Conectando o WeatherNext 2 ao Motor

Começamos no que é, de longe, a maior atualização de precisão de previsão que já tentamos: incorporar o WeatherNext 2 do Google DeepMind ao núcleo de probabilidade do StormBot. Se acertarmos isso de forma limpa, muda a qualidade subjacente de cada margem que o motor sinaliza — e, portanto, o retorno esperado de cada ordem que roteamos.

O resto desta nota cobre o que o WeatherNext 2 realmente é, onde ele supera o modelo NOAA GFS do qual dependemos hoje, por que a integração é mais difícil do que parece e como o acesso será escalonado por volume de negociação na plataforma assim que lançarmos.

O que é o WeatherNext 2?

O WeatherNext 2 é o modelo de previsão mais avançado que o Google DeepMind já lançou. Apresentado no fim de 2025 e já presente no Google Search, Gemini, Pixel Weather e Google Maps, representa um salto geracional na forma como o clima é previsto em escala global.

Em vez de resolver as equações da física que governam a atmosfera — abordagem usada por décadas pelo NOAA GFS, pelo modelo ECMWF e por todo sistema tradicional — o WeatherNext 2 aprende o comportamento atmosférico diretamente a partir de décadas de dados históricos. É construído sobre uma arquitetura totalmente nova chamada Rede Generativa Funcional (FGN), que injeta ruído controlado diretamente no modelo para que cada previsão que ele produz permaneça fisicamente consistente e internamente coerente entre variáveis.

Por que é mais preciso do que o NOAA GFS

O Global Forecast System da NOAA é uma peça fenomenal de engenharia — mas foi projetado em uma era anterior ao deep learning, e os limites da modelagem baseada em física são evidentes há anos. Há um motivo pelo qual o ECMWF historicamente supera o GFS por aproximadamente um dia inteiro de habilidade de previsão, e pelo qual quase todo grande provedor de clima começou silenciosamente a colocar IA sobre seu stack tradicional.

Aqui é onde o WeatherNext 2 sai na frente do GFS especificamente nos tipos de previsões de temperatura de curto a médio prazo que movem os contratos climáticos da Polymarket:

• Padrões atmosféricos aprendidos vs. equações resolvidas — O GFS aproxima a atmosfera discretizando-a em uma grade e resolvendo Navier-Stokes a cada timestep. Essas aproximações se acumulam ao longo do tempo. O WeatherNext 2 aprendeu o comportamento não-linear completo da atmosfera a partir dos dados de reanálise ERA5, então não acumula essa mesma classe de erro numérico.
• Saída probabilística nativa — O GFS te dá uma previsão por execução. Para obter uma distribuição você precisa do GEFS (o ensemble), o que adiciona custo e latência. O WeatherNext 2 emite a distribuição completa nativamente, então vemos a probabilidade real de uma cidade atingir 14°C, não apenas uma estimativa pontual que temos que envolver bayesianamente nós mesmos.
• Maior resolução efetiva — WeatherNext 2 produz previsões globais hora a hora. O GFS opera com resolução horizontal de 13 km e saída de 3 horas para nossa faixa de trading. Para contratos diários-máximos e diários-mínimos específicos de cidade, essa granularidade temporal extra é um edge genuíno.
• Melhor nas pontas — os benchmarks da DeepMind mostram os maiores ganhos em eventos de baixa probabilidade e alto impacto: ondas de frio, cúpulas de calor, tempestades. Esses são exatamente os mercados onde vivem as caudas mal precificadas e de onde vêm nossos maiores trades.
• Ensembles fisicamente coerentes — a arquitetura FGN significa que cada cenário no ensemble é internamente consistente (um cenário ventoso também tem o gradiente de pressão correspondente). Isso é o que torna as probabilidades utilizáveis para precificação.

Para os horizontes de 0 a 3 dias que compõem a maior parte dos mercados climáticos da Polymarket, avaliações independentes colocam modelos modernos de IA no mesmo patamar — e frequentemente à frente — do IFS principal da ECMWF, que já está significativamente à frente do GFS. Em tradução aproximada: poucas décimas de grau de RMSE na temperatura máxima diária a 48 horas, e calibração visivelmente mais apertada em eventos raros.

Por que isso muda o resultado das operações

Toda a vantagem do StormBot vem de um passo mecânico: estimar a verdadeira probabilidade de uma faixa de temperatura com mais precisão do que o mercado da Polymarket está precificando. Tudo a jusante — a decisão de SIM/NÃO do Claude, o dimensionamento de Kelly, a lógica de saída, os stops móveis — tudo se alimenta dessa estimativa de probabilidade.

Hoje fazemos ensemble de GFS, ECMWF, UKMO e NWS, misturamos bayesianamente com climatologia histórica NCEI, e aplicamos uma CDF normal sobre a distribuição de erro para chegar a uma probabilidade. Funciona. Mas é fundamentalmente limitado pela precisão dos modelos subjacentes.

Substituir essa estimativa de probabilidade pelo WeatherNext 2 como sinal primário tem efeitos muito concretos:

• Detecção de edge mais nítida. Meio grau de melhoria no RMSE de previsão se traduz diretamente em 1-3% mais edge detectável em mercados borderline que atualmente são filtrados pelo nosso limite de 2%. Mais sinais chegam ao Claude.
• Melhor calibração. Quando dizemos "78% de probabilidade de YES", precisa realmente resolver a 78% em uma amostra grande. A saída probabilística nativa do WeatherNext 2 é substancialmente melhor calibrada do que qualquer coisa que possamos sintetizar de modelos determinísticos.
• Menos operações catastróficas nas pontas. O desempenho mais forte do modelo em eventos raros significa que precificamos as fat tails de forma errada com menos frequência — historicamente nossa maior categoria de perdas inesperadas.
• Tempo de resposta do modelo mais rápido. Nosso ciclo atual de fetch de previsões é limitado em latência por APIs meteorológicas gratuitas com rate limit. Rodar o WeatherNext 2 via Vertex AI da Google Cloud significa que podemos atualizar previsões no nosso ritmo, não no deles.

Por que esse é um problema difícil

Queremos ser diretos: este é o trabalho de engenharia mais difícil que assumimos desde a migração de infraestrutura da v2. "Conectar um novo modelo" nunca é tão simples quanto parece, e o WeatherNext 2 em particular tem várias arestas afiadas.

Melhoria de precisão esperada

Com base nos benchmarks publicados da DeepMind e em nossa própria modelagem interna de como o erro de previsão se propaga pelo nosso calculador de edge, veja onde esperamos que o desempenho do StormBot evolua assim que a integração for lançada:

Acesso: por volume para usuários fiéis

Precisamos ser honestos sobre a economia aqui. A inferência do WeatherNext 2 através do Vertex AI não é gratuita, e o trabalho de infraestrutura representa um investimento significativo em engenharia. Não podemos oferecê-la a todos no primeiro dia — e, francamente, não queremos. Os usuários que realmente transformaram o StormBot no que ele é hoje devem ser os primeiros a recebê-la.

Quando o WeatherNext 2 for lançado, o acesso será limitado pelo volume de trading na plataforma. Seu volume cumulativo de negociação — cada dólar de pUSD que você implantou através do StormBot em mercados do Polymarket — torna-se a moeda que desbloqueia o motor aprimorado. Quanto mais você negociou, mais cedo e mais profundo será seu acesso.

Uma nota rápida sobre justiça: os níveis de volume são calculados a partir da sua atividade de negociação na plataforma, não do tamanho da sua carteira. Um usuário com uma banca menor, mas que deixa o bot negociar de forma consistente, subirá de nível mais rápido do que alguém que deposita um saldo grande e o deixa ocioso. Isso é proposital — queremos recompensar as pessoas que realmente usam o StormBot da forma como ele foi projetado para ser usado.

Cronograma

Sem promessas em datas exatas — isso é engenharia séria, e não vamos apressá-la para produção. Mas aqui está o roadmap honesto:

• Agora: Conta Google Cloud provisionada, acesso antecipado ao Vertex AI solicitado, protótipo shadow-mode sendo construído contra dados históricos.
• Próximas semanas: Refatoração do motor de edge para consumir conjuntos probabilísticos. Registro paralelo junto ao motor atual.
• Semanas seguintes: Shadow run em produção — previsões do WeatherNext 2 registradas para cada mercado, comparadas com as resoluções reais, com relatórios de calibração publicados aqui.
• Assim que os benchmarks forem aprovados: Alpha fechado para usuários Tier 1. Ciclo de feedback com a equipe de engenharia. Ajustes finais.
• Após o alfa: Implantação em etapas pelo Tier 2 e depois pelo Tier 3.