Todos te dijeron que un bot de trading necesita IA sofisticada y un centro de datos.
Eso es una mentira que impide que los principiantes empiecen.
Aquí está la verdad: un bot rentable de clima para Polymarket se construye en UN FIN DE SEMANA, y al final de esto tendrás todo el pipeline.
El clima es lo opuesto al BTC de 5 minutos.
Las ventanas de BTC son un volado que no puedes predecir, y la guerra de velocidad la ganan los bots colocados en el mismo lugar.
La temperatura es genuinamente predecible, se resuelve en horas, así que la velocidad no significa nada, y los datos son gratuitos.
Es el último mercado donde un desarrollador solitario con un VPS barato sigue ganando con cerebro, no con hardware.
Toda la máquina son seis pasos.
Descubre los mercados, obtén los pronósticos, corrige el sesgo, conviértelos en probabilidades, encuentra el margen del 8%, calcula el tamaño y ejecuta.
Eso es todo.
Déjame darte cada pieza.
Construí cientos de bots y los que generan dinero siempre son así de simples, no los sobreingenierados que la gente asume que necesitas.
Aquí está mi ejemplo público de bot de clima: \[[https://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surferhttps://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surfer)]
Todavía lo estoy desarrollando y estoy pasando por una racha de pérdidas que estoy tratando de corregir.
Pero aún así, no está sangrando todo el tiempo como las versiones anteriores.
Ahora, construyamos una máquina de hacer dinero.
1. Concepto e idea
Antes del código, ten claridad en la idea, porque hace que cada paso sea obvio.
Polymarket lista mercados de temperatura diaria para ciudades de todo el mundo.
Cada uno es un conjunto de rangos.
Un rango se resuelve como SÍ a un dólar, el resto se va a cero.
El mercado se resuelve en UNA estación de aeropuerto exacta, no en la ciudad que ves en tu app del clima.
El trabajo de tu bot es simple de decir.
Calcula la probabilidad real de cada rango mejor que la multitud, luego compra los rangos que el mercado ha subvalorado.
NO estás pronosticando el clima tú mismo.
Los modelos de mil millones de dólares ya lo hicieron hace horas.
Estás leyendo su pronóstico, limpiándolo y comparándolo con el precio del mercado.
Donde tu probabilidad honesta es mucho más alta que el precio, tienes una ventaja.
Todo lo que sigue es solo cómo calcular esa brecha y actuar sin engañarte a ti mismo.
Mantén cada ajuste en un archivo de configuración, no hardcodeado, para que puedas ajustar sin tocar la lógica.
Saldo inicial, tamaño máximo de operación, margen mínimo, límites de precio, fracción de Kelly.
Todo vive en un solo lugar que puedes editar en segundos.
2. Descubre los mercados
El bot comienza escaneando Polymarket en busca de mercados de temperatura activos que valga la pena operar.
No quieres operar todos.
Quieres un filtro que elimine la basura antes de desperdiciar una llamada de pronóstico o un dólar.
Tres filtros hacen la mayor parte del trabajo:
> Volumen mínimo
Omite mercados delgados con menos de unos pocos miles en volumen.
Los libros delgados tienen spreads amplios y precios en los que no puedes confiar.
> Ventana de tiempo
Solo opera mercados que se resuelvan entre aproximadamente 2 y 72 horas.
Por debajo de 2 horas, el margen ya está descontado.
Más allá de 72 horas, el pronóstico es demasiado incierto para confiar en él.
> Límite de precio
Omite rangos que ya se negocian por encima de aproximadamente 45 centavos.
A ese precio, el mercado ya ha descontado la mayor parte del margen y tu potencial alcista es escaso.
Cada mercado que sobrevive apunta a una ciudad, una fecha y una estación de resolución.
Esa estación lo es todo, así que almacenas sus coordenadas exactas de aeropuerto y su código ICAO, nunca el centro de la ciudad.
Usar coordenadas del centro de la ciudad puede introducir un error de 3 a 8 grados antes de que tu bot siquiera comience a pensar.
Ahora tienes una lista limpia de mercados negociables, cada uno vinculado al punto exacto al que debe apuntar el pronóstico.
3. Obtén el pronóstico (código)
Ahora obtienes pronósticos para la estación exacta de cada mercado, de más de una fuente.
Un modelo es una opinión.
Tres modelos te permiten ver acuerdo y desacuerdo, lo cual es información en sí mismo.
Tu ancla es ECMWF, el estándar de oro global, gratuito a través de Open-Meteo, sin necesidad de clave.
Para ciudades de EE. UU. en horizontes cortos, agregas un modelo de mayor resolución que lee observaciones en tiempo real.
Aquí está la obtención de ECMWF:
1def get_ecmwf(lat, lon, unit):2url = (3"https://api.open-meteo.com/v1/forecast"4f"?latitude={lat}&longitude={lon}"5f"&daily=temperature_2m_max&temperature_unit={unit}"6"&forecast_days=7&models=ecmwf_ifs025"7"&bias_correction=true"8)9data = requests.get(url, timeout=(5, 8)).json()10return data["daily"]["temperature_2m_max"]
Esa bandera \bias_correction=true\ importa: aplica una primera pasada de corrección de errores basada en la ubicación de forma gratuita.
