Start Using AI Predictions To Beat The Market Today (beginner's guide)
O apresentador do All About AI mostra um fluxo de trabalho em que a IA não é consultada sobre quem vence, mas usada para construir um modelo próprio que estime o preço justo de um evento, e a conclusão honesta do exercício é que o mercado vence o modelo no backtest, de modo que a decisão correta na maioria das vezes é não apostar.
sim
É o tipo de disciplina que falta ao laboratório de investimentos do Bruno: preço justo antes de opinião, limiar explícito de vantagem, Kelly fracionário e, principalmente, backtest que mostra o mercado batendo o modelo próprio. O trecho de venda da startup e a janela de automação autônoma pedem desconto.
- Abre contrastando o uso ingênuo (perguntar ao ChatGPT qual ação comprar na Nasdaq ou quem ganha o jogo) com o que ele aprendeu em seis meses construindo a startup Sick Intelligence (grafia incerta).
- O vídeo animado de abertura, feito com Claude, resume o método em cinco passos: ler o preço, retirar o vig, pontuar cada jogada, testar contra o mercado e decidir entre tomar posição ou passar.
- Primeiro princípio: todo preço é uma previsão. Seattle a 59 centavos na Kalshi significa que o mercado atribui 59% de vitória; somando os dois lados dá 103%, e esses 3% são a margem da casa, que precisa ser removida para obter o preço justo (59,2).
- A base de dados são 453 mil jogadas da NFL desde 2013, com um arquivo trazendo o quarterback errado, corrigido pelo play-by-play e pelo boletim de lesões.
- Cada jogada é pontuada por EPA (expected points added): primeira e dez na própria 25 vale cerca de 1 ponto, um passe completo até o meio-campo leva a 2,6, logo a jogada rendeu +1,5; o agregado ajustado por adversário, partindo de 80% da temporada anterior, dá a nota de força de cada equipe, mais cerca de 2 pontos de fator casa.
- O backtest é o ponto central do vídeo: replicando todo jogo de 2014 a 2025 apenas com informação pré-apito, a moeda honesta dá 0,247, o modelo 0,224 e o mercado 0,212 (menor é melhor). O mercado ganha, e ele trata isso como o resultado esperado, não como falha: o modelo serve de juiz do preço, não de oráculo.
- A regra de decisão exige pelo menos 2% de vantagem depois das taxas, e o dimensionamento é por Kelly fracionário (um quarto), o que com mil dólares de capital dá posições de cerca de 14 dólares.
- Na execução ao vivo com Opus 5.5, o modelo roda por cerca de 17 minutos e devolve 63,6% para Seattle contra 59,7% do mercado, com painel em HTML recomendando não entrar ao preço de mercado e, no máximo, ordem limitada a 57 centavos para capturar 4,2% de vantagem.
- O passo mais instrutivo vem depois: ele pede ao próprio modelo as razões pelas quais o mercado pode estar certo e o modelo errado, e recebe que o mercado conhece rumores e lesões que o modelo ignora e que a nota de força de Seattle vem quase toda da temporada passada.
- Admite que a vantagem só existe quando há informação ainda não precificada (notícia de lesão antes da linha se mover, preço defasado), e que em ações a competição torna isso muito difícil para uma pessoa só.
- Fecha descrevendo o passo que não demonstrou: automatizar a varredura contínua por vantagem e a execução autônoma da posição, que é como o sistema dele opera, e exibe previsões próprias para as eleições intermediárias dos EUA (88% democrata na Câmara contra 91% do mercado).
- Traz um bloco patrocinado pela Nvidia sobre o GTC Berlin de 20 a 22 de outubro de 2026, com destaque às sessões de modelos abertos e de sistemas de IA auto-aperfeiçoáveis.
Opus 5.5 Is INSANE: Day Trader Tycoon (with real money)
O apresentador do All About AI mostra o "Day Trader Tycoon", jogo de simulação de mesa de operações que ele fez do zero com o Opus 5.5, em C++ nativo com SDL3 e Metal, e cuja particularidade é ter dois modos: a simulação de jogo e um modo ao vivo que executa ordens reais com dinheiro real via Hyperliquid e Polymarket.
talvez
o que interessa aqui não é a parte de mercado, é o método (modelo que escreve jogo nativo em C++, se testa com capturas de tela e roda simulações próprias para calibrar a mecânica), e o vídeo serve também como contraexemplo útil para o laboratório de investimentos do Bruno, porque pendurar API de ordem real com alavancagem de 40x num brinquedo é exatamente o tipo de arranjo que as regras invioláveis dele proíbem.
- O prompt inicial foi simples, pedir um jogo de corretora no estilo do OpenRCT2 e do Roller Coaster Tycoon, inclusive na estética e na lógica econômica, e ele insiste que com o modelo atual não é preciso dar instruções minuciosas.
- A arquitetura do modo ao vivo é um servidor local que recebe os websockets e as APIs das corretoras, com confirmação manual e limites de segurança, de modo que clicar na mesa dentro do jogo abre posição verdadeira na exchange.
- A mecânica de jogo é a de progressão clássica: começa no porão com um notebook, e cada mesa (cripto, previsões, macro, ações, risco) tem de ser construída para liberar os mercados correspondentes, com níveis, atributos, equipe contratável, sinergias entre funcionários, clientes de fundo e placar de rivais.
- Os três modos de partida são mercados reais (preços verdadeiros, execução simulada), mercados simulados e capturas offline, com os preços puxados de Yahoo Finance, Hyperliquid, Kalshi e Polymarket.
- O terminal de notícias e rumores é o núcleo do jogo, alimentando as decisões de posição, com alavancagem (ele demonstra 5x no começo e 40x no save avançado), stop e alvo, mais o acompanhamento de retorno e rebaixamento máximo na carteira.
- O trecho mais interessante tecnicamente é a adição de uma funcionalidade ao vivo: ele pede um agente de IA comprável no nível dois que leia as notícias e opere sozinho com orçamento alocado, e o modelo implementa, abre o jogo, tira capturas de tela e testa por conta própria.
- Para equilibrar a mecânica, o modelo rodou simulações em escala, algo como oito agentes por trinta dias de mercado com saldo inicial de quatro mil, somando milhares de dias simulados, chegando a uma taxa de acerto média de 52% e ajustando os parâmetros a partir disso.
