🤖 AI

Beyond Forecasting: The Belief-to-Trade Layer in Prediction-Market Agents

O artigo apresenta o Raven-Agent, o primeiro agente de negociação autônomo para mercados de previsão, que supera as políticas existentes ao preencher a lacuna entre a previsão calibrada e a negociação lucrativa para alcançar retornos positivos em dados de decisões arquivados.

Autores originais: Yishu Wang, Yuxuan Wang, Jiaqi Deng, Hanyang Tang

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yishu Wang, Yuxuan Wang, Jiaqi Deng, Hanyang Tang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em um enorme e de alto risco jogo de carnaval onde as pessoas apostam em eventos futuros: "Vai chover amanhã?" "Um político específico vai renunciar até junho?" "O preço do petróleo atingirá US$ 100?"

A maioria dos pesquisadores de IA tem tentado construir o melhor vidente. Eles treinam sua IA para observar as notícias, processar os números e dizer: "Estou 80% seguro de que vai chover". Eles medem o sucesso pelo quão próximo esse palpite de 80% está do clima real.

Mas este artigo argumenta que ser um ótimo vidente não é suficiente para ganhar dinheiro. Você também precisa ser um apostador inteligente.

Os autores, Yishu Wang e colegas, construíram um novo sistema chamado Raven-Agent. Eles perceberam que, embora a IA esteja ficando melhor em prever probabilidades, ela é terrível em decidir quanto apostar e quando parar.

Aqui está a divisão da ideia deles usando analogias simples:

1. O Problema: O "Perdedor Confiante"

Imagine um vidente que é muito confiante. Ele diz: "Estou 90% seguro de que o Time A vencerá!" Mas as odds de aposta são, na verdade, de 90% a favor do Time A.

O Erro da IA: Se a IA apostar muito dinheiro nisso, ela pode ganhar a aposta, mas perde dinheiro no total porque o pagamento é minúsculo comparado ao risco.
O Probleo Real: Estudos recentes mostraram que, mesmo quando a IA acerta a probabilidade, ela ainda perde dinheiro porque não sabe como gerenciar sua carteira. Ela trata cada "bom palpite" como um motivo para apostar a mesma quantia, independentemente de a aposta ser realmente vantajosa ou não.

2. A Solução: O "Raven-Agent"

Os autores não construíram apenas um vidente melhor. Eles construíram um Gerente de Negociação (que eles chamam de "Camada de Crença para Negociação" ou Belief-to-Trade Layer) que fica entre o palpite da IA e a aposta real.

Pense no Raven-Agent como um gerente de cassino rigoroso que fica ao lado do vidente. O vidente pode gritar previsões, mas o gerente decide se a aposta acontece e quanto dinheiro vai para a mesa.

O gerente possui quatro módulos específicos:

O Filtro (Seleção): O gerente olha para todas as previsões e pergunta: "Isso é realmente um bom negócio?" Se o lucro potencial for muito pequeno em relação ao risco, o gerente diz: "Pule esta".
O Cronômetro (Classificação): Algumas apostas pagam amanhã; outras levam seis meses. O gerente calcula a "velocidade" do lucro. Um lucro pequeno que acontece rapidamente é frequentemente melhor do que um lucro enorme que demora muito para chegar.
A Carteira (Dimensionamento): Esta é a parte mais importante. O gerente usa uma fórmula matemática famosa (chamada Critério de Kelly, mas em escala reduzida para ser mais segura) para decidir exatamente quanto apostar.
- Analogia: Se a IA está apenas ligeiramente segura, o gerente aposta um centavo. Se a IA está muito segura e as odds são ótimas, o gerente aposta um pouco mais. Mas eles nunca apostam todo o patrimônio.
A Rede de Segurança (Controle de Risco): O gerente tem uma regra rígida de stop-loss. Se a aposta começar a dar errado, o gerente corta a perda imediatamente. Eles também garantem que a IA não aposte demais em um único evento (como não colocar todos os ovos na mesma cesta). Crucialmente, essas regras são codificadas rigidamente, o que significa que a IA não pode "dar um jeito de se explicar" para contorná-las.

3. O Experimento: O "Replay de Viagem no Tempo"

Para testar isso, os autores não deixaram a IA apostar com dinheiro real imediatamente. Eles usaram um "Replay de Viagem no Tempo".

