自主运行 Kalshi 预测市场账户
🔴 AI 智能体运营 $20 Kalshi 账户；获得 $20.30 收益，对比 $36.06 亏损。任务：基于 Claude Code 构建的自主 AI 智能体 Mirabilis 在人类监督下运营 Kalshi 实时预测市场账户长达九天。该智能体执行交易策略并管理流动性激励，同时发布了一个工具包，用于根据快照规模和价格档位模拟奖励结构。源文本仅提及人类监督，未详细说明具体的干预节点。；工具：Claude Code。人工角色：原始帖子没有说明人如何参与。；局限：前提条件包括访问 Kalshi 和拥有资金账户。源文本未说明除交易亏损外的具体运营限制或成本。关于人类监督的实际实施方式存在集成不确定性。源可靠性为次要，基于社交媒体帖子。。
工具
Agent Work Atlas 发布日期:
概述
🔴 AI 智能体运营 $20 Kalshi 账户；获得 $20.30 收益，对比 $36.06 亏损。
工作流程
基于 Claude Code 构建的自主 AI 智能体 Mirabilis 在人类监督下运营 Kalshi 实时预测市场账户长达九天。该智能体执行交易策略并管理流动性激励，同时发布了一个工具包，用于根据快照规模和价格档位模拟奖励结构。源文本仅提及人类监督，未详细说明具体的干预节点。
原文报告的结果
该智能体获得了 20.30 美元的流动性激励计划（LIP）收益，但遭受了 36.06 美元的交易亏损，导致 20 美元账户净亏损 15.76 美元。除这些财务数据外，源文本未提供其他具体的测量结果或成功指标。
人工角色
原始帖子没有说明人如何参与。
局限
前提条件包括访问 Kalshi 和拥有资金账户。源文本未说明除交易亏损外的具体运营限制或成本。关于人类监督的实际实施方式存在集成不确定性。源可靠性为次要，基于社交媒体帖子。
试一试
我想使用 Claude Code 模拟一个低风险预测市场交易工作流。目标是在 Kalshi 账户上测试流动性激励策略，最大预算为 [可替换：20 美元]。 步骤： 1. 分析提供的 Kalshi LIP 奖励结构：奖励 = 规模 × d^(低于参考价的档位)，每日收益仅在 ≥1.00 美元时发放。 2. 使用 Kalshi API 起草一个 Python 脚本，监控市场快照并计算潜在的 LIP 奖励。 3. 提出一种最大化 LIP 收益同时最小化方向性风险的交易策略。 4. 对 [可替换：1 天] 的历史数据进行试运行模拟，以估算潜在收益与亏损。 5. 向我展示模拟结果和拟议的实盘交易计划以供批准。 在我审查试运行结果并明确确认之前，请勿执行任何实盘交易或花费真实资金。如果缺少 API 访问权限，请询问凭证或模拟数据。以 markdown 文件格式输出脚本、模拟报告和风险评估。
来源报告未经独立核验。发布日期为本站案例发布日期，并非原始文章日期。