- O agente, em funcionamento, mostra o raciocínio em log: recusa uma entrada dizendo que o preço de mercado já absorveu a notícia (76% de probabilidade contra preço de 77, sem margem) e entra comprado em bitcoin com 5x ao ler notícia de retirada de moedas das exchanges.
- Ele diz ter feito tudo isso em cerca de vinte minutos de interação, incluindo os ativos gráficos gerados em código, e usa o caso como argumento contra quem diz que IA não afetará o desenvolvimento de jogos.
- O próprio autor chama o modo de operação real de “gimmick”, e não apresenta nenhum resultado financeiro verificável, apenas posições pequenas de demonstração (um dólar numa aposta binária, ganho de algumas centenas numa posição fechada na hora).
Can AI Predict The Future? - Sikt Intelligence (my new startup)
O apresentador do All About AI anuncia sua startup, Sikt Intelligence ("visão clara", em norueguês), que tenta construir um superprevisor de eventos por IA, e mostra o produto rodando contra os preços de mercados de previsão como Kalshi e Polymarket para localizar onde o modelo discorda do consenso.
talvez
o produto em si é conteúdo promocional, mas a arquitetura mostrada interessa ao Bruno como padrão de agente: coleta massiva por chamadas de ferramenta, oito previsores em paralelo, medição de concordância entre eles e aviso explícito quando a pergunta cai fora da faixa calibrada, que é exatamente o tipo de verificador mecânico que ele exige nas próprias automações; a evidência de desempenho, porém, são prints de operações vencedoras, sem série completa nem Brier score.
- Apresenta o site com exemplos fictícios de perguntas previsíveis (encontro presencial entre chefes de Estado, visita de Trump à Groenlândia, encontro entre os líderes das duas Coreias, neve em Miami Beach antes de 2030), deixando claro que são demonstrações inventadas.
- Afirma seis meses de calibração e mostra posições próprias em mercados de previsão como evidência de resultado, entre elas uma aposta sobre o juro do Treasury americano de 30 anos com retorno de cerca de 500%, entrada a 13 e preço posterior perto de 58, além de operações com retornos de centenas a mil por cento sobre um lucro de 400 dólares.
- Explica o fluxo do produto: o usuário cola o link de um mercado, o sistema lê o mercado, dispara até 40 chamadas de ferramenta para coletar dados e pesquisa, e então roda oito previsores em paralelo cujos resultados são confrontados com o preço de mercado; cada rodada leva cerca de 15 minutos.
- Primeira demonstração ao vivo: a disputa pelo Senado do Texas entre James Talarico e Ken Paxton, com mercado a 59/40 e saída do modelo em 52/47, ou seja, a corrida mais apertada do que o consenso precifica.
- Mostra os metadados que acompanham a previsão: grau de concordância entre os previsores (alto nesse caso), aviso de que a pergunta está fora da faixa já testada, resumo do raciocínio, taxas-base, incertezas, fatores que dirigem o resultado e todas as fontes consultadas, para conferência.
- Menciona modelos experimentais rodando em paralelo, que ele não detalha, mais próximos do preço de mercado nesse caso.
- Segunda demonstração: qual será a melhor empresa chinesa de IA ao fim de outubro, com mercado dando cerca de 34% ao Xiaomi e o modelo dando 42% ao Alibaba, divergência de 11 pontos, dessa vez com baixa concordância entre os previsores, o que ele credita ao sistema de ponderação ainda incompleto.
- Situa a própria startup num mercado que já atrai capital, citando a Mantic, que levantou 25 milhões de dólares para previsão sobre-humana, e o fato de uma IA ter vencido pela primeira vez a copa de verão do Metaculus, batendo humanos.
- Diz que é seu primeiro projeto grande de engenharia como fundador solo, que tudo é nativo de IA, e convida para a lista de espera de acesso antecipado, prometendo devlogs sobre o andamento.
Claude Opus 5.5 Is About to DOMINATE Kalshi & Polymarket
O apresentador do All About AI mostra três experimentos feitos com o Claude Opus 5.5 nos dois dias seguintes ao lançamento: caçar contrato mal precificado na Kalshi, um pregão por voz na Hyperliquid e um laboratório autônomo de aprendizado de máquina que tenta precificar melhor que o mercado no Polymarket.
talvez
e não pelo trade: o desenho do laço autônomo (avaliador lacrado, hipótese escrita antes do resultado, promoção só após bootstrap e semana de confirmação) é o antídoto contra autoengano que serve direto ao laboratório de investimentos dele, e vale ler junto do auto research original.
- Abre exibindo as posições para provar que o título não é isca: contratos comprados entre 6 e 11 centavos negociando a 65 a 85, com ganhos de 455% a 900%, obtidos em um único dia.
- Explica o achado: em 24 de setembro, com o rendimento do Treasury de 30 anos fechando a 5,4%, o maior desde 2004, a escada de contratos da Kalshi quebrava entre “acima de 5,49” (a 88 centavos) e “acima de 5,51” (a 5 centavos), dois pontos-base de diferença e oitenta centavos de preço.
- Descreve como tentou refutar a si mesmo antes de entrar: os mesmos contratos haviam negociado entre 46 e 72 centavos na véspera, e o livro de ofertas mostrava que o preço vinha de uma única ordem de 100 contratos parada, não de uma visão de mercado, com leitura literal das regras de liquidação e ordem de teste antes das 444 unidades a cerca de 10 centavos.
- Conta que o scanner que encontrou isso foi construído pelo próprio Opus, e insiste que o ponto crítico é tratar a semântica do contrato (o que exatamente cada enunciado pergunta), não apenas o preço.
- Segundo experimento, o pregão por voz na Hyperliquid: um daemon que escuta comandos (“go long”, “close”), executa a ordem e registra as sugestões do assistente para aprendizado, demonstrado ao vivo com entradas perdidas e uma posição alavancada em 20 vezes.
- É honesto sobre o resultado desse segundo caso: diz não achar que seja lucrativo, que o objetivo era testar a velocidade e que o mérito foi do Opus ter construído o aplicativo.
- Terceiro experimento, o laboratório autônomo inspirado no auto research de Andrej Karpathy: dar ao agente um script de treino, orçamento fixo de cinco minutos e um número a melhorar, num laço que edita, treina, mantém o que ajuda e nunca para.
