在传统金融语境里，“内幕交易”几乎天然带着负面标签，但预测市场正在把这个判断重新拆开讨论。
斯蒂文斯理工学院金融学者Balbinder Singh Gill的最新研究，把一个不太舒服但很现实的结论摆到了桌面上：在预测市场中，完全清除内幕交易，未必能换来更高的效率，甚至可能让市场变钝。
他的模型并不复杂，但结论有点反直觉——市场准确性与执法强度之间呈现“驼峰形”关系。也就是说，执法太弱，内幕交易者主导价格发现，市场被少数信息优势玩家“写死”；执法太强，又会把真实信息一并清除，交易者变少，流动性下降，价格反而失真。
这个中间区间，反而是效率最好的状态。
换个更直白的说法：市场需要一点“带风险的信息”，但不能让信息变成垄断工具。
Gill的核心区分在于信息来源。他并不把所有“非公开信息”视为同一类变量，而是拆成两种：一种是通过研究、分析、公开数据推导出的信息，另一种是通过泄露或机密渠道获得的信息。在他的框架里，前者应该尽量放松限制，后者则需要更严格惩罚。
这个区分听上去技术性，但在现实市场里并不好执行。预测市场本身就建立在信息不对称之上，从政治事件、宏观数据到公司公告，参与者的判断速度和信息质量本来就不一致。
问题在于，监管试图把这种不对称“压平”，但Gill的模型提示：压得过平，市场反而失去定价能力。
这也解释了为什么近期像Kalshi等平台在监管压力下，开始引入更复杂的合规机制，比如要求用户披露雇主、强化交易行为监控。这类措施本质上是在尝试把“信息来源”显性化，而不是简单禁止。
但研究的另一层含义更容易被忽略：预测市场的效率，本质上依赖一个微妙的灰度区间。完全透明和完全黑箱都不理想，真正有效的市场，反而是在规则约束下允许一定程度信息优势存在。
现实市场已经开始感受到这种张力。监管者倾向于用传统金融框架理解内幕交易——越少越安全；而预测市场的逻辑更接近信息聚合系统——需要差异，而不是消除差异。
Gill的结论收得比较克制：执法需要“校准”，而不是“极化”。这句话放在金融监管语境里其实并不新，但放在预测市场这个仍在快速成型的领域里，就变成一个还没有答案的问题。
市场效率、参与意愿、信息完整性，这三者并不总是同方向移动。预测市场真正难的部分，可能不在技术，而在于找到那个不稳定但有效的平衡点。
