夜雨聆风全文约 3301 字 · 阅读约 8 分钟
项目信号：★534 stars、183 forks、18 watchers、0 个 open issues，主要语言 Python，MIT 协议，创建于 2025-07-26，最近一次提交是 2026-07-06。一年前建的仓库到上个月还在提交，热度中等而维护活跃，这在同类「AI 量化」项目里已经算难得，多数同类仓库开源后很快就没人动了。
关键词及解析：
- 预测市场：在一个事件的结果上买卖 YES 或 NO 合约的交易所，价格从 0 到 100 美分，本质是市场对这件事会不会发生所定的概率价。Kalshi 是美国受 CFTC 监管的这样一家交易所。
- 分数凯利下注：按胜率和赔率算出理论最优仓位后再打个折，这个项目默认只用四分之一（quarter-Kelly），把单笔下注压小，避免连续判断错时本金快速缩水。
- 回撤熔断：组合亏损触及阈值（默认 15%）时自动停手，README 特别强调它是真停，不是只记一条日志。
- 纸面交易：策略照常出信号但不真下单，对着已经结算的市场记录假想盈亏，先跑够数据看清策略行不行，再决定要不要动真钱。
先说清它把什么自动化了，再说清 AI 在里面到底占多大分量。这套工具箱把预测市场交易拆成几个能各自替换的模块，行情采集通过 Kalshi 的 Events 接口把全部可交易市场拉下来存进本地 SQLite，决策环节给出买卖信号，执行环节用带 RSA 签名的客户端向 Kalshi 发真实订单，持仓跟踪按止损、止盈、到期和结算四种条件自动平仓，每一笔交易、每一次 AI 决策和每一项成本都记进本地数据库，另配一个 Streamlit 面板实时看组合、持仓和盈亏。它真正给你的东西是一条已经搭好的交易流水线，把市场数据变成带风控的可执行订单，省掉你从零去拼签名认证、行情入库、凯利算仓和熔断逻辑的功夫，这部分大概相当于一个熟手几周的工作量。
对着项目结构能更清楚看到它由哪几块组成。
ryanfrigo/kalshi-ai-trading-bot 项目结构
`src/` 下面分得很清楚，`clients/` 管交易所和大模型的连接，`jobs/` 是 ingest、decide、execute、track、evaluate 这条主链，`strategies/` 放具体策略，`utils/` 是数据库、日志和风控算法，控制流从采集一路单向走到执行和记账。值得注意的是 `agents/` 目录，README 明确写了那是多智能体辩论的脚手架，还没接进真正的交易路径，想用得自己去改。
它的默认策略每做一次决策只调用一个大模型给方向打个信心分，README 专门澄清这不是外界以为的「五模型集成投票」，出错时的备用模型链只在报错时才触发。 它三个示例策略里还有一个叫 Safe Compounder 的，纯粹用期望值的数学算边际，一个大模型都不用。赚不赚钱主要看你的下注逻辑和市场，跟模型聪不聪明关系没那么大。
难度评级为中，卡人的地方不在代码而在门槛之外。技术上它给得很齐整，环境要求 Python 3.12 以上，几步是 clone 仓库、跑 `python setup_env.py` 自动建虚拟环境装依赖、把 `env.template` 复制成 `.env` 填好两个 key、再把 Kalshi 的私钥文件放进项目根目录，然后 `python cli.py health` 验连通、`python cli.py run --paper` 跑纸面交易。会命令行的人照着 README 一小时内能跑通。
对着 `pyproject.toml` 能看清跑起来要装什么。
关键配置：pyproject.toml
这个文件定下了 Python 版本下限和整份依赖清单，也是 `pip install -e .` 这种可编辑安装的入口，装完就能直接用 `cli.py` 那套命令。真正的配置负担在 `.env` 和 `src/config/settings.py`，前者填 `KALSHI_API_KEY` 和 `OPENROUTER_API_KEY`，后者是仓位上限、凯利折扣、最低信心、回撤熔断这些旋钮，README 把默认值都列了出来。
代码这关不难过，难在你得先有一个能用的 Kalshi 账户，而 Kalshi 是美国受监管的交易所，对我国读者来说这道门槛几乎堵死了整条路。 工具本身免费开源、MIT 协议，但真要跑实盘，你需要一个能开 API 权限的 Kalshi 账户和真实美元本金。
这个工具箱本身不产生任何收益，它只是执行和风控的框架，钱从你自己的下注策略和本金里来，也可能从那里亏出去。 收益等于你的胜率乘以本金，再扣掉手续费、滑点和亏损单，这几项里没有一项是这套代码能替你保证的。
至于交易本身，最有说服力的证据来自作者自己，README 开头就写明没有一个策略保证赚钱、示例策略在某些市场上会亏，而那个最激进的 Beast Mode 用真钱跑历史上造成了显著亏损。 作者还在「实盘经验」一节里承认，模型对 CPI 这类被高度关注的经济数据有八成信心也照样会错，因为市场定价早就很有效了。
假设你已经有一套在预测市场上验证过的、扣费后仍有正期望的下注逻辑，本金在几千到几万美元级别，能承受高波动，那它可能帮你把这套逻辑稳定、有纪律地执行下去，长期回报大致落在你那套逻辑本身的边际水平上，预测市场的边际通常很薄。没有这个前提，工具再顺手，也只是把亏损执行得更整齐而已。
和收益对着算，启动成本要分成两笔完全不同的钱。第一笔是把系统跑起来的成本，几乎可以忽略，代码免费，本机开发零成本，AI 那路的 OpenRouter 调用按量计费且有每日上限兜底（默认每天 10 美元），量不大时一个月也就几美元到几十美元，想让它 7×24 盯盘再加一台几十元一月的云服务器。 这一笔投入几小时时间加每月几十元，很快就摊薄。
第二笔才是真门槛，也就是你投进 Kalshi 的美元本金，这笔钱直接暴露在事件结果的不确定性里，可能大幅亏损甚至亏光。 谈这一笔的回本周期没有意义，它取决于市场和你的策略，而不取决于软件。先用纸面交易跑够长时间、确认策略扣费后仍有正期望，再用你亏得起的一小笔钱试真实执行，把「工具成本」和「可承受的风险资金」分开管，别混成一个「投入多少月入多少」的账。真正值得学的恰恰是它对风险的克制，四分之一凯利、15% 回撤真熔断、单类别最多 30% 仓位，README 那句「没有边际时交易越多，归零越快」把这套纪律的道理说透了。
这套工具箱适合身在美国、会写代码、已经有一套预测市场下注思路想工程化落地的人，它把签名认证、行情入库、风控和执行这段脏活做得相当完整，风控默认值也克制得体面。它不适合指望 AI 自动预测赚钱的人，不适合不写代码想开箱即用的人，对没有 Kalshi 访问条件的我国读者来说，它更像一份可以拆开学习的交易系统源码而非一个能真用的赚钱工具。本文为应用分析，不构成投资建议。
来源：Kalshi AI Trading Bot（ryanfrigo/kalshi-ai-trading-bot），https://github.com/ryanfrigo/kalshi-ai-trading-bot ，534 stars，MIT 协议。