史蒂文斯理工学院金融学助理教授 Balbinder Singh Gill 于 6 月 2 日发布了一项突破性研究，对当前预测市场监管范式提出了严峻挑战。该研究构建了一个正式的经济模型，旨在量化监管力度与市场价格准确性之间的复杂关联。Singh Gill 指出，监管层若采取‘一刀切’的禁令策略，可能会陷入一种反直觉的悖论：那些当下能提升价格准确性的内幕交易行为，若被彻底清除，反而会导致未来愿意提供信息价值的参与者数量锐减。午方 AI 梳理发现，该模型揭示了预测市场价格准确性与监管强度之间存在着显著的‘驼峰形’关系，即监管过轻会导致内幕人士挤占普通参与者空间，而监管过严则会切断内幕人士提供的关键信息流。

长期以来，内幕交易被视为预测市场的毒瘤，促使全球监管机构倾向于采取零容忍态度。今年 4 月，美国商品期货交易委员会首席执法官已明确警告，任何在预测市场进行内幕交易的行为都将面临法律制裁。紧随其后，5 月份美国众议院议员更是针对 Kalshi 和 Polymarket 两大头部平台展开了专项调查，试图厘清内幕交易的边界。

然而，Singh Gill 的研究表明，最佳的监管路径并非在‘放任不管’与‘全面禁止’之间二选一，而是寻找一个能够兼顾遏制违规行为与维持市场流动性的中间地带。适度的监管措施既能有效抑制恶意操纵，又能保留市场所需的信息深度。

为了构建更精细的监管框架，Singh Gill 提出监管力度应根据内幕信息的来源性质进行差异化处理。对于交易者通过自身努力、独立分析获得的信息，应当实施最轻甚至无需监管；而对于通过窃取手段获取或属于严格机密性质的信息，则必须加强监管力度。午方 AI 注意到，该研究特别强调了一种极端情况：当内幕人士本身能够直接影响交易结果时，例如政治候选人利用内部信息进行押注，此时必须采取最严格的监管措施以防止市场扭曲。这种基于信息属性和利益冲突程度的分类监管思路，为政策制定者提供了更具操作性的理论依据。

这一学术观点的提出，正值行业头部平台主动升级合规体系的敏感时期。Kalshi 近期宣布推出新的监管措施以打击内幕交易，要求涉及公司业绩或国家安全等敏感主题市场的用户，必须通过在线表格披露其雇主信息。

此外，该平台还针对内幕交易或操纵风险较高的市场，建立了一套‘特定风险评分’体系。这些举措是在审计委员会建议改进数据收集工作，以及立法机构和监管机构持续施压的背景下做出的，显示出行业对合规压力的积极响应。

现实案例的频发进一步凸显了监管的紧迫性与复杂性。Singh Gill 的论文中引用了两起备受关注的内幕交易事件作为佐证：一名谷歌员工利用公司搜索趋势的内幕信息，在 Polymarket 平台上获利 120 万美元；另一名美国士兵则因利用有关军事行动的机密信息进行交易而遭到起诉。这些案例表明，内幕信息在预测市场中确实存在巨大的套利空间，但也暴露了现有监管框架在界定‘合法信息优势’与‘非法内幕交易’时的模糊地带。

综上所述，预测市场的健康发展需要在信息效率与公平性之间找到微妙的平衡。Singh Gill 总结认为，监管工作的核心应当是‘适度而非极端’。如果监管机构盲目追求绝对的纯洁性而实施全面禁令，可能会 inadvertently 摧毁预测市场赖以生存的信息聚合机制。午方 AI 分析认为，未来的监管趋势将不再是简单的禁止或允许，而是转向基于数据驱动的精细化治理，通过区分信息获取方式和利益冲突程度，构建一个既能防范系统性风险，又能保持市场活力的新型监管生态。