Usar IA para fazer previsões do tempo, ganhar 200 dólares por dia sem esforço

作者：Changan I Biteye内容团队

O tempo não tem posição; não é como eleições, nem como NBA, sem equipe principal. Mas é exatamente esse mercado que faz os usuários nacionais entrarem em massa. A razão é simples: cada um tem sua sensação, cada um acha que entende do tempo em Xangai.

Mas “sentir que entende” e “conseguir ganhar dinheiro” são coisas diferentes.

Hoje, a Biteye compartilha três pontos:

1. Entender as regras de liquidação
2. Construir métodos de previsão do tempo
3. Usar sistemas para encontrar oportunidades de negociação que outros não veem

1. Primeiro, entender: como funciona realmente a liquidação neste mercado de tempo?

1. A temperatura de liquidação não é o que você pensa

Muita gente entra pela primeira vez com um equívoco: compara o app de previsão do tempo no celular com as apostas de temperatura máxima, mas o app mostra a temperatura do centro de Xangai, enquanto a liquidação do Polymarket usa dados reais do aeroporto de Pudong (ZSPD), coletados pelo Wunderground, uma plataforma meteorológica americana, que é acessível ao público. O PM lê diretamente os registros do WU como base de liquidação.

Dois locais, dois números. O aeroporto de Pudong fica na parte leste da cidade, perto da foz do Yangtzé, influenciado pelo vento marítimo, então a temperatura costuma ser mais baixa que na cidade. Essa diferença geralmente não é perceptível, mas na borda de faixas de temperatura, pode fazer a diferença entre acertar ou errar a aposta.

Por isso, nos comentários do mercado de tempo, às vezes aparece confusão: “Hoje parece mais quente que ontem, por que a temperatura máxima exibida é mais baixa?”

2. Os números estão corretos, mas as unidades não são as que você espera

Os dados do WU vêm diretamente do relatório METAR, que é um formato de relatório meteorológico usado na aviação mundial, reportado a cada hora pelo aeroporto.

Um detalhe importante: o METAR registra a temperatura em Fahrenheit, e o WU exibe esse valor sem conversão ou ajuste.

A maioria dos sistemas de previsão do tempo e modelos meteorológicos usam temperaturas com casas decimais. Quanto mais preciso o modelo, mais fácil é ignorar esse detalhe grosseiro.

3. Padrões de temperatura em Xangai

Analisando quase 1900 dias de dados do ZSPD, descobri que os horários de máxima temperatura em Xangai são mais concentrados do que se imagina:

• Em todas as estações, entre 11h e 13h;
• No verão, o pico às 12h é mais frequente, representando 27,6% do total da estação;
• No outono, o pico é um pouco mais cedo, às 10h, também um horário de alta frequência.

Conhecer o padrão é o primeiro passo, mas o padrão não monitora o mercado sozinho. É preciso saber quando a máxima ocorre, se foi batida, e quanto falta para atingir a próxima faixa de temperatura.

Por isso, criei um sistema que, antes do encerramento diário, tenta prever com maior precisão em qual faixa de temperatura máxima o dia vai fechar.

2. Cinco métodos, três funcionaram

Depois de entender as regras do mercado, a próxima questão é: como prever a temperatura máxima do dia?

Como iniciante em meteorologia, comecei perguntando ao ChatGPT: como a indústria meteorológica calcula a temperatura máxima diária? Quais métodos maduros existem? O ChatGPT forneceu uma estrutura teórica, que o Claude transformou em código. Dois IA trabalharam juntos, e em um fim de semana, o sistema foi montado.

Testei cinco métodos, e apenas três funcionaram.

Os que funcionaram:

1️⃣ Previsão integrada WC + ECMWF

Para prever a máxima, primeiro é preciso de dados. Usei duas fontes:

• Weather Company (WC), uma API comercial de meteorologia, que fornece previsões horárias de alta precisão;
• ECMWF, o centro europeu de previsão do tempo, com um modelo global sensível a grandes sistemas meteorológicos.

