Hermes Agent 特性	在本项目中的应用
自主学习进化 (Self-Learning)	机器人从历史交易中自动调整 Kelly 分数和 EV 阈值参数
全自动化执行 (Autonomous Execution)	60 分钟循环扫描市场 → 计算信号 → 自动下单 → 链上结算，全程无需人工干预
多消息平台接入 (Multi-Platform Gateway)	通过 Telegram 实时推送交易通知，手机随时掌控全局
长期记忆 (Persistent Memory)	交易日志 + 学习模型持久化存储，跨会话保留学习成果
模型无关 (Model Agnostic)	可自由切换任意 LLM 提供者进行决策推理
工具编排 (Tool Orchestration)	整合天气预报 API + 链上 CLOB 交易 + Telegram 通知

🎯 这个项目做什么

机器人监控 6 个美国城市（纽约、芝加哥、迈阿密、达拉斯、西雅图、亚特兰大）的天气预报，在 Polymarket 温度预测市场 中寻找错误定价机会。

核心逻辑： 当天气预报预测某温度区间的概率与市场隐含概率不一致时 → 计算期望值 (EV) → EV > 阈值则自动投注。

🧠 核心技术：Gaussian Bucket Model

第一步 — 从 ECMWF 获取真实概率

import math

def norm_cdf(x):
    """标准正态分布累计分布函数"""
    return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0)))

def bucket_prob(forecast_temp, t_low, t_high, sigma=2.0):
    """
    天气预报给出 72°F ± 2σ
    计算实际高温落在 70-75°F 区间的真实概率
    P(t_low ≤ X ≤ t_high) = CDF(z_high) - CDF(z_low)
    """
    z_low  = (t_low  - forecast_temp) / sigma
    z_high = (t_high - forecast_temp) / sigma
    return norm_cdf(z_high) - norm_cdf(z_low)

第二步 — 计算期望值 (Expected Value)

def calc_ev(true_prob, market_price):
    """
    EV = P(赢) × 收益 - P(输) × 损失
    EV > 0 表示市场定价偏低 → 买入信号
    """
    win  = true_prob * (1 / market_price - 1)
    lose = (1 - true_prob) * 1
    return win - lose

示例：

天气预报：72°F → 70-75°F 区间概率 75%
市场价格：$0.30（隐含 30% 概率）
EV = 0.75 × (1/0.30 - 1) - 0.25 = +1.25 → 强烈买入信号 📈

第三步 — Kelly Criterion 最优投注

def calc_kelly(p, price):
    """Kelly % = (bp - q) / b，使用 1/4 Kelly 保守分数"""
    b = 1.0 / price - 1.0
    f = (p * b - (1.0 - p)) / b
    return round(min(max(f, 0.0) * KELLY_FRAC, 1.0), 4)

🌀 自动进化学习系统

这是 Hermes Agent 框架的核心优势之一 — 机器人从实战中学习，自动调参：

data/learning/
├── trade_log.json   # 所有交易记录：城市、区间、成本、结果、盈亏
└── model.json       # 每个城市/区间的学习参数

自适应规则： -胜率 < 45% → Kelly 分数 ×0.8，EV 阈值 +10% -胜率 > 55% + 盈利 > $2 → Kelly 分数 ×1.1，EV 阈值 −5% -按城市追踪胜率，调整各市场置信度 -初始保守（25% Kelly）→ 随着数据积累自动收敛到最优

📊 系统架构

ECMWF 天气预报 API
        ↓
Hermes Agent（自主决策引擎）
    ├── 高斯桶模型 → 真实概率
    ├── calc_ev() → 期望值计算
    ├── calc_kelly() → 最优投注
    └── 自适应学习 → 自动调参
        ↓
Polymarket CLOB（Polygon 链上执行）
        ↓
Telegram（实时推送通知）

⚙️ 快速开始

环境要求

Python 3.13+
Polygon 钱包 + USDC.e
Polymarket CLOB 授权
Polymarket API 凭证

安装

git clone https://github.com/nicolastinkl/hermes_weatherbot.git
cd hermes_weatherbot
python3.13 -m venv venv
source venv/bin/activate
pip install -r requirements.txt

配置

创建 .env：

PK=your_polygon_private_key
WALLET=your_polygon_address
SIG_TYPE=0

编辑 config.json：

{
  "balance": 0,
  "max_bet": 2.0,
  "min_ev": 0.10,
  "min_volume": 500,
  "scan_interval": 3600,
  "telegram_bot_token": "your_token",
  "telegram_chat_id": "your_chat_id"
}

运行

# 单次扫描
python bot_v3.py scan

# 持续交易循环
python bot_v3.py run

# 查看状态
python bot_v3.py status

🛡️ 风险管理

参数	值	说明
最大投注	$2.00	单笔交易上限
Kelly 分数	25%	1/4 Kelly 保守策略
最低 EV	10%+	只交易正期望值
最低成交量	$500	避免低流动性市场
最大价差	3%	避免高滑点
自适应阈值	10-20%	根据表现自动调整

🔐 交易流程（全自动化）

1. 拉取 ECMWF 天气预报（D+0 ~ D+3）
2. 查询 Polymarket 温度区间市场
3. Gaussian 模型计算真实概率（σ=2°F）
4. 与市场价格对比 → 计算 EV
5. EV ≥ 自适应阈值 → 计算 Kelly 投注大小
6. Polymarket CLOB 链上下单（Polygon）
7. 记录交易 → 更新学习模型
8. Telegram 实时通知
9. 每 60 分钟循环

💡 技术栈

框架： Hermes Agent（自主学习 + 多消息平台）
语言： Python 3.13
交易： py_clob_client — Polymarket CLOB
天气： ECMWF OpenMETAR / Open-Meteo API
链： Polygon（Chain ID 137）— USDC.e 稳定币
通知： Telegram Bot API
学习： 纯 Python JSON 持久化（零依赖数据库）

⚠️ 免责声明

本机器人使用真实资金交易真实市场。过去表现不代表未来结果。风险自担。本项目仅供教育和研究目的。

Built with 🐍 + Hermes Agent on Polygon — Autonomous Weather Prediction Trading.

README.md Unescape Escape

🌦️ WeatherBet — Powered by Hermes Agent

🤖 为什么选择 Hermes Agent