Eles pegaram um grande arquivo de mercados de apostas passados (de uma plataforma chamada Polymarket).
Eles pegaram os mesmos palpites exatos que outras IAs haviam feito no passado.
Eles rodaram esses mesmos palpites através do novo gerente "Raven-Agent".
Eles compararam os resultados contra outras estratégias (como "apostar US$ 10 em tudo" ou "apostar mais se estiver mais confiante").

4. Os Resultados: O Único Vencedor

Os resultados foram claros:

As Formas Antigas: Todas as outras estratégias perderam dinheiro. Algumas perderam um pouco, outras perderam muito (uma perdeu 55% de seu dinheiro!).
Raven-Agent: Foi a única estratégia que lucrou. Ela transformou uma situação de perda em uma situação de vitória apenas mudando como as apostas eram feitas, não mudando os palpites em si.

A Conclusão

O artigo afirma que, em mercados de previsão, como você gerencia seu dinheiro é tão importante quanto o quão bem você prevê o futuro.

Você pode ter a IA mais inteligente do mundo, mas se ela não tiver um gerente estrito e lógico para dizer quando apostar, quanto apostar e quando parar, ela perderá dinheiro. O Raven-Agent prova que adicionar uma camada de negociação disciplinada e matemática sobre uma IA pode transformar um jogo de perda em um jogo de vitória.

Em resumo: Não construa apenas um cristal de previsão melhor; construa um melhor gerente de carteira.

Resumo Técnico: Além da Previsão: A Camada de Crença-para-Negociação em Agentes de Mercados de Previsão

1. Declaração do Problema

Embora a previsão de eventos futuros tenha emergido como um campo de teste crítico para IAs de propósito geral, existe uma lacuna significativa entre pontuações de probabilidade calibradas e a lucratividade real de negociação. Benchmarks existentes (ex: ForecastBench, Prediction Arena) demonstram que previsões probabilísticas fortes não se traduzem necessariamente em negociações lucrativas.

O problema central identificado é que as estruturas de avaliação atuais frequentemente tratam a camada de negociação — o mecanismo que converte previsões em ações — como um protocolo fixo (ex: tamanhos de aposta fixos, limiares de confiança simples) ou a omitem inteiramente. Consequentemente, componentes críticos subsequentes, como dimensionamento de posição, exposição de portfólio e controle de risco, estão ausentes ou são meramente expressos como instruções de prompt dentro do modelo de linguagem. Os autores argumentam que esses componentes devem ser tratados como objetos explícitos, projetáveis e modulares, em vez de regras codificadas ou heurísticas dependentes de prompt.

2. Metodologia: Raven-Agent

O artigo propõe o Raven-Agent, um agente de negociação autônomo projetado para isolar e otimizar a "camada de crença-para-negociação" (belief-to-trade). O sistema é construído em torno de uma arquitetidade determinística e modular que reside a jusante de um módulo de previsão permutável.

Visão Geral da Arquitetura

O Raven-Agent consiste em quatro módulos primários:

Coleta de Informação: Escaneia mercados candidatos (via API Polymarket Gamma), recupera dados de preço e liquidez e busca evidências de notícias recentes. Este módulo produz um "pulso" com carimbo de tempo que serve como um contrato entre as fontes de dados e a lógica subsequente, permitindo atualizações modulares nos feeds de dados.
Análise de Probabilidade: Um módulo de previsão permutável que fornece a probabilidade ( $p_i$ ) para um lado específico do contrato. Nos experimentos relatados, este módulo é mantido fixo, reutilizando probabilidades arquivadas para garantir que as diferenças de desempenho sejam atribuíveis exclusivamente à camada de negociação.
Classificação e Dimensionamento:
- Seleção: Os candidatos são classificados por uma taxa de retorno normalizada pelo tempo ( $\rho_i$ ) em vez de apenas a margem bruta de probabilidade ( $p_i - q_i$ ). Isso leva em conta a duração durante a qual o capital fica retido até a resolução:
  $\rho_i = \left(\frac{p_i}{q_i} - 1\right) \cdot \frac{30}{\max(T_i, 1)}$
  onde $T_i$ é o número de dias para a resolução. Os $K=4$ melhores candidatos são retidos.
- Dimensionamento: As apostas são determinadas usando um critério de quarter-Kelly aplicado às posições retidas:
  $s_i = \frac{1}{4} \cdot \max\left(0, \frac{p_i - q_i}{1 - q_i}\right) \cdot W$
  onde $W$ é o bankroll. Este escalonamento leva em conta o ruído de entrada nas estimativas de probabilidade.
Execução e Controle de Risco: Este módulo impõe restrições determinísticas fora do prompt do modelo de linguagem para evitar falhas de "confiança errônea". Ele verifica as ordens contra cinco restrições rígidas:
- Teto de valor nominal por negociação.
- Teto de exposição agregada.
- Teto por evento (para contratos correlacionados).
- Stop-loss ao nível da posição (fecha posições se a perda de marcação a mercado exceder uma fração do custo base).
- Parada de drawdown no nível do portfólio (congela novas aberturas se o drawdown do patrimônio exceder um limite).

