A estratégia de market making com base no clima foi executada por um tempo, mas recentemente percebi que o recuo não estava correto. Ao investigar, descobri que o problema residia em duas hipóteses do modelo de probabilidade.

A primeira: a calibração utilizou dados de análise de grade, mas a liquidação do Polymarket é feita com medições reais de aeroportos. Existem viéses sistemáticos entre essas duas fontes de dados, o que faz com que o σ calibrado desde o início não seja preciso.
A segunda, mais oculta: o modelo assume que as previsões são sem viés. Mas, na realidade, cada cidade tem um viés direcional nas previsões — algumas tendem a ser sistematicamente mais frias, outras mais quentes. O modelo não conhece essa questão e, por isso, aposta repetidamente na direção errada.
Por exemplo, se a previsão de uma cidade estiver quase 2°C abaixo do real, o modelo acredita que "a temperatura não atingirá X" com alta probabilidade, comprando muitas posições de NÃO. Mas, na prática, a temperatura real sempre fica acima da previsão.
A reação inicial foi eliminar as cidades com desempenho ruim. Após fazer isso, percebi que um terço delas tinha sido desativado. Então, percebi que era necessário eliminar apenas um terço para manter a estratégia viável, e o problema não estava nas cidades, mas no modelo.
Mudei a fonte de calibração para usar medições de aeroportos com a mesma origem de liquidação, e adicionei um ajuste de viés no cálculo de probabilidade. Depois, recuperei todas as cidades que haviam sido removidas — cidades com alta σ fazem o modelo reduzir o sinal automaticamente, sem necessidade de intervenção manual.