Tutti ti hanno detto che un bot di trading ha bisogno di AI sofisticata e un data center.
È una bugia che tiene i principianti lontani dall'iniziare.
Ecco la verità: un bot meteorologico redditizio su Polymarket si costruisce in UN WEEKEND, e alla fine di questo articolo avrai l'intera pipeline.
Il meteo è l'opposto del BTC a 5 minuti.
Le finestre del BTC sono un lancio di moneta imprevedibile, e la guerra di velocità è vinta da bot collocati nei data center.
La temperatura è genuinamente prevedibile, si risolve in ore quindi la velocità non conta, e i dati sono gratuiti.
È l'ultimo mercato in cui uno sviluppatore solitario con un VPS economico vince ancora con il cervello, non con l'hardware.
L'intera macchina è composta da sei passaggi.
Scopri i mercati, recupera le previsioni, correggi il bias, trasformale in probabilità, trova l'8% di margine, dimensiona e spara.
Tutto qui.
Lascia che ti dia ogni pezzo.
Ho costruito centinaia di bot e quelli che stampano sono sempre semplici così, non quelli iper-ingegnerizzati che la gente pensa siano necessari.
Ecco il mio esempio di bot meteorologico pubblico: \[[https://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surferhttps://polymarket.com/profile/0xca75fbadcc238afd23c317e253a8b5c47b390a64?via=surfer)]
Lo sto ancora sviluppando e sto attraversando una striscia di perdite che sto cercando di risolvere.
Ma comunque, non sanguina sempre come le versioni precedenti.
Ora costruiamo per te una macchina da soldi.
1. Concetto e idea
Prima del codice, chiariamoci le idee, perché rende ogni passaggio ovvio.
Polymarket elenca mercati giornalieri della temperatura per città in tutto il mondo.
Ognuno è un insieme di fasce (bucket).
Una fascia si risolve YES a un dollaro, le altre vanno a zero.
Il mercato si risolve su UNA stazione aeroportuale esatta, non sulla città che vedi nella tua app meteo.
Il compito del tuo bot è semplice da dire.
Calcola la probabilità reale di ogni fascia meglio della folla, poi acquista le fasce che il mercato ha sottoprezzato.
NON stai facendo previsioni meteo da solo.
Modelli da miliardi di dollari l'hanno già fatto ore fa.
Stai leggendo le loro previsioni, le pulisci e le confronti con il prezzo di mercato.
Dove la tua probabilità onesta è molto più alta del prezzo, hai un margine.
Tutto ciò che segue è solo come calcolare quel divario e agire senza ingannare te stesso.
Tieni ogni impostazione in un file di configurazione, non hardcoded, così puoi regolare senza toccare la logica.
Saldo iniziale, trade massimo, margine minimo, limiti di prezzo, frazione di Kelly.
Tutto in un unico posto che puoi modificare in secondi.
2. Scopri i mercati
Il bot inizia scansionando Polymarket per mercati di temperatura attivi che valga la pena scambiare.
Non vuoi scambiarli tutti.
Vuoi un filtro che butti via la spazzatura prima di sprecare una chiamata di previsione o un dollaro.
Tre filtri fanno la maggior parte del lavoro:
> Soglia di volume
Salta i mercati sottili con un volume inferiore a qualche migliaio.
I libri sottili hanno spread ampi e prezzi di cui non puoi fidarti.
> Finestra temporale
Scambia solo mercati che si risolvono tra circa 2 e 72 ore.
Sotto le 2 ore il margine è già prezzato.
Oltre le 72 ore la previsione è troppo incerta per basarsi.
> Limite di prezzo
Salta le fasce già scambiate sopra circa 45 centesimi.
A quel prezzo il mercato ha già prezzato la maggior parte del margine e il tuo potenziale upside è sottile.
Ogni mercato sopravvissuto punta a una città, una data e una stazione di risoluzione.
Quella stazione è tutto, quindi memorizzi le sue esatte coordinate aeroportuali e il suo codice ICAO, mai il centro città.
Usare le coordinate del centro città può introdurre un errore di 3-8 gradi prima ancora che il bot inizi a pensare.
Ora hai una lista pulita di mercati scambiabili, ciascuno legato al punto esatto che la previsione deve colpire.
3. Ingest della previsione (codice)
Ora recuperi le previsioni per la stazione esatta di ogni mercato, da più di una fonte.
Un modello è un'opinione.
Tre modelli ti permettono di vedere accordo e disaccordo, che è informazione di per sé.
La tua ancora è ECMWF, lo standard globale d'oro, gratuito tramite Open-Meteo, senza bisogno di chiave.
