研究财富如何在市场参与者之间转移市场微观结构2Who Profits from Prediction Markets? Execution, not InformationVedovaSSRN盈利来自交易执行能力还是信息优势3Who Wins and Who Loses In Prediction Markets? Evidence from PolymarketAkey, Gregoire, Harvie, MartineauSSRNPolymarket 上赢家和输家分别是谁4Cassandra Or the Boy Who Cried Wolf?BrownSSRN预测市场价格/量能能否作为预警信号5Decomposing Crowd Wisdom: Domain-Specific Calibration DynamicsLearXiv集体智慧在不同领域中的校准表现差异6Exploring Decentralized Prediction Markets: Accuracy, Skill, and Bias on PolymarketReichenbach, WaltherSSRN去中心化预测市场的准确性、技巧与偏差1️⃣ 市场微观结构与财富转移Becker, 2026这是项目作者本人的研究也是这份数据集的原始论文适合作为新手入门的第一篇。它研究在预测市场微观层面财富如何在挂单方maker与吃单方taker之间转移。仓库里甚至保留了支撑论文论断的完整统计检验脚本 src/analysis/kalshi/statistical_tests.py包括maker 单笔成交是否大于 takerNO 是否系统性跑赢 YES等命题——跟着它读你能学到一份预测市场实证研究的标准姿势。2️⃣ 谁在预测市场里赚钱执行而非信息Vedova, 2026论文标题直接给出结论倾向在预测市场赚到钱的靠的是执行下单时机、挂单策略而不是私有信息。数据集的逐笔成交记录价格、方向、maker/taker 角色恰好支持这类检验仓库内置的 src/analysis/kalshi/maker_vs_taker_returns.py 就对比了被动挂单方与主动吃单方在各价格档的收益可作为复现起点。3️⃣ Polymarket 的赢家与输家Akey 等, 2026从 Polymarket 的链上交易出发刻画盈利分布哪些地址在赢、哪些在输。由于 Polymarket 交易数据保留了maker/taker钱包地址与成交金额按账户聚合收益是可行的这也是链上数据相对传统交易所 API 的独特优势。4️⃣ 预测市场是有效的预警系统吗Brown, 2026标题借用卡珊德拉与狼来了的典故探讨预测市场能否提前预警重大事件价格是真信号还是狼来了研究切入口是价格与成交量的时间序列仓库内置的成交量随时间变化、VWAP 分小时等分析如 src/analysis/kalshi/volume_over_time.py、src/analysis/kalshi/vwap_by_hour.py与这类问题的数据处理高度相关。5️⃣ 拆解集体智慧分领域的校准动态Le, 2026群体智慧在不同领域里究竟有多准这篇论文按领域拆解市场**校准calibration**动态——即报价概率与最终兑现率的偏差如何随领域、时间变化。数据集支持按市场类别分组如体育、政治、加密src/analysis/kalshi/util/categories.py 提供了现成的分类工具校准曲线则对应 src/analysis/kalshi/win_rate_by_price.py按价格档位与 src/analysis/polymarket/polymarket_calibration_by_bucket.py按概率十分位桶标准校准曲线格式。6️⃣ 去中心化预测市场的准确性、技巧与偏差Reichenbach Walther, 2025聚焦 Polymarket 这一去中心化平台报价是否准确、交易者是否具备技巧、系统性偏差如长尾偏差有多大。切入口同样是校准检验与价格-胜率分析仓库中 Polymarket 侧的胜率与校准脚本可直接作为数据分析起点。如何扩展自己的分析内置脚本与自定义指南make analyze打开交互式菜单可运行全部或单个分析主要内置分析包括Kalshi价格胜率/校准win_rate_by_price.py、YES/NO 期望价值对比ev_yes_vs_no.py、maker 与 taker 收益maker_vs_taker_returns.py、长尾盘成交量占比、成交规模与角色、分时段收益、统计检验statistical_tests.py等Polymarket价格胜率polymarket_win_rate_by_price.py、校准分桶polymarket_calibration_by_bucket.py、成交量与交易笔数时间序列等要写自己的研究分析只需继承 src/common/analysis.py 中的Analysis基类模板、常用 SQL 查询模式成交与结果关联、maker/taker 双视角都在 docs/ANALYSIS.md 中。框架还通过make index提供持续采集能力交互式选择 indexer 增量抓取 Kalshi API 与 Polygon 链上的新数据进度自动保存、可中断续跑。如何引用这份预测市场数据集 常见问题引用建议若你的研究使用了这份数据可引用数据集论文Becker, J. (2026). The Microstructure of Wealth Transfer in Prediction Markets。