- O desenho metodológico é a parte substantiva: como em mercado ruído se parece com progresso, a máquina foi partida em duas, um pesquisador que propõe e um avaliador lacrado que ele pode ler mas nunca tocar, com 42 mil mercados, livros de ofertas e os preços da Chainlink que liquidam, sem look-ahead, sem rótulos e sem internet.
- Promoção exige sobreviver a novas sementes, bootstrap entre dias, todos os períodos de teste e uma semana de confirmação lacrada, e o primeiro campeão foi o próprio mercado: o primeiro desafiante a vencê-lo apenas recalibrou a subconfiança do mercado nos 90 segundos finais, baixando o log loss de 0,1278 para 0,1262.
- Reconhece que a maioria das ideias falha e que isso é o ponto (das cinco seguintes, quatro rejeitadas e uma que o bootstrap atribuiu à sorte), que lucro após taxas ainda não está provado, e que até o experimento 14 não houve melhoria consolidada.
I Gave GPT-6 & Claude $1,000 Each to Trade on Kalshi
O apresentador do All About AI dá mil dólares simulados a duas estratégias, uma escrita pelo GPT-6 Astra e outra pelo Fable 5.1, para operar o mercado de 15 minutos de alta ou baixa do Bitcoin na Kalshi; em 18 horas o Astra perde 60% e o Fable ganha quase 20%, e a diferença está inteiramente no dimensionamento das apostas, não na taxa de acerto.
talvez
e só pelo laboratório de investimentos do Bruno: o achado que vale é metodológico, taxa de acerto maior com resultado pior, porque o dimensionamento de posição e as taxas dominam o retorno; o resto é conteúdo patrocinado e amostra pequena demais para concluir qualquer coisa sobre os modelos.
- A estratégia do Astra é rudimentar: no minuto 3 da janela de 15 minutos verifica se o Bitcoin está acima ou abaixo do alvo, entra na direção correspondente no minuto 4 e aposta 20% do caixa disponível, sem critério de Kelly nem ajuste por volatilidade.
- A do Fable é bem mais elaborada: mede distância do preço ao alvo, volatilidade e tempo restante, usa um feed próprio de preço da Binance, procura vantagem a partir do minuto 2 e, se não encontrar, tem entrada de recuo por volta do minuto 7, dimensiona a aposta pela vantagem estimada até 14% antes de taxas, e para de abrir posições ao atingir determinado patrimônio.
- O resultado inverte a intuição de quem olha só acerto: o Astra teve 43 vitórias contra 21 derrotas, taxa de acerto maior que a do Fable, e mesmo assim terminou com 390 dólares dos mil, enquanto o Fable terminou perto de 1.200.
- A explicação é dimensionamento e custo: as apostas do Astra oscilam sem critério, produzindo picos (chegou a quase dobrar para 1.700) seguidos de quedas profundas, e as taxas de negociação somaram 237 dólares contra 72 do Fable.
- O Fable também sofreu um rebaixamento severo depois de quinze horas, caindo de cerca de 1.500 para 600 antes de recuperar, o que o apresentador mostra no gráfico de queda desde o pico.
- Levada a dinheiro real com 100 dólares, a estratégia do Fable rodou cerca de 72 horas com 138 posições liquidadas, queda máxima de 17 dólares e pico de 27 de lucro, o que ele mesmo qualifica como retorno majoritariamente explicado pela alta do Bitcoin no período, não pela estratégia.
- A honestidade útil do vídeo está nessa ressalva final e na recomendação de tratar o exercício como aprendizado de infraestrutura (montar VPS, rodar bot, usar fração de Kelly menor, começar com 20 dólares), não como método de ganhar dinheiro de forma estável.
- Boa parte do tempo é patrocínio de hospedagem, com o passo a passo de subir o bot num servidor virtual deixando o próprio agente de codificação criar chave SSH e enviar os arquivos.
- Ele admite que pode ter prompado mal o Astra, embora tenha dado o mesmo prompt aos dois modelos, e promete repetir o teste quando saírem modelos novos.
JEV - Can This NEW Type of AI Help Us Win on Kalshi?
Exploração honestamente inconclusiva do modelo de decisão Jev, da Type Safe AI, aplicado a mercados de previsão e apostas esportivas: o apresentador conclui que ele não serve para prever preço, e sim como "compilador semântico", respondendo em milissegundos perguntas difusas que seriam custosas de codificar em regras explícitas.
talvez
e só pelo laboratório de investimentos: a ideia de usar um classificador barato e rápido como camada de decisão difusa dentro de um sistema determinístico é transferível (vale para triagem de conteúdo tanto quanto para mercado), mas o vídeo não demonstra ganho nenhum e o próprio autor diz que não achou caso de uso.
- Começa mostrando o Jev controlando um jogo de tiro em primeira pessoa: recebe sinais estruturados (vida, munição, posição, cobertura disponível) e escolhe entre ações permitidas (flanquear, romper contato, recuar, recarregar), devolvendo probabilidade para cada opção.
- Explica a mecânica: o modelo não gera texto livre, atribui probabilidades a um conjunto fechado de opções e devolve também um grau de confiança, que o apresentador ressalva não ser garantia de acerto (50% de confiança é cara ou coroa).
- As características técnicas que ele destaca da página do produto: entrada de dados não estruturados com ênfase em estado de programa estruturado, saída em valores tipados, e amostragem paralela em vez de sequencial, o que explica a latência de 70 a 500 milissegundos, de 40 a 200 vezes mais rápida.
- O teste prático em apostas esportivas: antes de Brentford contra Chelsea, com o atacante titular listado como dúvida, ele pergunta ao modelo se a notícia é relevante para o preço do Chelsea e em que direção; o modelo responde que sim e aponta a direção correta.
- O teste falha como oportunidade de lucro exatamente pela razão certa: quando as escalações saíram e o jogador estava fora, o preço não se mexeu, porque a informação já estava embutida no preço, e ele reconhece isso em vez de forçar uma narrativa de vantagem.
- Nos testes com livro de ofertas, formula perguntas difusas (a pressão no topo do livro está estruturalmente sustentada, quão frágil é a liquidez exibida, o mercado está reagindo de menos ao impulso do Bitcoin) e obtém respostas classificatórias em milissegundos.
