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.
O que foi dito
- 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.