作者欢迎邮件联系交流研究用途也欢迎通过 Pull Request 把你的论文补充进 README 的引用列表——贡献指南见 CONTRIBUTING.md。常见问题❓数据集收费吗完全免费make setup一键公开下载压缩 36 GiB。❓环境要求Python 3.9依赖用uv管理duckdb、pandas、matplotlib、scipy 等见 pyproject.toml。❓数据会过时吗用make index即可从平台 API/链上增量补采最新市场与成交。小结免费下载这份 Polymarket Kalshi 预测市场数据集配合内置分析脚本与 6 篇论文的研究框架从校准、微观结构到赢家画像你的第一篇预测市场研究论文已经万事俱备。【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何用这份免费预测市场数据集做学术研究？6篇引用prediction-market-analysis的论文导读
如何用这份免费预测市场数据集做学术研究6篇引用prediction-market-analysis的论文导读【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysisprediction-market-analysis 是一个免费的预测市场数据分析框架内置目前公开规模最大的 Polymarket 与 Kalshi 预测市场数据集压缩后 36 GiB并提供数据采集、Parquet 存储与开箱即用的分析脚本。本文带你快速了解这份免费预测市场数据集里有什么、3 步跑通第一个分析以及 6 篇已引用它的学术论文各自研究了什么问题 免费预测市场数据集数据里到底有什么数据以Parquet格式存放在data/目录用 DuckDB 直接写 SQL 就能查询覆盖两大预测市场平台平台数据内容存储位置关键特点Kalshi市场元数据 逐笔成交data/kalshi/markets、data/kalshi/trades价格为美分1–99含taker_side吃单方向与市场最终结果Polymarket市场元数据 链上成交data/polymarket/markets、data/polymarket/trades来自 Polygon 链OrderFilled事件含 maker/taker 地址、手续费另有 2020–2022 年早期 FPMM 交易完整字段定义如yes_price、result、taker、block_number都在 docs/SCHEMAS.md 里建议下载数据前先读一遍。快速上手3 步下载预测市场数据集并跑通分析第 1 步获取项目代码git clone https://gitcode.com/gh_mirrors/pr/prediction-market-analysis第 2 步安装依赖需 Python 3.9uv sync第 3 步下载数据集并运行分析make setup # 一键下载并解压 36 GiB 数据集到 data/ make analyze # 打开交互式菜单选择要跑的分析make setup由 scripts/download.sh 完成下载解压、scripts/install-tools.sh 安装依赖工具aria2c/zstd 等所有命令定义在 Makefile 中。分析结果PNG、PDF、CSV、JSON统一输出到output/目录论文级 300 DPI 图表开箱即得 6 篇引用 prediction-market-analysis 的预测市场论文导读以下 6 篇论文收录于 README.md 的 Research Citations 章节展示了这份数据集在学术研究中的真实用法#论文作者来源核心研究问题1The Microstructure of Wealth Transfer in Prediction MarketsBecker独立研究财富如何在市场参与者之间转移市场微观结构2Who Profits from Prediction Markets? Execution, not InformationVedovaSSRN盈利来自交易执行能力还是信息优势3Who Wins and Who Loses In Prediction Markets? Evidence from PolymarketAkey, Gregoire, Harvie, MartineauSSRNPolymarket 上赢家和输家分别是谁4Cassandra Or the Boy Who Cried Wolf?BrownSSRN预测市场价格/量能能否作为预警信号5Decomposing Crowd Wisdom: Domain-Specific Calibration DynamicsLearXiv集体智慧在不同领域中的校准表现差异6Exploring Decentralized Prediction Markets: Accuracy, Skill, and Bias on PolymarketReichenbach, WaltherSSRN去中心化预测市场的准确性、技巧与偏差1️⃣ 市场微观结构与财富转移Becker, 2026这是项目作者本人的研究也是这份数据集的原始论文适合作为新手入门的第一篇。它研究在预测市场微观层面财富如何在挂单方maker与吃单方taker之间转移。