- Daí vem a conclusão útil do vídeo: o valor do modelo não está em prever, está em responder perguntas que são fáceis de formular em linguagem e caríssimas de escrever como cadeia de condicionais, funcionando como camada de classificação dentro de um sistema maior.
- Tentou montar um fluxo ligando a API da Kalshi, dados de futebol e o modelo, e admite que funcionou apenas parcialmente e que não encontrou valor no arranjo.
- O preço é o argumento mais forte: cerca de 0,042 dólar por milhão de tokens de entrada e zero na saída, o que ele chama de praticamente gratuito e o que viabiliza disparar centenas de perguntas em paralelo.
- Encerra dizendo que vai continuar testando em modo simulado e sem apostar pesado, postura mais cautelosa do que o entusiasmo típico do gênero.
Did This AI Research Bot Just Find an EDGE on Polymarket/Kalshi?
Experimento em fase de teste, sem dinheiro em risco, em que o apresentador monta um robô que lê posts do X sobre um evento específico, converte o texto em sinais numéricos e compara o momento da notícia com o momento em que o preço se move no Polymarket, encontrando uma defasagem de cerca de 42 segundos num caso.
não
como conteúdo, talvez como padrão de engenharia para o laboratório de investimentos: a arquitetura (agente navegando com sessão logada em vez de API, conversão do texto em três escores simples, comparação de carimbo de tempo entre fonte e preço) é replicável e barata, mas a evidência apresentada é anedótica, com dois casos e nenhuma contagem de falsos positivos.
- O objetivo declarado é responder a uma pergunta única: quem se move primeiro, a notícia no X ou o preço do mercado de previsão. Se o preço se antecipa, não há nada ali; se atrasa, há janela de entrada.
- A arquitetura roda em servidor virtual, 24 horas por dia, com um agente de codificação e um agente de navegação que opera um Chrome com a sessão do X já logada, evitando a API paga; o agente busca por termo, ordena por mais recentes e por relevância, e salva texto, link e horário.
- A conversão de texto em número usa três dimensões simples, sem aprendizado de máquina: relevância para o evento, direção implicada (sim ou não) e novidade, esta última para descartar repetição da mesma informação.
- O evento escolhido foi a retomada de um oleoduto saudita até 30 de dezembro, justamente por produzir fluxo constante de notícia.
- O achado central ocorreu ao vivo: um post de repórter da Bloomberg às 16h47 informa que os sauditas buscam retomar metade da capacidade em dias, é replicado por uma conta grande de mercado, e o preço só começa a se mover 42 segundos depois, saindo de cerca de 45 a 47 centavos para 85.
- Ele verifica que havia liquidez naquele momento, de modo que uma posição pequena teria sido possível, e menciona um segundo caso menor, de cerca de cinco centavos, como outro ponto na curva.
- A honestidade metodológica é razoável para o gênero: diz explicitamente que não montou posição, que está em ambiente simulado, que o funil ainda perde tuítes e que ainda não sabe se o filtro certo é seguir contas específicas ou termos, e chega a brincar que talvez devesse guardar o achado para si.
- O que o experimento não faz, e que seria necessário para sustentar a conclusão: medir a defasagem em muitos eventos, contar quantas vezes o sinal apareceu sem movimento de preço, e descontar taxas e deslize de execução; dois casos favoráveis não estabelecem vantagem.
GPT-6 Kalshi AI Trading Bot Week 1 Results - Printing Money?
Atualização de cinco dias do bot que o autor montou para apostar em mercados de previsão da Kalshi (clima de Nova York), usando o modelo WeatherNext do Google DeepMind e GPT-6 na operação: saldo positivo de cerca de 34 dólares, que ele mesmo trata como amostra pequena demais para significar alguma coisa.
não
É acompanhamento de um projeto pessoal de apostas automatizadas, com amostra de cinco dias e nenhuma conclusão metodológica aproveitável.
- O bot roda 24 horas numa VPS desde 10 de setembro e opera apenas os mercados de temperatura de Nova York, seguindo o guia completo que o autor publicou antes neste mesmo canal.
- O histórico dia a dia é irregular: perda no primeiro dia por uma falha de execução, depois ganhos de cerca de 12 e 9 dólares, e uma posição aberta a 57 centavos com lucro não realizado de aproximadamente 14 dólares.
- Somando posições liquidadas e em aberto, o resultado da primeira semana fica em torno de 34 dólares positivos.
- A regra de entrada é margem esperada positiva: o bot compara a probabilidade conservadora do modelo com o preço do contrato e só entra se sobrar pelo menos 5 centavos de vantagem.
- As margens de entrada registradas foram de 16, 7, 27 e 22 centavos, média de 18, número que o próprio autor classifica como sorte de principiante provável e que deve achatar com o tempo.
- O modelo é congelado 15 minutos antes da abertura do mercado; no dia da gravação a faixa de 72 a 73 graus apareceu com margem conservadora de 42 centavos.
- Na operação ao vivo o bot não abriu posição nenhuma: nenhum contrato ofereceu os 5 centavos mínimos, e o autor apresenta isso como funcionamento correto, não como falha.
- Ele encerra prometendo nova atualização em 14 ou 30 dias, admitindo que cinco dias não permitem distinguir vantagem real de ruído.
Building a GPT-6 Kalshi AI Trading Bot From Scratch (full guide)
Tutorial do canal All About AI construindo do zero um bot de trading autônomo 24/7 no Kalshi para o mercado de temperatura de Nova York, usando o GPT-6 Astra via Codex e o modelo de previsão meteorológica Weather Next 3 do Google DeepMind.
não
Interessa ao Bruno pelo padrão de orquestração de agentes (Codex, backtest, VPS, freeze de previsão), mas é tutorial de trading especulativo, sem substância teológica ou de agentes que ele use nos projetos.
- O autor monta o projeto no Codex em modo “yolo” com GPT-6 Astra em raciocínio alto, mirando o evento diário de temperatura máxima no Central Park que abre poucas horas depois.
- Explica como obter acesso ao Weather Next 3 (formulário do Google, liberado em um ou dois dias) e habilitar as APIs BigQuery e Earth Engine na conta Google Cloud, autenticando pela CLI para o modelo puxar os dados.
