O WeatherBot agora aprende com os próprios erros — o motor de inteligência auto-aprimorável

A maioria dos bots de trading é estática. Eles executam hoje a mesma lógica que executavam no primeiro dia. Se fazem um trade ruim, vão felizmente fazer exatamente o mesmo trade ruim novamente amanhã. Decidimos que isso não era bom o suficiente.

A partir de hoje, o WeatherBot tem um motor de auto-aperfeiçoamento — um sistema de cinco módulos interconectados que rastreiam, analisam e aprendem continuamente com cada trade feito pelo bot. O bot literalmente fica mais inteligente com o tempo, adaptando sua estratégia com base em resultados reais, não apenas modelos teóricos.

Veja exatamente como cada módulo funciona:

1. Rastreador de resultados de trades e calculadora de taxa de acerto

Cada operação que sai — por stop-loss, alvo de lucro ou resolução do mercado — é registrada permanentemente com seu contexto completo: a pergunta do mercado, preço de entrada, preço de saída, qual cidade, qual data, qual modo de trading estava ativo, o que os modelos de previsão previram e o P&L final.

A partir desses dados, o motor calcula taxas de acerto em tempo real divididas por cidade, modo de trading, faixa de preço de entrada, e time period. Após apenas alguns dias de trading, padrões emergem. Talvez o bot ganhe 85% das operações de Londres mas apenas 45% das de Seul. Talvez tenha desempenho brilhante em entradas abaixo de 15¢ mas ruim acima de 40¢. Não são palpites — são números concretos de operações reais, que alimentam diretamente a próxima decisão do Claude.

2. Ciclo de feedback pós-resolução — rastreamento da precisão do modelo

Esta é ciência meteorológica pura. Após cada mercado se resolver, o motor registra o que cada modelo meteorológico previu versus o que realmente aconteceu. Com o tempo, isso constrói uma banco de dados de precisão do modelo por cidade.

O resultado? Após 30 dias de dados, o bot pode saber que "o ECMWF consistentemente roda 0,8°C quente demais para Seul em março" ou "o GFS está 1,2°C frio demais para Miami no verão". Esses vieses sistemáticos são automaticamente incorporados ao cálculo de consenso. Nenhum outro bot de trading meteorológico tem isso — a maioria trata todos os modelos igualmente, independentemente do histórico para uma cidade e estação específicas.

3. Claude julga seus próprios trades — análise post-mortem por IA

Este é o módulo mais poderoso. A cada 30 minutos, o bot revisa seus trades perdedores recentes e envia cada um de volta ao Claude com uma simples pergunta: "O que deu errado?"

O Claude examina a operação em retrospecto — os dados de previsão disponíveis, o preço de entrada, o resultado real — e escreve um post-mortem conciso: qual foi o erro e uma regra acionável para evitá-lo no futuro. Essas lições acumulam-se em um "playbook" que é injetado em todo prompt de IA futuro.

Depois de 100 operações, o Claude essencialmente escreveu seu próprio manual de trading com base em experiência real. Exemplos de lições que vimos nos testes:

• "Evite BUY_YES acima de 30¢ em cidades asiáticas — o mercado geralmente já é eficiente a esse preço"
• "Quando GFS e ECMWF divergem em mais de 2°C, sempre SKIP — a incerteza é alta demais"
• "As temperaturas de Seul são consistentemente mais baixas do que o consenso dos modelos em março — aplique uma correção de -1°C"

4. Calibração de confiança da IA

Quando Claude diz que um trade tem confiança "VERY_HIGH", com que frequência ele realmente ganha? Este módulo rastreia a resposta com precisão. O nível de confiança de cada trade é registrado junto com seu resultado, construindo uma tabela de calibração:

Esses dados são injetados diretamente no prompt do Claude. Se o Claude vê que suas chamadas VERY_HIGH só ganham 60% das vezes, ele naturalmente se torna mais seletivo — reservando VERY_HIGH para resultados verdadeiramente certos. A confiança da IA se torna genuinamente significativa em vez de arbitrária, o que melhora diretamente o sizing das operações (já que apostas maiores são feitas em níveis de confiança mais altos).

5. Contexto de desempenho móvel — reconhecimento de padrões

Cada análise da IA agora recebe um resumo de desempenho móvel de 7 dias mostrando:

• Registro geral de vitórias/derrotas e P&L líquido
• Cidades de melhor desempenho (onde o bot vence consistentemente)
• Cidades de pior desempenho (onde operar com cautela ou evitar)
• Taxas de acerto por faixa de preço de entrada (<15¢, 15-40¢, >40¢)

O Claude ajusta naturalmente seu comportamento com base nesse contexto. Se as operações em Londres estão numa sequência de 9 vitórias, ele se inclina para oportunidades em Londres de forma mais agressiva. Se Seul tem sido um perdedor consistente, ele eleva o nível antes de recomendar operações em Seul. A estratégia do bot evolui diariamente com base no que realmente está funcionando.