这篇文章讨论了如何用线性回归结合正态分布，给 Polymarket 上的全球温度异常预测市场建立一个可交易的基线模型。作者使用 NASA GISTEMP 的月度历史数据，先用 1970 年后的 April 数据拟合趋势，再用残差标准差把单点预测转成各价格桶的概率分布，并据此计算与市场报价之间的正期望值。文章进一步指出，单纯线性趋势会高估当前温度桶，因为 ENSO（厄尔尼诺/拉尼娜）对月度异常影响很大，因此需要加入 ENSO 修正、Ridge 回归和更快的外部数据源来提升模型效果。