- Faz o modelo confirmar a estação exata que o Kalshi usa para liquidar o contrato (Central Park, não JFK, pois a diferença de graus muda o resultado) e cola as regras de mercado no Codex.
- Roda um backtest “de pesquisador quantitativo rigoroso” comparando as previsões com o histórico dos eventos NYC; após cerca de 40 minutos o sinal em “abertura + 1 minuto” aparece 13% melhor, e ele decide mirar esse instante de decisão.
- Sobe o bot num VPS T3 micro da AWS (cerca de 16 dólares/mês) em modo paper, com lógica de congelar a previsão 15 minutos antes, checar liquidez para evitar slippage e só entrar se houver ao menos 5 centavos de vantagem sobre o modelo depois de taxas.
- Na prática o bot não entrou sozinho (um “stress test” de cenário mais quente derrubou a estimativa de 67% para 37%, bug a corrigir), então ele entrou manualmente comprando o bucket “83 ou abaixo” a 51 centavos; ressalta que o setup serve para qualquer fonte de dados e que alguns bots ganham, outros perdem, e ele monitora uma vez por dia; elogia GPT-6 Astra e Fable 5.1 em matemática e código.
Infinite AI Streaming Will Change Content Forever (Minimax FastH3)
Tutorial do All About AI montando um "stream infinito" de vídeo gerado por IA em tempo real: usando uma versão fast do modelo Minimax H3, o autor transmite ao vivo no Twitch uma animação estilo "Family Guy" que os espectadores redirecionam pelo chat.
não
Tutorial prático de infraestrutura de geração de vídeo, sem substância conceitual; interessa só a quem quer montar o pipeline, não rende análise para o Bruno.
- A ideia é gerar clipes de 15 segundos em cerca de 13 (em dois GPUs Nvidia B200 a 480p via RunPod), o que permite tocar um clipe enquanto o próximo é renderizado, sustentando um fluxo contínuo.
- O modelo de linguagem “Luna” (OpenAI) conduz a história de forma autônoma, mas prompts de espectadores no chat (com ponto de exclamação) têm prioridade e desviam o enredo.
- O autor usa o Codex para escrever o pipeline (fila, memória da história, envio ao H3, playback via FFmpeg no Twitch) e o patrocinador SER API para dar contexto de busca (Google/YouTube) a um agente que ele monta em paralelo para analisar o earnings da Nvidia.
- Demonstra ao vivo: sobe os GPUs, carrega ~132 GB de pesos, gera clipes e injeta prompts (Peter e Brian pegam avião para Paris, Peter vira ator de Hollywood), mostrando a incoerência cômica típica de texto-para-vídeo sem image-to-video.
- Faz a ressalva de custo: o gargalo é o preço, cerca de US$ 14/hora a 480p e US$ 100+/hora a 720p com oito B200s, inviável para rodar 24/7 sem financiamento, além do risco de banimento no Twitch.
- Conclui que o formato de stream de IA interativo tende a se popularizar, limitado pela disponibilidade de compute.
30 Days of AI Bot Trading on Kalshi and Polymarket: The Results
Depois de 30 dias rodando bots de trading autônomos em Kalshi, Polymarket e Hyperliquid, o autor do All About AI mostra que apenas três das várias estratégias sobreviveram, e que as vencedoras foram as menos glamourosas: previsão de clima e um modelo de machine learning de baixa frequência para BTC. O ganho real é modesto em dinheiro (contas de poucas centenas de dólares), e o argumento é que o valor está no dado acumulado e no controle de drawdown, não no retorno absoluto.
talvez
porque os números são reais e o método (várias estratégias pequenas em paralelo, desligar cedo o que não funciona, medir drawdown máximo e não só retorno) conversa direto com o laboratório de trading com IA do Bruno, mas o vídeo mostra curvas de resultado sem revelar nada da implementação, e as cifras são pequenas demais para provar edge.
- Ele abre dizendo que roda os bots há quatro semanas em servidores VPS, que a maioria das estratégias foi desligada cedo por não funcionar, e que vai mostrar apenas as três que duraram mais.
- A primeira estratégia é a “loteria de 1 centavo” no mercado de Bitcoin up/down, que consiste em colocar ordens de 1 centavo dos dois lados torcendo por um fill com ganho de milhares por cento.
- O resultado dessa loteria é fraco: net P&L de US$ 13 em cerca de três semanas, retorno de 3,5%, drawdown máximo de US$ 63 (chegou a estar US$ 50 acima antes de despencar), sharpe ruim e robustez ruim na última semana; ele mantém rodando porque quase não perde dinheiro e gera dados.
- A segunda estratégia, que ele chama de quant VFX (grafia incerta), é trading automatizado sobre mercados de clima e foi a melhor do período: 28,9% de retorno, US$ 121 de net P&L numa conta de cerca de US$ 400, win rate de 58% e drawdown máximo de apenas US$ 10 em 25 dias de mercado.
- Ele frisa que o win rate importa pouco nesse tipo de estratégia, o que conta é encontrar trades com valor esperado positivo (plus EV), e admite que calcular índice de Sharpe nesses mercados é estranho.
- A terceira é um modelo de machine learning que tenta prever o mercado de BTC up/down de cinco minutos e opera quando detecta deslocamento de preço: US$ 110 de net P&L, 19% de retorno, 72% de win rate, mas com um drawdown de US$ 80 antes de um ajuste que ele não lembra exatamente qual foi.
- O modelo de ML é de frequência muito baixa, 32 trades em quase um mês (cerca de um por dia), e ele reconhece que a sequência recente de acertos tende a se nivelar pela lei dos grandes números.
- Ele anuncia que pretende levar essas estratégias para um “max quant”, um experimento de micro fundo de hedge para agentes de IA, onde um agente poderia investir um milionésimo de dólar em vez do US$ 1 milhão típico de um fundo.
- A parte final é uma demonstração ao vivo do sistema de clima na Kalshi, que às 16h tenta ser o primeiro a colocar ordens resting no mercado novo: ele errou o preço de abertura em 17 centavos num bucket, acertou por 3 centavos em outro, e mais tarde conseguiu um único fill a 14 centavos, com 2 centavos de lucro.