Cada fonte tem suas vantagens e desvantagens, então as combinei com uma votação ponderada. Os pesos variam dinamicamente conforme o tipo de tempo do dia: em dias ensolarados, confio mais na WC; em dias com muitas nuvens ou vento forte, mais na ECMWF.

2️⃣ Correção em tempo real: usando dados de aquecimento para estimar o pico

A previsão é feita na noite anterior, mas o clima muda ao longo do dia. Então, esse módulo usa os dados medidos pela manhã para estimar a máxima possível do dia.

A lógica é simples: em Xangai, entre 8h e 9h da manhã, a temperatura sobe mais rápido. Quando o sistema obtém a temperatura real nesse horário, consulta dados históricos: na mesma estação e horário, quanto a temperatura costuma subir ainda?

Depois, aplica dois ajustes:

• Se há muitas nuvens, multiplica por um fator de desconto, pois a cobertura impede o aquecimento;
• Se há vento forte, também aplica um desconto, pois o vento acelera a perda de calor. Assim, faz uma estimativa de extrapolação.

Pressão, ponto de orvalho e umidade também entram no cálculo, mas após testes, percebi que esses fatores têm pouca influência, então foram removidos.

Contudo, só a extrapolação não é suficiente. Aqui, uso o conceito de ganho de Kalman, que basicamente faz uma média ponderada entre a “extrapolação” e a “previsão original”, com pesos que variam ao longo do dia:

• Às 6h, a extrapolação representa 20%, a maior parte ainda confia na previsão;
• Ao meio-dia, a extrapolação sobe para 72%;
• Após 13h, quase totalmente baseada na medição real, com 85%.

Quanto mais tarde, mais importante é o que está acontecendo agora; mais cedo, mais valiosa é a previsão histórica.

Depois das 14h, o sistema assume que o pico já passou e pega a máxima do dia nos registros históricos, sem mais fazer extrapolações.

3️⃣ Hoje é dia de aquecimento?

Esse é o módulo mais satisfatório do sistema: toda manhã, às 2h-4h, ele decide se o dia vai ser mais quente que ontem.

O sistema coleta dados meteorológicos, como:

• Variações de pressão nas últimas 3h e 12h;
• Direção e velocidade do vento na madrugada, condição das nuvens;
• Variação de temperatura de ontem, tendência dos últimos três dias, se ontem foi mais quente ou mais frio;
• Mês, estação, dia do ano, se choveu ontem.

Depois, o modelo classifica o dia em cinco categorias: dia de aquecimento, levemente aquecendo, estável, levemente esfriando, dia de esfriamento, com um nível de confiança.

Porém, essa previsão tem acurácia variável ao longo do ano:

• Melhor no inverno: quando uma massa de ar frio chega, a pressão sobe rápido, o vento do norte aumenta, o sinal é claro;
• Pior no outono: massas de ar frio e quente se alternam, o aquecimento de hoje pode reverter amanhã, a regra histórica falha mais rápido.

Métodos descartados:

1. Previsão por análise de Fourier

Tentei usar análise de Fourier para ajustar os ciclos históricos de temperatura, para prever o máximo do dia.

Percebi que ela só indica a média do período, ou seja, “quanto costuma fazer nesta época”. Como o clima de Xangai é altamente aleatório, a curva de Fourier é uma linha suave, que não captura as oscilações diárias reais. O erro médio foi de 3,6°C, sempre subestimando, então descartei.

2. Previsão do pico pelo ERA5

O ERA5 é um conjunto de dados de reanálise global do centro europeu de clima, usado para prever quando a temperatura máxima ocorre.

Após testes, a precisão foi:

• Dentro de 1 hora: 59,6%
• Dentro de 2 horas: 81,3%

Embora pareça razoável, o problema é que o Polymarket tem uma precisão maior, e o tempo para os traders decidir é curto. Se não for possível prever o pico em meia hora, é melhor apenas acompanhar os dados do mercado. Assim, esse método foi descartado.