Per le città statunitensi su orizzonti brevi aggiungi un modello ad alta risoluzione che legge osservazioni in tempo reale.
Ecco il recupero 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"]
Il flag \bias_correction=true\ è importante: applica un primo passaggio gratuito di correzione dell'errore basato sulla posizione.
Per le città statunitensi entro circa 48 ore, preferisci il modello ad alta risoluzione:
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"]
Regola semplice: alta risoluzione per USA a breve raggio, ECMWF per tutto il resto.
Richiedi ogni città nella sua unità, USA in Fahrenheit, il resto in Celsius, e mantieni ogni confronto sulla stessa scala.
4. Correggi il bias (è qui che stanno i soldi)
Qui è dove i vincitori si separano da tutti gli altri.
Ogni modello è sistematicamente errato in una direzione coerente.
GFS ha un bias freddo, sottostima la temperatura, e l'entità di quell'errore dipende dalla città, dall'ora e da quanto è lontana la previsione.
Se salti questo, il tuo margine è spesso solo il modello che sbaglia nel suo modo usuale.
Non è un margine.
È rumore travestito da margine.
Quindi, prima di calcolare una singola probabilità, correggi il modello usando i suoi stessi errori passati.
Il bias è semplicissimo da definire.
> bias = previsione meno reale
Lo misuri separatamente per città, per orizzonte, per ora del giorno, poi sposti le nuove previsioni di quell'errore noto.
La versione più semplice che funziona è una media decadente degli errori recenti, in modo che gli errori più recenti contino di più.
NON hai bisogno di una rete neurale per questo.
Una media decadente di base o una piccola regressione ti danno il 60-80% di tutto il miglioramento disponibile.
Lancia prima quello.
La correzione del bias con ML sofisticato è reale, ma è l'ultimo 20%, e conta solo quando la versione semplice sta già stampando.
Prima correggi gli input.
Un modello gratuito noioso, corretto, batte un modello elegante alimentato a crudo.
5. Trasforma le previsioni in probabilità delle fasce
Ora converti un numero di previsione corretto in una probabilità per ogni fascia.
Ecco l'errore che fanno i principianti.
Prendono la previsione, la lasciano cadere nella fascia in cui cade, e chiamano quella fascia 100%.
Ma la previsione non è esatta.
È un punto centrale con una diffusione nota di errore intorno.
Quella diffusione è l'intero gioco.
Supponiamo che la tua previsione corretta sia 41F e che l'errore tipico del tuo modello per quella città sia di circa 2 gradi.
Il massimo reale potrebbe facilmente finire una fascia sopra o sotto.
Quindi non scommetti su una fascia al 100%.
Distribuisci la probabilità attraverso la fascia prevista E le sue vicine, pesate da quanto è probabile ciascuna dato il tuo errore.
Un errore storico più stretto significa più probabilità ammassata sulla fascia centrale.
Un errore più ampio la distribuisce sulle vicine.
Questo è esattamente il motivo per cui conoscere il tuo vero errore, il tuo sigma, conta così tanto.
Senza di esso stai indovinando la tua stessa confidenza.
Con esso, trasformi una previsione in una distribuzione di probabilità onesta contro cui il mercato può essere misurato.
Quella distribuzione è su cui effettivamente fai trading, fascia per fascia.
6. Trova il margine e dimensiona con Kelly
Ora confronti la tua probabilità con il prezzo di mercato e agisci solo quando il divario è reale.
Primo, valore atteso, il tuo margine per dollaro:
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)
Se il tuo modello dice che una fascia è all'80% e viene scambiata a 14 centesimi:
\0.80 * (1/0.14 - 1) - 0.20 = +4.94\
È un margine enorme.
Ma non spari su ogni numero positivo: imposti un pavimento, fai trading solo quando il EV supera circa l'8%, così salti i segnali deboli.
Poi Kelly ti dice quanto del tuo bankroll scommettere:
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)
Due paraurti che ti tengono in vita.
> Usa Kelly frazionario, un quarto di quello che dice Kelly pieno
Kelly pieno è un ottovolante, la frazione taglia la varianza duramente.
> Limita ogni trade a una scommessa massima dal tuo config
Anche se Kelly urla di scommettere grosso, il limite ti salva da un singolo mercato sbagliato.
Entra a ASK, il prezzo reale che paghi, e tratta il bid come la tua uscita, altrimenti il tuo backtest ti mente.
7. Esegui, ferma e registra tutto
Ora il bot agisce, e altrettanto importante, registra.
Il loop principale gira su un programma, diciamo ogni ora, e fa la stessa cosa in ordine per ogni mercato.