- Encerra dizendo que todos os sistemas rodam sozinhos em VPS (ele só verifica se estão de pé), que a maior parte do tempo vai em pesquisa para achar as estratégias, e cogita abrir um Patreon para detalhar os métodos.
Kalshi AI Trading Bot Speedrunning - Can We Profit In 12 Hours?
Tutorial "speed run" onde o autor monta, em poucas horas, um bot autônomo de trading que opera no mercado de previsões da Kalshi apostando na direção (sobe/desce) do Bitcoin em janelas de 15 minutos, usando skills de pesquisa prontas e código gerado por IA; rodou uma noite e fechou com lucro de cerca de 15,7% sobre US$ 120.
talvez
é conteúdo de demonstração/hype com amostra de um único dia e viés de sobrevivência, mas mostra na prática o padrão de "skills de pesquisa + geração de código por IA + execução via API" que interessa ao Bruno no cruzamento de agentes e trading.
- Kalshi é um mercado de previsões regulado nos EUA, onde se compra contratos “sim/não” sobre eventos futuros (aqui, se o BTC vai subir ou cair na próxima janela de 15 minutos); o preço do contrato de 0 a 100 centavos funciona como probabilidade implícita.
- O fluxo usa a plataforma QuantX/Codex e o modelo GPT-5.6 para gerar hipóteses de estratégia e escrever o código; também menciona Claude Code, GLM, Kimi e Qwen como alternativas.
- Partiu de dados históricos do mercado BTC de 15 minutos e rodou uma skill de “pesquisa de hipóteses” (arquivo skill.md) que só inspeciona os dados e propõe estratégias, sem testar nada nessa etapa.
- Saíram cinco hipóteses; um segundo skill de backtesting (teste em dados passados, com validação em períodos não usados para criar a regra) rejeitou duas, sobraram três, e a escolhida foi de “persistência de volatilidade”.
- A estratégia final: se o contrato anterior de 15 min moveu pelo menos 15,4 pontos-base, olha o ponto médio do “sim” no minuto 5, aposta sim se acima de 50 centavos e não se abaixo, e no minuto 6 envia ordem de US$ 5 do tipo “fill or kill”, estimando 32 trades por dia.
- Conectou-se à API da Kalshi com credenciais em variável de ambiente, usando WebSocket (conexão contínua) em vez de polling para ler o livro de ofertas em tempo real, e deixou o bot rodando a noite toda numa conta com US$ 120.
- Resultado após 24 horas: saldo subiu de US$ 120 para US$ 137, ganho de cerca de US$ 20 (15,7%), 14 vitórias e 4 derrotas em 18 trades, drawdown máximo de US$ 12.
- O próprio autor relativiza: diz não ter expectativa de bom retorno no longo prazo com esse modelo simples e que o resultado é uma única noite sem significância estatística.
- Aproveita para divulgar um projeto paralelo (um “micro fundo de hedge para agentes de IA”) e anuncia próximo vídeo sobre arbitragem entre Polymarket e Kalshi.
Can AI & Machine Learning Beat Kalshi...or Is It Just Luck?
O autor treina um modelo simples de aprendizado de máquina para prever, cinco minutos após a abertura, se o bitcoin subirá ou cairá na janela de quinze minutos negociada na Kalshi, acumula uma sequência espetacular de acertos ao vivo e termina mostrando, pela própria matemática, que não há vantagem real ali.
não
é conteúdo de canal de aposta com verniz de ciência de dados, e o próprio autor derruba o resultado no fim; a única coisa que vale guardar é a lição metodológica que ele demonstra sem querer, de que 93% de acerto em catorze eventos não distingue vantagem de variância, e que a conta a fazer é sempre o resultado esperado sobre milhares de repetições, o que se aplica direto ao seu laboratório de trading.
- Escolhe a Kalshi pelo retorno rápido de resultado: o mercado “bitcoin sobe ou desce nos próximos 15 minutos” resolve em um dólar por contrato acertado e zero no erro, com possibilidade de sair antes.
- Reúne 5.335 mercados já resolvidos a partir dos dados históricos públicos e separa 600 deles, intocados, para o teste final.
- Define a tarefa deliberadamente difícil: usar só os primeiros cinco minutos da janela, com dez ainda por correr, porque esperar mais dá precisão mas piora o preço de entrada.
- Descreve o treino em termos leigos, assumindo que não é especialista: mostrar ao modelo os cinco minutos iniciais e o desfecho, repetir cinco mil vezes e verificar se ele reconhece o padrão em dados novos.
- Apresenta o resultado honesto do teste: a linha de base cega é 50%, o próprio preço da Kalshi acerta 51,8%, e o modelo mal supera o mercado; com dez minutos de janela, a diferença para o mercado praticamente desaparece.
- Conta que, entre vários modelos testados, um acertou sete de sete janelas ao vivo, e por isso resolveu colocá-lo em produção com ordens de 1 dólar, chegando a 12 vitórias e 4 derrotas em 16 janelas (75% de acerto direcional).
- Sobe a aposta para 5 dólares com saldo de 56 na conta (margem para seis derrotas) e acompanha janela a janela, encerrando o trecho gravado em 88 dólares, alta de 174% em poucas horas, com apenas uma derrota.
- Publica no GitHub o passo a passo: onde buscar os dados pelas APIs gratuitas, o prompt de treino e o código Python, avisando para ler antes de rodar em Codex e para não pôr dinheiro atrás disso.
- Pede ao Codex uma análise “como faria um pesquisador quantitativo” e chega ao ponto do vídeo: 13 acertos em 14 entradas de 5 dólares, 93% de acerto, mais 31 dólares depois das taxas, mas a vantagem sobre o preço da Kalshi é de 1 a 2 pontos percentuais em pouquíssimas janelas.
- Projeta mil janelas com esse modelo e obtém resultado líquido esperado de cerca de menos 12 dólares, com a taxa de acerto convergindo para perto de 70%; conclui explicitamente que o que aconteceu foi sorte em amostra pequena, que ali não há vantagem e que aquilo é aposta, não estratégia.
- Fecha dizendo que uma vantagem positiva não é impossível, bastaria melhorar o modelo, e divulga o link de indicação da plataforma.