Para ciudades de EE. UU. dentro de aproximadamente 48 horas, prefiere el modelo de mayor resolución:
1def get_hrrr(lat, lon):2url = (3"https://api.open-meteo.com/v1/forecast"4f"?latitude={lat}&longitude={lon}"5"&daily=temperature_2m_max&temperature_unit=fahrenheit"6"&forecast_days=3&models=gfs_seamless"7)8return requests.get(url, timeout=(5, 8)).json()["daily"]["temperature_2m_max"]
Regla simple: alta resolución para EE. UU. de corto alcance, ECMWF para todo lo demás.
Solicita cada ciudad en su propia unidad, EE. UU. en Fahrenheit, el resto en Celsius, y mantén cada comparación en la misma escala.
4. Corrige el sesgo (aquí está el dinero)
Aquí es donde los ganadores se separan de todos los demás.
Cada modelo es sistemáticamente incorrecto en una dirección consistente.
GFS tiene un sesgo de frío, subestima la temperatura, y el tamaño de ese error depende de la ciudad, la hora y qué tan lejos esté el pronóstico.
Si omites esto, tu ventaja a menudo es solo el modelo equivocándose de la manera habitual.
Eso no es una ventaja.
Es ruido disfrazado de ventaja.
Entonces, antes de calcular una sola probabilidad, corriges el modelo usando sus propios errores pasados.
El sesgo es muy simple de definir.
> sesgo = pronóstico menos real
Lo mides por separado por ciudad, por horizonte, por hora del día, luego desplazas los nuevos pronósticos por ese error conocido.
La versión más simple que funciona es un promedio ponderado de los errores recientes, para que los fallos más nuevos cuenten más.
NO necesitas una red neuronal para esto.
Un promedio ponderado básico o una regresión pequeña te da entre el 60 y el 80 % de toda la mejora disponible.
Implementa eso primero.
La corrección de sesgo con ML sofisticado es real, pero es el último 20 %, y solo importa una vez que la versión simple ya está generando dinero.
Corrige los insumos primero.
Un modelo gratuito y aburrido, corregido, supera a un modelo elegante alimentado con datos sin procesar.
5. Convierte los pronósticos en probabilidades de rango
Ahora conviertes un número de pronóstico corregido en una probabilidad para cada rango.
Aquí está el error que cometen los principiantes.
Toman el pronóstico, lo colocan en el rango donde cae y llaman a ese rango 100 %.
Pero el pronóstico no es exacto.
Es un punto central con una dispersión de error conocida a su alrededor.
Esa dispersión es todo el juego.
Digamos que tu pronóstico corregido es 41 °F y el error típico de tu modelo para esa ciudad es de aproximadamente 2 grados.
El valor real máximo podría caer fácilmente un rango arriba o abajo.
Así que no apuestas un rango al 100 %.
Distribuyes la probabilidad entre el rango del pronóstico Y sus vecinos, ponderados por la probabilidad de cada uno dado tu tamaño de error.
Un error histórico más ajustado significa más probabilidad acumulada en el rango central.
Un error más amplio la distribuye entre los vecinos.
Esta es exactamente la razón por la que conocer tu error real, tu sigma, importa tanto.
Sin él, estás adivinando tu propia confianza.
Con él, estás convirtiendo un pronóstico en una distribución de probabilidad honesta contra la cual se puede medir el mercado.
Esa distribución es con lo que realmente operas, rango por rango.
6. Encuentra el margen y calcula el tamaño con Kelly
Ahora comparas tu probabilidad con el precio del mercado y solo actúas cuando la brecha es real.
Primero, el valor esperado, tu margen por dólar:
1def calc_ev(p, price):2if price <= 0 or price >= 1:3return 0.04return round(p * (1.0 / price - 1.0) - (1.0 - p), 4)
Si tu modelo dice que un rango es 80 % y se cotiza a 14 centavos:
\0.80 * (1/0.14 - 1) - 0.20 = +4.94\
Eso es un margen enorme.
Pero no disparas en cada número positivo: estableces un piso, solo operas cuando el VE supera aproximadamente el 8 %, para saltarte las señales débiles.
Luego, Kelly te dice cuánto de tu capital apostar:
1def calc_kelly(p, price, kelly_fraction=0.25):2b = 1.0 / price - 1.03f = (p * b - (1.0 - p)) / b4return min(max(0.0, f) * kelly_fraction, 1.0)
Dos barreras de seguridad que te mantienen con vida.
> Usa Kelly fraccional, una cuarta parte de lo que dice Kelly completo
Kelly completo es una montaña rusa, la fracción reduce drásticamente la varianza.
> Limita cada operación a una apuesta máxima de tu configuración
Incluso si Kelly grita que apuestes fuerte, el límite te salva de un solo mercado malo.
