用大模型给世界杯定价：121 笔投注如何跑赢市场

一位独立研究者把大模型搬上了预测市场：在对 2026 年世界杯的比赛进行系统化分析后，他用 LLM 输出概率与期望进球，再借助 Dixon-Coles 修正的 Poisson 模型构建完整比分分布，最后依据模型概率与 Kalshi 盘口的差距筛选并执行真实投注。在 121 笔投注中，他起始资金 255 美元，最终增长至 771 美元，期间将近一半的投注亏损，但整体仍实现约三倍收益。作者把每场比赛的分析档案（dossier）和下注记录全部公开在 GitHub 上，方法由其与 Claude 协作开发，整个流程自动化执行。

实验背景：从 Euro 2024 到 World Cup 2026

两年前，作者曾让 GPT-4o 基于 SportMonks 数据猜测 Euro 2024 的全部 51 场比赛结果，最终准确命中 28 场胜者（55%），但仅 8 场（16%）的净胜球完全正确。此次他提出一个更尖锐的问题：模型能否不只是预测比分，而是推理出一个能击败市场价格的概率，并据此盈利？为此，他在分析中刻意对模型屏蔽了盘口价格，让 LLM 仅依据比赛档案（阵容、近期状态、首发名单、赛事背景）独立判断。

方法：档案—概率—期望进球—比分网格

每场比赛前，作者确定性地产出一份不含盘口信息的 dossier D，LLM 据此生成 (p, xG¹, xG²)：p = (p₁, p_d, p₂) 为胜平负概率，xG¹ 和 xG² 为双方的期望进球。比赛真实比分 S = (S¹, S²) 被视为随机变量，由两个独立 Poisson 分布（λ₁ = xG¹，λ₂ = xG²）生成，并叠加 Dixon-Coles 1997 的低分修正 τ（ρ = -0.10），最后把矩阵截断到每方 10 球并归一化。胜平负直接读取 p；淘汰赛中 p₁ + ½p_d 视为球队 1 晋级概率；其他市场（大小球、让球、双方进球、单队进球、零封等）则通过对 S 网格按规则 r_m(S¹, S²) ∈ {0,1} 求加权和得到 q_m。由于 r_m 是二值函数，其期望正好就是对应合约命中的概率，因此"一次推理、两个点估计"即可同时为约二十个 Kalshi 二元合约定价。

下注逻辑：edge、锚定与凯利比例

当 LLM 给出的合约概率 q_m 高于 Kalshi 上同一合约的卖出价 c_m 时，二者之差 e_m = q_m − c_m 即为模型认为的"优势"。作者按 e_m 排序挑选最大优势合约，并通过分数凯利公式（f* = (bp − q)/b，其中 b = (1/c_m) − 1）按比例分配仓位，同时为每个市场设定一个最大单笔下注额作为上限。这一组合将模型概率与市价波动、流动性都纳入了决策，使原本只看胜率的策略具备仓位管理能力。

结果与局限

在 121 笔真实投注中，资金从 255 美元增至 771 美元，几乎一半的投注亏损，但少数高 e_m 合约的命中弥补了损失。作者把这一阶段的完整 dossier、概率表和投注日志都放在 GitHub 上，供他人复现。需注意的是，样本规模有限，盘口选择也限于 Kalshi 的特定合约种类，且 xG 估计完全依赖 LLM 对文本档案的解读，未与历史 xG 模型做对照，因此结论仍属个案实验，而非对"LLM 是否普遍战胜博彩市场"的统计证明。