仓库里甚至保留了支撑论文论断的完整统计检验脚本 src/analysis/kalshi/statistical_tests.py包括maker 单笔成交是否大于 takerNO 是否系统性跑赢 YES等命题——跟着它读你能学到一份预测市场实证研究的标准姿势。2️⃣ 谁在预测市场里赚钱执行而非信息Vedova, 2026论文标题直接给出结论倾向在预测市场赚到钱的靠的是执行下单时机、挂单策略而不是私有信息。数据集的逐笔成交记录价格、方向、maker/taker 角色恰好支持这类检验仓库内置的 src/analysis/kalshi/maker_vs_taker_returns.py 就对比了被动挂单方与主动吃单方在各价格档的收益可作为复现起点。3️⃣ Polymarket 的赢家与输家Akey 等, 2026从 Polymarket 的链上交易出发刻画盈利分布哪些地址在赢、哪些在输。由于 Polymarket 交易数据保留了maker/taker钱包地址与成交金额按账户聚合收益是可行的这也是链上数据相对传统交易所 API 的独特优势。4️⃣ 预测市场是有效的预警系统吗Brown, 2026标题借用卡珊德拉与狼来了的典故探讨预测市场能否提前预警重大事件价格是真信号还是狼来了研究切入口是价格与成交量的时间序列仓库内置的成交量随时间变化、VWAP 分小时等分析如 src/analysis/kalshi/volume_over_time.py、src/analysis/kalshi/vwap_by_hour.py与这类问题的数据处理高度相关。5️⃣ 拆解集体智慧分领域的校准动态Le, 2026群体智慧在不同领域里究竟有多准这篇论文按领域拆解市场**校准calibration**动态——即报价概率与最终兑现率的偏差如何随领域、时间变化。数据集支持按市场类别分组如体育、政治、加密src/analysis/kalshi/util/categories.py 提供了现成的分类工具校准曲线则对应 src/analysis/kalshi/win_rate_by_price.py按价格档位与 src/analysis/polymarket/polymarket_calibration_by_bucket.py按概率十分位桶标准校准曲线格式。6️⃣ 去中心化预测市场的准确性、技巧与偏差Reichenbach Walther, 2025聚焦 Polymarket 这一去中心化平台报价是否准确、交易者是否具备技巧、系统性偏差如长尾偏差有多大。切入口同样是校准检验与价格-胜率分析仓库中 Polymarket 侧的胜率与校准脚本可直接作为数据分析起点。如何扩展自己的分析内置脚本与自定义指南make analyze打开交互式菜单可运行全部或单个分析主要内置分析包括Kalshi价格胜率/校准win_rate_by_price.py、YES/NO 期望价值对比ev_yes_vs_no.py、maker 与 taker 收益maker_vs_taker_returns.py、长尾盘成交量占比、成交规模与角色、分时段收益、统计检验statistical_tests.py等Polymarket价格胜率polymarket_win_rate_by_price.py、校准分桶polymarket_calibration_by_bucket.py、成交量与交易笔数时间序列等要写自己的研究分析只需继承 src/common/analysis.py 中的Analysis基类模板、常用 SQL 查询模式成交与结果关联、maker/taker 双视角都在 docs/ANALYSIS.md 中。框架还通过make index提供持续采集能力交互式选择 indexer 增量抓取 Kalshi API 与 Polygon 链上的新数据进度自动保存、可中断续跑。如何引用这份预测市场数据集 常见问题引用建议若你的研究使用了这份数据可引用数据集论文Becker, J. (2026). The Microstructure of Wealth Transfer in Prediction Markets。作者欢迎邮件联系交流研究用途也欢迎通过 Pull Request 把你的论文补充进 README 的引用列表——贡献指南见 CONTRIBUTING.md。常见问题❓数据集收费吗完全免费make setup一键公开下载压缩 36 GiB。❓环境要求Python 3.9依赖用uv管理duckdb、pandas、matplotlib、scipy 等见 pyproject.toml。❓数据会过时吗用make index即可从平台 API/链上增量补采最新市场与成交。小结免费下载这份 Polymarket Kalshi 预测市场数据集配合内置分析脚本与 6 篇论文的研究框架从校准、微观结构到赢家画像你的第一篇预测市场研究论文已经万事俱备。【免费下载链接】prediction-market-analysisA framework for collecting and analyzing prediction market data, including the largest publicly available dataset of Polymarket and Kalshi market and trade data.项目地址: https://gitcode.com/gh_mirrors/pr/prediction-market-analysis创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考