预测市场赔率转概率的计算方法

使用 API 完成操作

在2026年10月24日的示例中，平台价格遵循的惯例是：每个结果的报价在 0 到 1 之间，单位是每 1 美元赔付对应的美元数。因此价格就是该结果的原始隐含概率。归一化要把这些价格放在一起使用，因为总和对应的是同一个问题的所有结果。

Narwhal 为每个结果返回一个已在各平台间综合的 probability，每个平台还有自己的 quotes。做任何计算之前，先确定你需要哪个字段：返回的概率可以直接读取，而原始结果价格则用 Python 示例中的换算。REST 和 MCP 共用同一个 API 密钥，所以使用你 Narwhal 账户中的密钥即可。

1. 获取你的 API 密钥 获取一个免费密钥，并保存在名为 NARWHAL_API_KEY 的环境变量中。发送请求时，把密钥放在 Authorization: Bearer YOUR_KEY 请求头里。
2. 读取问题 针对美联储2026年10月28日的决议，请使用 https://api.narwhalapi.com 上的 GET /v1/predictions/scalar/usa-fed-2026-10。综合结果读取各结果的 probability，想看平台自己的价格时则读取其 quotes。
3. 读取赔率时附上日期 每个快照都带有 as_of。2026 年 10 月 24 日的快照，其 as_of 为 2026-10-24T00:00:00Z；请在从中取得的任何数字旁保留该日期。
4. 需要时对原始价格做归一化 对于2026年10月24日的示例原始价格，先把同一问题所有结果的价格相加，再把每个价格除以这个总和。从原始价格出发时使用这个计算；Narwhal 返回的 probability 值之和已经是 1。
   Python：从原始价格到概率

   # A venue quotes each outcome as a price between 0 and 1 (cents on the dollar).
   # Narwhal returns the probabilities already
   # normalised, but if you start from raw prices you remove the overround yourself.
   yes_prices = {"cut": 0.05, "hold": 0.88, "hike": 0.10}  # example raw prices, sum 1.03
   total = sum(yes_prices.values())
   for outcome, price in yes_prices.items():
       print(
           f"{outcome:5} price {price:.2f}  implied {price:.1%}  "
           f"normalised {price / total:.1%}"
       )
   print("overround", round(total - 1, 2))

使用电子表格或手动计算

把同一问题所有结果的原始价格放进表格。对于2026年10月24日的示例，价格放在 B2:B4，并在第一个价格旁输入 =B2/SUM($B$2:$B$4)。把公式复制到其余价格旁，并将结果设为百分比格式。

美元符号能让公式复制时，总和始终固定在同一个区域。每一行用自己的价格作分子，用全部结果的价格作分母。归一化使用整个问题的总和，所以该区域要包含所有结果。

如果只想读一个问题而不做计算，请打开 Narwhal 预测页面，那里直接显示概率。当你手上是一组原始价格，想在原始报价旁边看到每一步除法的结果时，就用表格。

不同情况应选哪种方法

小数、分数和美式赔率

先选与赔率表示方式对应的公式。小数赔率 d 的隐含概率是 1/d。分数赔率 a/b 用 b/(a+b)。正的美式赔率 +X 用 100/(X+100)，负的美式赔率 -X 用 X/(X+100)，其中 X 是所报数字的绝对值。

在这些2026年10月24日的示例中，小数赔率 2.50、分数赔率 3/2 和美式赔率 +150 都表示 40.0% 的隐含概率；美式赔率 -200 表示 66.7%。请选择与你的报价格式相符的函数，并把返回值表示为百分比。

美式赔率函数接收带符号的报价，所以请保留其正负号。对于负的报价，函数在除法中使用它的绝对值。分数赔率函数分别接收分子和分母，请按分数赔率的顺序传入。

def from_decimal(d):          # decimal odds, e.g. 2.50
    return 1 / d

def from_fractional(a, b):    # fractional odds a/b, e.g. 3/2
    return b / (a + b)

def from_american(x):         # American odds, e.g. +150 or -200
    return 100 / (x + 100) if x > 0 else -x / (-x + 100)

print(f"decimal 2.50   -> {from_decimal(2.50):.1%}")
print(f"fractional 3/2 -> {from_fractional(3, 2):.1%}")
print(f"American +150  -> {from_american(150):.1%}")
print(f"American -200  -> {from_american(-200):.1%}")

这些公式是逐个换算报价的。如果你有同一市场所有结果的赔率，就把它们的原始隐含概率相加，再把每一个除以这个总和。改变报价格式并不会去除超额部分，所以换算与归一化是两个独立的计算。

为什么价格之和会超过 100.0%？

价差和费用可能使买入每个结果的最优价格之和略高于全额赔付，这个多出来的部分就是超额部分（overround）。把每个原始价格除以所有结果的总和即可去除它，并把各结果表示为一组归一化的概率。

价格就是预测吗？

它是交易者愿意付出的价格，是市场隐含的概率，而不是保证。

需要再对 Narwhal 的数字做一次归一化吗？

不需要。返回的 probability 值之和已经是 1。需要某个问题的综合概率时，直接读取这些值即可。原始价格的计算只适用于原始报价，不要把返回的概率当成仍含超额部分的价格。

计算示例：换算原始结果价格

本示例中的数字来自2026年10月24日。

例如，原始价格为降息 0.05、维持不变 0.88、加息 0.10。相加得 1.03。用这个总和减去全额赔付 1，超额部分（overround）为 0.03，即 3 个百分点。

把每个价格除以 1.03，得到它在总和中的占比。原始隐含概率的百分比直接来自价格，归一化后的百分比则使用这个共同的分母。所有结果都要使用同一个分母，这样计算才包含全部价格。