STOP LOSING On Kalshi and Polymarket! Do This Now With AI
Tutorial de como usar IA (um agente no Codex) para caçar "valor esperado" comparando os preços de mercados de previsão (Polymarket, Kalshi) com as odds das casas de aposta, em vez de tentar adivinhar quem vence.
não
é tutorial prático de EV e apostas com IA; toca no seu interesse por agentes de IA e no laboratório de Investimentos, mas é raso e voltado a betting, sem densidade para uma sessão.
- Premissa: parar de perder no longo prazo exige pensar em valor esperado (EV), não em “quem ganha o jogo”; vale para apostas esportivas, trading e sistemas automáticos.
- Exemplo Arsenal × Manchester City: Polymarket e Kalshi ficam quase idênticos (37/36/28), logo há pouco valor entre eles, e a saída é comparar com as casas de aposta.
- Mostra a matemática: inverter as odds decimais (1 sobre a odd), somar (dá cerca de 108%), e normalizar removendo a margem da casa (cerca de 8%) para obter as probabilidades implícitas.
- Regra prática: se as casas (Bet365, DraftKings) precificam algo como 45% e o mercado de previsão só 37%, há uma vantagem de cerca de 8% para comprar barato, independentemente de quem vença.
- Monta um sistema simples no Codex: usar o web socket gratuito de Polymarket e Kalshi para preços ao vivo, receber as odds das casas (idealmente via API), normalizar e sinalizar outliers e possíveis mispricings.
- Resultado do agente no exemplo: Man City no Kalshi “vale monitorar” a 34 centavos ou menos, mas sem EV executável no momento.
- Filosofia de fundo: não existe “valor justo verdadeiro”; a questão é em quem confiar (casas de aposta ou mercados de previsão, nunca “um cara do Reddit”), e ele constrói modelos próprios de fair value.
My Quant AI Execution Alpha Setup Is CRUSHING Polymarket
O apresentador do All About AI mostra que vem usando IA de codificação (Codex, Claude Code, OpenCode) para otimizar não a previsão dos eventos, mas a execução das ordens na Polymarket, buscando uma vantagem mecânica de latência e de posição na fila (FIFO) do order book em vez de uma vantagem preditiva.
não
é um relato pessoal raso e promocional sobre micro-otimização de latência de trading em prediction markets, sem substância sobre a fronteira de IA/agentes que interesse ao Bruno.
- Define o conceito de “execution alpha”: não prever melhor o evento, mas colocar ordens mais rápido e conquistar boa posição de fila, o que dá uma pequena vantagem técnica.
- Exibe um exemplo de lucro de cerca de 10.000% num teste de “up and down” de 5 minutos no Bitcoin, onde comprou 5 shares a 5 centavos e recebeu US$ 5 quando resolveu, ressalvando que isso não acontece toda vez.
- Mostra outra posição no mercado “US recession by the end of 2077”, com 5 shares ordenados a 1 centavo, em que aparece estimativa de 12 shares à frente contra 1,1 milhão atrás, ou seja, ele estaria entre os 0,01% primeiros da fila.
- Explica que a Polymarket usa FIFO (first in first out), então quem está à frente é preenchido primeiro; se o mercado der um spike e o book cair a 1 centavo, só os primeiros (por exemplo 100 pessoas) são preenchidos e os 1,1 milhão restantes não, e é aí que mora a vantagem.
- Lista dicas técnicas genéricas que a IA ajuda a implementar: usar websockets com conexão aberta em vez de polling, pré-computar parâmetros e credenciais (como cache), cuidar do hosting/proximidade de servidores via VPS para ganhar micro-milissegundos, reusar conexões HTTP persistentes, e otimizar assinatura de perfil e latência de execução.
- Enquadra a IA de codificação como ótima para iterar e rodar experimentos rápido sobre esses parâmetros, dizendo ter gastado muitos dias afinando o setup e que ainda há muita pesquisa a fazer.
- Reconhece que a vantagem é mecânica e não preditiva, que há muita competição e que a boa posição FIFO é em parte sorte, mas argumenta que a matemática favorece porque o drawdown é pequeno e dá para “cavalgar” muitas vezes no lado adverso e ainda sair no lucro, com paciência.
- Diz que pretende olhar mais os mercados repetitivos de Bitcoin/cripto colocando o agente de IA a procurar vantagem no order book, e que também tem testado em Kalshi e Hyperliquid, tema para outro vídeo.
OpenAI vs Claude Polymarket AI Prediciton Battle Week 2
Segunda semana de um experimento amador que coloca o GPT (OpenAI) contra o Claude (Anthropic) prevendo eventos no Polymarket; a proposta é rodar os dois modelos com o mesmo scaffolding e prompt, sem que vejam os preços do mercado, para comparar suas previsões e ver qual acerta mais.
não
é entretenimento com n amostral minúsculo, sem metodologia de avaliação séria (aposta antes de rodar o segundo modelo, sem controle estatístico), e o único gancho de agente real (o scaffolding que oculta preços) fica só sugerido, não detalhado.
- O autor recapitula a semana 1, em que o Claude estava vencendo por 1 a 0 (acertou uma previsão de clima, enquanto o modelo da OpenAI errou as duas).
- Os três mercados desta semana são as vendas na primeira semana de um álbum da Ariana Grande, a taxa de desemprego de julho e a temperatura máxima em Londres no dia seguinte.
- O scaffolding esconde deliberadamente dos modelos os preços do Polymarket, para não contaminar a previsão; o modelo só vê as regras e as faixas de resposta possíveis.
- Ambos os modelos são configurados em esforço/raciocínio alto e recebem um prompt simples (“execute suas previsões da semana”); rodam um de cada vez, limpando a memória entre as execuções.
- O modelo da OpenAI previu 275-300K para o álbum (favorito do mercado), 4,2% de desemprego (não favorito) e 23 °C em Londres (favorito), duas coincidindo com o favorito e uma não.
- O autor faz apostas reais de poucos dólares para o lado da OpenAI (por exemplo 45 centavos por ação no clima, 14 ações a 71 na Ariana Grande) antes mesmo de rodar o Claude.
- O Claude chegou a resultados quase idênticos, divergindo só na Ariana Grande, onde apostou numa faixa mais alta (300-325K), levando o autor a colocar uma aposta separada nessa faixa.
- Como quase todas as apostas convergiram, o autor conclui que o desempate da semana dependerá exclusivamente de onde caírem as vendas do álbum da Ariana Grande.
