Lately, everyone tem falado sobre a situação no Irão, mas há um grande operador na Polymarket que, discretamente, retirou mais de 165 mil dólares (aproximadamente 1,2 milhão de RMB) do mercado de ténis.

Este utilizador nunca vai aos locais dos eventos, nem envia mensagens aos treinadores. Ele confia num modelo de machine learning que corre no seu computador.

Esta é a carteira dele, disponível para consulta:

Veja os seus dois últimos negócios, bastante "astutos":

Aberto de Ténis de Paris: Serendoro vs Bonzi
Lucro: $25,184.10 (+47.55%)

Aberto de Ténis de Paris: Cristian vs Tiafoe
Lucro: $24,413.96 (+166.7%)

Como é que ele domina o ténis? Basicamente, em quatro passos.

1. Criou um "graal de dados"

Alimentou o modelo com dados de quase 100 mil jogos profissionais entre 1985 e 2024. Tipo de superfície, duplos erros, pontos de quebra... tudo o que é possível imaginar.

Mas isto sozinho não é suficiente. O que é impressionante é aquilo que ele conseguiu calcular:

Qual é a diferença na taxa de vitória entre as duas pessoas
Qual é a diferença de idade
Qual é a pontuação de força (ELO) de cada uma em superfícies específicas como terra batida ou relva

2. Identificou os dados mais críticos

Assim como no Titânico, "primeira classe, mulher" eram as etiquetas de sobrevivência mais críticas, ele também extraiu da massa de dados os dois factores que melhor predizem a vitória:

A diferença total de força entre os dois
A diferença de força entre os dois nesta superfície específica

A matemática apenas provou uma coisa: por exemplo, quando se defrontam com Nadal em terra batida, o seu "aura de ELO em terra batida" é basicamente incontável.

3. Deixou o modelo em "revezamento"

Primeiro tentou uma árvore de decisão única, com precisão de 74%. Depois testou a regra ELO básica, 72%. Depois usou um modelo chamado "Floresta Aleatória" (equivalente a deixar 94 árvores votarem em simultâneo), e a precisão chegou aos 76% — ainda não era suficiente.

Finalmente, usou uma solução poderosa: XGBoost.

Este não deixa as árvores votarem em conjunto, mas sim uma a seguir à outra em "revezamento". A árvore seguinte concentra-se especificamente nos erros da árvore anterior para preencher as lacunas. Combinado com a tecnologia de "regularização" para evitar overfitting, a precisão disparou para 85%, superando até estruturas de redes neurais mais complexas.

4. Testou em situações reais

Treinou o modelo com dados até 2024, depois usou-o para prever o Aberto da Austrália de 2025 que já tinha terminado.

Resultado:

116 jogos, acertou em 99 (precisão de 85.3%)

Antes dos jogos começarem, o modelo já tinha previsto que Sinner ganharia o título invicto.

O processo todo não envolveu informações privilegiadas, apenas:

Um computador
Código Python open-source
Algoritmo XGBoost
E a coragem de fazer apostas significativas num mercado que ainda não tem muita atenção

Pessoalmente, estou a preparar-me para copiar a sua estratégia.

Existe um robot de negociação em cópia que, ao conectar a carteira, pode seguir automaticamente as suas posições.

Clique aqui para começar a sincronizar as suas posições: