a tese
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.
aprofundar
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.
O que foi dito
- 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.