- Menciona de passagem outro sistema automatizado próprio que apostou na abertura em alta do S&P 500 e rendeu 50%, e promete um vídeo futuro ensinando a construir modelos simples de machine learning para o Polymarket.
QuantWFX: Polymarket AI Weather Forcast + Week 1 AI Battle Results
Vídeo curto de update do All About AI mostrando os resultados da "semana 1" de uma batalha de previsões entre modelos de IA e o andamento de um sistema autônomo de trading de clima no Polymarket.
não
é vídeo curto, promocional e raso, sem substância teológica ou conceitual; só registra a moda de trading autônomo com LLMs e nomes de modelos especulativos.
- Recapitula uma disputa de previsões entre “Opus 5” e “GPT 5.6” em apenas dois eventos, usando a Serbay API; conclui, de forma admitidamente ambígua, que o Opus levou a melhor por chegar mais perto (acertou exata a temperatura mínima de 26 graus), colocando-o na liderança.
- Anuncia que as próximas rodadas terão mais eventos (quatro ou cinco) e sempre usarão o modelo mais recente acessível via Codex para o lado da OpenAI.
- Apresenta o “Quant WFX”, um sistema autônomo, dirigido por dados e probabilístico, que entra e sai de trades de temperatura diária no Polymarket com base em valor esperado dinâmico; mostra um painel de posições e afirma que, após ajustar parâmetros, vem “cortando as perdas” e subindo devagar, mantendo apostas conservadoras.
- Mostra um segundo projeto ainda em aprendizado: uma plataforma de pesquisa autônoma que constrói modelos de machine learning sobre dados de Polymarket, Hyperliquid e afins; diz ter rodado 125 experimentos e batido o mercado em cerca de 0,26%.
- Admite não dominar machine learning e diz que a IA torna trivial limpar dados e programar os treinos, prometendo um vídeo posterior sobre o hardware que usa e sobre como o varejo pode usar LLMs nesse nicho.
Opus 5 vs GPT-5.6 On Polymarket Predictions — Week 1
Demonstração prática de uma disputa de previsões entre Opus 5 e GPT-5.6 usando agentes que acessam a web via SER API, com preços de mercado obfuscados e saída probabilística para comparação e aposta simbólica em Polymarket.
talvez
Método interessante para quem estuda agentes e avaliação empírica; vale aprofundar em desenho experimental, métricas de calibração/proper scoring e falhas de obfuscação se você quiser reproduzir ou adaptar para pesquisas.
- Objetivo: comparar previsões de Opus 5 e GPT-5.6 em dois eventos de curto prazo e acompanhar quem acerta melhor; apostas de US$10 como experimento.
- Eventos testados: menor temperatura em “SE” em 29 de julho (bins de temperatura) e número de dissidentes no Fed na reunião de julho (0 a 6+).
- Ferramentas e rationale: uso do patrocinador SER API para dar acesso de pesquisa estruturada (JSON) aos agentes; vantagens citadas: choke point neutro, formato idêntico para todos os modelos, fácil filtragem.
- Scaffolding experimental: remover menções a Polymarket/Kalshi dos resultados, obfuscar preços mostrando só opções/bins predefinidos, obrigar envio de distribuição de probabilidade para cada resultado, rodar modelos sequencialmente e limpar cache para evitar contaminação.
- Fontes consultadas durante as pesquisas: AcuWeather, site meteorológico norueguês (yr/sem nome exato no áudio) e buscas multilíngues via SER API; menção a codeex e cloud code como alternativas de pesquisa.
- Resultados do round: Opus 5 submeteu preferência pelo bin 26°C como favorito e 2 dissidentes no Fed; GPT-5.6 favoreceu o bin 25°C (~52%) e 0 dissidentes; o criador colocou as apostas correspondentes em Polymarket.
- Crítica do autor: preocupação de que Opus tenha seguido o favorito de mercado, indicando que a obfuscação de preços pode não ter sido 100% eficaz; pretende iterar no scaffolding e fazer séries futuras.
How My AI Agent Found a 993% Return Polymarket Strategy
O criador descreve um agente LLM rodando 24/7 que garimpa oportunidades de arbitragem em Polymarket (comprando ambos os lados de binárias/combos) e relata lucros garantidos em exemplos; o título com "993% return" é sensacionalista e não é sustentado por evidência auditável no vídeo.
sim
— porque a parte técnica sobre como estruturar prompts/objetivos de agent, que dados exatos coletar e os requisitos de execução/latência é relevante para quem estuda agentes aplicados e validação empírica de hipóteses (vale aprofundar em replicabilidade, logs de fills e métricas de slippage).
- Demonstração de um trade de arbitragem: comprou posições “no” e “yes” em um mercado de fechamento de IPO com preços baixos (ex.: ~4–4,5 cents por ação, ~42 shares) de modo que, independentemente do resultado, haveria lucro garantido estimado (~US$38 por lado, ~US$75 total); autor chama isso de arbitrage/executable payoff bound.
- Ferramenta/stack: usou Codeex (cloud), modelos citados “GPT 5.6”, “Claude Opus 4.8”, “Kim K3”; recomenda evitar uso direto de API por custo, prefere setups agentic em cloud (slashgoal, prompts com parada clara).
- Processo: agent recebe objetivo bem definido (achar 3 hipóteses de estratégia), recolhe documentação da API/WebSocket de Polymarket, executa pesquisa quantitativa e sugere testes/data pipelines.
- Três hipóteses geradas automaticamente: “one-cent longshot floor capture”, “same event correlation surface trading” e “executable payoff bound arbitrage” (nomes citados pelo agent).
- Dados necessários: websocket/full market depth, RFQ/quote lifecycle, leg logs e histórico de preenchimento; conclusão do agent: dados públicos históricos não bastam, é preciso coletar dados próprios (p.ex. configurar collectors) para validar execução.
- Risco operacional e execução: perda inicial por fills parciais (entrar só em um lado expõe a perda); competição na fila, latência e parâmetros de execução são cruciais; menciona “merge” em Polymarket como forma técnica de capturar valor sem esperar resolução.
- Postura prática: roda em modo pesquisa/paper-trade antes de colocar capital, escala com volume se a estratégia se provar, vê o trabalho como combinação trifecta: dados + código + matemática (estatística/EV).