3. Casos práticos e reflexões sobre limitações do sistema

O mercado de tempo do Polymarket abre com 4 dias de antecedência, e as faixas de temperatura mais populares já estão bem precificadas no início. Apostar na faixa de maior probabilidade tem uma relação risco-retorno ruim.

Por isso, minha estratégia é esperar por sinais e aguardar o momento de aquecimento para entrar.

Baseando-me no sistema meteorológico que construí, fiz duas ações:

Caso 1:

Na madrugada do dia 16, o canal Telegram enviou um relatório noturno: “Amanhã será dia de resfriamento”. O motivo foi que, naquela noite, a cobertura de nuvens era mais espessa, e os dados indicavam tendência de queda de temperatura.

Naquele momento, não apostei imediatamente. O sinal da madrugada era uma primeira referência.

Por volta das 11h, o sistema enviou um relatório em tempo real: a previsão de máxima já tinha atingido 12°C, com uma chance de +1°C de 42%. A probabilidade de subir mais era baixa.

Com o sinal de tendência de queda da manhã, e os dados de previsão, decidi apostar que a máxima do dia não passaria de 13°C.

No encerramento, deu 12°C. No dia anterior, 15°C, ou seja, uma queda de 3°C.

Caso 2:

Hoje, 17 de, a previsão do tempo mostrou um pico incomum às 22h: normalmente, a máxima ocorre entre 13h e 15h, mas hoje o pico foi às 22h, indicando que o aquecimento não foi por insolação, mas por fluxo de ar úmido e quente à noite. Choveu o dia todo, com cobertura de nuvens entre 97-100%, quase sem sol.

Ao abrir o Polymarket, vi que a aposta de 12°C ainda tinha um preço de 53%. Alguns na comunidade estavam confusos: já é tarde, a temperatura está em 11°C, o pico do dia passou, por que ainda há apostas em 12°C?

A confusão vem do uso da lógica de tempo ensolarado para um mercado de chuva. Nosso sistema, porém, identificou cedo que o padrão do dia era diferente: pico fora do horário normal, temperatura atual e expectativa de mercado estavam desalinhadas. Essa diferença de informação é uma oportunidade de negociação.

Este é o propósito do sistema: facilitar a identificação de oportunidades e alertar rapidamente sobre riscos.

Limitações do sistema

Depois de um fim de semana de testes, já percebi algumas falhas:

• A acurácia no outono é só 63,7%, quase como uma moeda. As massas de ar frio e quente se alternam frequentemente, e as regras históricas falham nesse período;
• Não consigo obter dados de pressão em tempo real na prática. Usei variações de pressão como recurso na fase de treinamento, com bons resultados, mas na operação ao vivo, o acesso a esses dados é limitado;
• A correção para efeito marítimo ainda depende de mais dados. O efeito do vento marítimo de Pudong é real, e há um módulo de correção, mas ainda não tenho dados suficientes para validar.

Um sistema que rodou só um fim de semana já revelou esses problemas, o que é uma conquista. Continuarei ajustando enquanto uso.

Conclusão

A meteorologia evoluiu por séculos, usando satélites, supercomputadores e modelos globais, mas ainda assim, a previsão do tempo não garante 100% de precisão para amanhã. Não é falta de esforço dos cientistas, mas a própria natureza caótica da atmosfera, onde uma variação de um grau pode mudar tudo.

Este sistema, que rodou só um fim de semana, certamente cometerá erros. No outono, a precisão é semelhante a uma moeda; se uma massa de ar frio chegar cedo demais, o sistema pode não reagir a tempo; o efeito do vento marítimo ainda não está totalmente capturado.

Mas isso não importa. Para mercados de previsão, o importante não é acertar sempre, mas aproveitar as vantagens de odds favoráveis, tendo uma camada extra de informação.

O mercado de tempo em Xangai ainda está na fase inicial. Continuarei monitorando, ajustando e evoluindo o sistema. Se você também participa do mercado de tempo no Polymarket, deixe seu comentário: quais métodos você usa para decidir quando entrar? Já enfrentou resultados de liquidação surpreendentes?