Entra en el ASK, el precio real que pagas, y trata el bid como tu salida, o tu backtest te miente.
7. Ejecuta, detente y registra todo
Ahora el bot actúa, e igual de importante, registra.
El bucle principal se ejecuta en un horario, por ejemplo, cada hora, y hace lo mismo en orden para cada mercado.
Obtén pronósticos actualizados de todas las fuentes
Encuentra el mercado de Polymarket correspondiente y carga su registro
Guarda el pronóstico actual como una instantánea, porque ese historial es tu ventaja futura
Verifica los stops en cualquier posición abierta
Abre una nueva posición solo si el VE supera tu piso y el precio es correcto
https://x.com/0xSurferX/status/2078620667272896555
Tus stops son simples y mecánicos.
Cierra si el precio cae un porcentaje establecido desde la entrada.
Cierra si el pronóstico se aleja lo suficiente de tu rango como para que la tesis esté muerta.
Entre escaneos completos, ejecuta un pase ligero cada pocos minutos solo para monitorear los stops, sin volver a escanear cada ciudad.
Y registra absolutamente todo.
Cada instantánea de pronóstico, cada precio de mercado que viste, cada operación, cada resolución.
Un archivo por mercado, añadido con el tiempo.
Ese registro no es trabajo trivial.
Es la materia prima para el último paso, el que convierte un bot estático en uno que se vuelve más inteligente cada semana.
8. Déjalo calibrarse y volverse más inteligente
Aquí está lo que separa a un bot que adivina de uno que SABE.
En el día uno, tu bot no tiene una idea real de qué tan precisos son sus pronósticos para cada ciudad.
Por lo tanto, no debería confiar completamente en sí mismo todavía.
Debería operar con poco, registrar cada resolución y esperar.
Una vez que tiene suficientes mercados resueltos para una ciudad, alrededor de 30, puede medir su error real.
Tomas cada pronóstico que hiciste para esa ciudad, lo comparas con lo que realmente sucedió y calculas el error promedio.
Ese error promedio se convierte en tu sigma, tu confianza real, para esa ciudad y fuente exactas.
Y ese sigma retroalimenta directamente el paso cuatro.
Un mejor sigma significa una distribución de probabilidad más honesta entre los rangos, lo que significa una mejor detección de márgenes, lo que significa un mejor tamaño.
El bot literalmente se mejora a sí mismo a medida que colecciona más mercados resueltos.
Esta es la misma disciplina que predico para cada bot que construyo:
Registra todo, arriesga poco al principio
Deja que los resultados reales resueltos midan tu precisión real
Solo aumenta el tamaño una vez que los datos hayan demostrado el margen
Un bot de clima que confía en sí mismo al 90 % en el día uno es el mismo desastre que un bot de cripto implementado con un backtest del 10,000 %.
Ambos confiaron en un número que nunca se ganaron.
No quieres ver algo así, créeme:
Sigamos.
9. Poniéndolo todo junto
Ahora, hagamos una conclusión.
**
Da un paso atrás y mira lo que construiste:**
Descubre mercados limpios, vinculados a la estación de resolución exacta
Obtén tres fuentes de pronóstico para esa estación
Corrige el sesgo conocido de cada modelo
Convierte el pronóstico corregido en probabilidades de rango usando tu error real
Opera solo cuando el margen supere el 8 %
Calcula el tamaño con Kelly fraccional y un límite máximo
Ejecuta, detente, registra y calibra hasta que se afine solo
No se necesita una red neuronal para empezar, ni un centro de datos o servidores colocados.
Solo pronósticos gratuitos, matemáticas honestas y la paciencia para dejar que se demuestre a sí mismo con resoluciones reales.
Déjalo funcionando de dos a tres semanas antes de juzgarlo, porque los mercados climáticos se resuelven a diario y necesitas de 50 a 100 operaciones resueltas para saber lo que tienes.
Construí más de 200 bots y esta forma exacta es la que realmente genera dinero mientras las cosas sofisticadas se quedan sin terminar.
Pipeline simple, calibración honesta, disciplina aburrida.
Eso es todo lo que necesitas en realidad.
El clima es el último mercado honesto en Polymarket.
Construye los seis pasos este fin de semana, déjalo calibrar y entra antes de que la multitud se despierte.
El desglose completo del paso de corrección de sesgo viene a continuación, no te lo pierdas.
Publicando la parte 2 el miércoles.
También únete a mi pequeño canal de tg si quieres conectar.
Únete aquí: https://t.me/+jCBHygDAJa9hMTJk
Aquí construimos juntos, discutimos y solucionamos problemas.
Espero que este artículo te haya sido útil, porque ese es el objetivo.
¡Buena suerte!
![[Disculpa y gratitud] Redefiniendo el valor de la oficina en la era de la IA](https://youmind.club/__ym/cms-assets/media/1784654487214_c56a6p_HNr6-znbwAAQJbv.jpg)