Recupera previsioni fresche da tutte le fonti
Trova il mercato Polymarket corrispondente e carica il suo record
Salva la previsione corrente come istantanea, perché quella storia è il tuo futuro margine
Controlla gli stop su qualsiasi posizione aperta
Apri una nuova posizione solo se il EV supera il tuo pavimento e il prezzo è giusto
https://x.com/0xSurferX/status/2078620667272896555
I tuoi stop sono semplici e meccanici.
Chiudi se il prezzo scende di una percentuale fissa dall'entry.
Chiudi se la previsione si sposta abbastanza lontano dalla tua fascia che la tesi è morta.
Tra scansioni complete, esegui un passaggio leggero ogni pochi minuti solo per monitorare gli stop, senza riscansionare ogni città.
E registra assolutamente tutto.
Ogni istantanea di previsione, ogni prezzo di mercato che hai visto, ogni trade, ogni risoluzione.
Un file per mercato, aggiunto nel tempo.
Quel registro non è lavoro inutile.
È la materia prima per l'ultimo passaggio, quello che trasforma un bot statico in uno che diventa più affilato ogni settimana.
8. Lascia che si calibri e diventi più intelligente
Ecco cosa separa un bot che indovina da uno che SA.
Al giorno uno, il tuo bot non ha idea reale di quanto siano accurate le sue previsioni per ogni città.
Quindi non dovrebbe ancora fidarsi completamente di sé.
Dovrebbe fare trading piccolo, registrare ogni risoluzione e aspettare.
Una volta che ha abbastanza mercati risolti per una città, circa 30, può misurare il suo vero errore.
Prendi ogni previsione che hai fatto per quella città, confrontala con ciò che è effettivamente accaduto e calcola l'errore medio.
Quell'errore medio diventa il tuo sigma, la tua vera confidenza, per quella città e fonte esatta.
E quel sigma si reimmette direttamente nel passaggio quattro.
Un sigma migliore significa una distribuzione di probabilità più onesta attraverso le fasce, che significa una migliore rilevazione del margine, che significa un dimensionamento migliore.
Il bot migliora letteralmente se stesso mentre raccoglie più mercati risolti.
Questa è la stessa disciplina che predico per ogni bot che costruisco:
Registra tutto, rischia poco all'inizio
Lascia che i risultati reali risolti misurino la tua vera accuratezza
Dimensiona solo dopo che i dati hanno dimostrato il margine
Un bot meteorologico che si fida di sé al 90% il primo giorno è lo stesso disastro di un bot crypto lanciato da un backtest al 10.000%.
Entrambi si fidavano di un numero che non si erano mai guadagnati.
Non vuoi vedere una cosa del genere, credimi:
Andiamo avanti.
9. Mettendo tutto insieme
Ora facciamo alcune conclusioni.
**
Fai un passo indietro e guarda cosa hai costruito:**
Scopri mercati puliti, legati alla stazione di risoluzione esatta
Recupera tre fonti di previsione per quella stazione
Correggi il bias noto di ogni modello
Trasforma la previsione corretta in probabilità delle fasce usando il tuo vero errore
Fai trading solo quando il margine supera l'8%
Dimensiona con Kelly frazionario e un limite massimo
Esegui, ferma, registra e calibra finché non si affina da solo
Nessuna rete neurale richiesta per iniziare, nessun data center o server collocato.
Solo previsioni gratuite, matematica onesta e la pazienza di lasciarlo provare su risoluzioni reali.
Lascialo funzionare per due o tre settimane prima di giudicarlo, perché i mercati meteorologici si risolvono ogni giorno e hai bisogno di 50-100 trade risolti per sapere cosa hai.
Ho costruito oltre 200 bot e questa forma esatta è ciò che effettivamente stampa mentre la roba elegante sta ancora incompiuta.
Pipeline semplice, calibrazione onesta, disciplina noiosa.
È tutto ciò di cui hai bisogno.
Il meteo è l'ultimo mercato onesto su Polymarket.
Costruisci i sei passaggi questo weekend, lascialo calibrare e entra prima che la folla si svegli.
Analisi completa del passaggio di correzione del bias in arrivo la prossima volta, non perdertela.
Pubblico la parte 2 mercoledì.
Unisciti anche al mio piccolo canale Telegram se vuoi connetterti.
Unisciti qui: https://t.me/+jCBHygDAJa9hMTJk
Qui costruiamo insieme, discutiamo e risolviamo i problemi.
Spero che questo articolo ti sia stato utile, perché è questo il punto.
Buona fortuna!