Protocolo Experimental

Os autores introduzem um protocolo de replay controlado usando conjuntos de decisões arquivadas de uma implantação real na Polymarket. Este protocolo reutiliza previsões arquivadas, preços de mercado e registros de execução. Ao manter o previsor constante e variar apenas a política de negociação, o estudo isola o impacto da camada de negociação.

3. Principais Contribuições

O artigo delineia três contribuições principais:

Protocolo de Replay: Uma metodologia para reutilizar previsões arquivadas para isolar a camada de negociação do previsor, permitindo a comparação justa de políticas de negociação.
Raven-Agent: Uma arquitetura de agente autônomo que torna a camada de negociação um componente explícito, modular e composível, separando a seleção, o dimensionamento e o controle de risco do modelo de previsão.
Validação Empírica: Evidência de que uma camada de negociação explícita melhora o retorno sobre o capital investido (ROI) e os retornos ajustados ao risco em comparação com políticas heurísticas, mesmo quando o previsor subjacente é fixo.

4. Resultados

O agente foi avaliado contra cinco políticas em um conjunto de dados de 59 decisões abertas em 65 execuções de pulso:

Apenas Previsão (Forecast-only): Aposta fixa de $10 para cada previsão com margem positiva.
Proporcional à Margem (Edge-proportional): Tamanho da aposta dimensionado proporcionalmente à margem ( $p_i - q_i$ ) sem filtragem de seleção.
Filtro de Margem (Edge-filter): Aposta fixa de $10 apenas para previsões com margem > 5%.
Raven-Agent (fixo): Camada de risco completa com aposta fixa de $10.
Raven-Agent (completo): Camada de risco completa com dimensionamento quarter-Kelly.

Principais Descobertas:

Raven-Agent (completo) foi a única política a alcançar um Retorno sobre o Investimento (ROI) positivo de +15,9% e um índice de Sharpe ponderado pelo capital positivo de +0,42.
Edge-proportional teve o pior desempenho (-55,5% de ROI), demonstrando que dimensionar o capital pesadamente em previsões de alta margem que estão "confiantemente erradas", sem filtragem de seleção, amplifica as perdas.
Raven-Agent (fixo) (-4,7% de ROI) superou todas as outras políticas de valor fixo, indicando que a seleção e a filtragem de risco sozinhas fornecem valor.
O Brier score selecionado melhorou à medida que as políticas se tornaram mais agressivas na filtragem (de 0,329 para o arquivo completo para 0,258 para o Raven-Agent), confirmando que a camada de negociação filtra com sucesso previsões mal calibradas.

Em uma implantação ao vivo (20 previsões), o agente acumulou $53,92 de lucro.

5. Significância e Alegações

O artigo alega que a lacuna entre a precisão da previsão e a lucratividade da negociação deve-se, em grande parte, à falta de uma camada de negociação robusta e explícita. Os autores argumentam que:

Seleção e Filtragem de Risco são Críticas: Simplesmente dimensionar apostas com base na margem é insuficiente; filtrar previsões que destroem valor é um complemento necessário para um dimensionamento informado.
Restrições Determinísticas são Superiores à Orientação por Prompt: Confiar em instruções de prompt para gestão de risco é pouco confiável. Impor restrições rígidas (stop-loss, limites de drawdown) fora do prompt do modelo de linguagem evita falhas catastróficas e fornece razões de rejeição auditáveis.
Modularidade Permite o Progresso: Ao desacoplar o previsor da camada de negociação, melhorias na calibração (previsão) e na execução (negociação) podem ser avaliadas e desenvolvidas de forma independente.

Os autores mantêm um tom modesto, observando que o tamanho da amostra é reduzido e que o previsor foi mantido fixo. Eles reconhecem que, embora os resultados isolem a contribuição da camada de negociação, um previsor mais forte pode ser conectado à mesma infraestrutura para potencializar ainda mais os benefícios. O trabalho não afirma resolver todos os desafios do trading de IA, mas estabelece um framework fundamental para a camada de "crença-para-negociação".