a tese
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.
aprofundar
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.
O que foi dito
- 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.