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).