Motor de probabilidad con IA
Consenso bayesiano de 3 modelos: IA + Heurístico + Microestructura
El motor de probabilidad con IA de Predite es el cerebro detrás del escáner. Estima las probabilidades reales de los eventos para los contratos de los mercados de predicción, que luego se comparan con los precios de mercado para identificar el edge. Este documento explica cómo funciona, en qué es bueno y en qué no.
El enfoque de consenso de 3 modelos
No dependemos de un único modelo de IA. En su lugar, se ejecutan tres métodos de estimación independientes y sus resultados se ponderan en una probabilidad final:
Modelo 1: Análisis con LLM (peso del 50%) Un modelo de lenguaje grande (hoy Claude) recibe el mercado y devuelve una probabilidad. Lo que entra en el prompt:
- •La pregunta del mercado y su descripción
- •Su categoría
- •El precio actual del YES, el volumen y la liquidez
- •Días hasta la resolución
Ese es todo el insumo. No se busca ni se adjunta ninguna noticia, encuesta ni feed externo: el modelo razona a partir de la pregunta y de los propios números del mercado, más lo que ya sabe. Trátalo como una segunda opinión bien informada sobre la redacción y el precio, no como algo que ha leído los titulares de hoy.
Este modelo solo corre cuando hay una clave de LLM configurada. Cuando no la hay, se omite y los otros dos se repesan a 60/40 — conviene saberlo, porque cambia lo que significa el número.
Resultado: una estimación de probabilidad con razonamiento estructurado.
Modelo 2: Motor Heurístico (peso del 30%, 60% sin LLM) Un sistema de reglas sin acceso al historial de precios. Lee cuatro cosas de la foto actual:
- •Franja de liquidez — los libros más delgados tienen más probabilidad de estar mal valorados
- •Ratio volumen ÷ liquidez — mucha rotación sobre un libro delgado sugiere flujo informado
- •Tiempo hasta la resolución — cuanto más lejos, más margen se le da a la estimación
- •Corrección de favorite-longshot — los mercados tienden a sobrevalorar a los tapados y a infravalorar a los favoritos claros
Solo el último tiene dirección. Los tres primeros fijan *cuánto* puede moverse la estimación; el término de favorite-longshot decide *hacia dónde*. En un mercado valorado entre aproximadamente el 30% y el 70%, donde ese sesgo no aplica, este modelo devuelve el precio de mercado y no aporta edge alguno — a propósito, porque ninguno de sus insumos puede distinguir YES de NO ahí.
Resultado: una estimación numérica sin razonamiento en lenguaje natural.
Modelo 3: Microestructura de Mercado (peso del 20%, 40% sin LLM) Este mira la forma de la cotización, no el tema. Usa tres insumos: el spread implícito entre los precios de YES y NO, el volumen negociado y las horas hasta la resolución. Un spread amplio empuja la estimación lejos del precio de mercado; un volumen alto (por encima de $5M) encoge ese empujón, bajo la idea de que un mercado concurrido es eficiente; un volumen escaso (por debajo de $50k) lo amplía; y en las últimas 24 horas todo el ajuste se amortigua, porque queda poco tiempo para una revaluación. No hay ninguna tabla de tasas base históricas en este motor.
Por qué tres modelos y no uno
Cada modelo tiene modos de falla conocidos:
- •LLM: puede alucinar con seguridad y anclarse demasiado en las noticias recientes
- •Heurístico: rígido, no puede manejar situaciones novedosas ni matices contextuales
- •Ancla: inútil para eventos únicos sin precedente histórico
Al combinarlos, los errores tienden a cancelarse entre sí. La estimación final es más robusta que la de cualquier modelo individual.
Calibración
Una estimación de probabilidad de "70% probable" debería significar que, a lo largo de muchas predicciones de ese tipo, el evento realmente ocurre el 70% de las veces. A esto se le llama calibración.
Seguimos la calibración internamente, aunque de forma más gruesa que una curva de fiabilidad completa:
- •Cada predicción se registra con su marca de tiempo, estimación y desenlace
- •Sobre los últimos 30 días de señales resueltas calculamos dos números: la tasa de acierto global y la tasa de acierto limitada a señales con un edge de 10pp o más
- •El segundo es el que importa: responde "cuando el modelo habló fuerte, ¿acertó?"
Hoy no hay agrupación en bandas de 5% de probabilidad, así que todavía no podemos mostrarte una curva de predicho frente a real en todo el rango.
Calibración actual (a mediados de 2026):
- •Política: bien calibrada dentro de 3pp en la mayoría de los rangos
- •Deportes: leve sesgo de optimismo (predicho 70%, real 67%)
- •Cripto: mayor varianza, menos consistente
- •Económica: bien calibrada en indicadores de tipo Kalshi
La calibración se publica periódicamente en nuestro blog. Es la medida más honesta de la precisión de la IA.
En qué es buena la IA
Tipos de eventos establecidos: elecciones, deportes, indicadores económicos. La IA cuenta con muchos datos de entrenamiento y patrones claros.
Mercados con información pública: resultados impulsados por noticias en los que los datos relevantes están disponibles libremente.
Preguntas cuantitativas: "¿X superará a Y para la fecha Z?" con umbrales claros.
Razonamiento agregado: combinar múltiples fuentes en una sola estimación.
En qué tiene dificultades la IA
Mercados impulsados por información privilegiada: votaciones de gobernanza, especulación sobre fusiones y adquisiciones, decisiones regulatorias. Las personas con información privada tienen un edge que la IA no puede replicar.
Eventos culturales: los Óscar, predicciones de viralidad, moda. La IA no tiene buenos modelos del gusto.
Noticias de última hora muy recientes: los datos de entrenamiento tienen rezago. Es posible que los eventos importantes de las últimas 24h no estén reflejados.
Resultados de cola larga: eventos raros que no tienen precedente histórico.
Mercados sensibles a la manipulación: mercados de bajo volumen donde un solo trader puede mover el precio.
Para estas categorías, trata las estimaciones de la IA con escepticismo y apóyate más en tu propio conocimiento del dominio.
Cómo funciona la integración de noticias
Extraemos de forma continua titulares y datos clave de:
- •APIs de noticias generales (para el contexto político y económico)
- •Servicios de datos deportivos (para mercados específicos de partidos)
- •Feeds específicos de cripto (para mercados de tokens/protocolos)
- •Fuentes primarias relevantes para la resolución
Estos se incorporan a la ventana de contexto de la IA al analizar los mercados relacionados. Así, si hay un evento noticioso importante que afecta a un mercado, el análisis de la IA lo refleja.
Salvedad: la integración de noticias tiene límites. No podemos cubrir todas las fuentes de noticias. No podemos leer contenido tras un muro de pago. No podemos anticipar historias que aún no han salido a la luz.
Cómo se calcula la confianza de la IA
La puntuación de confianza (0-100%) es el promedio ponderado de la confianza que cada modelo declara sobre sí mismo, con los mismos pesos 50/30/20 que se usan para la probabilidad. Eso tiene una consecuencia que conviene interiorizar: no hay término de concordancia. Tres modelos que se contradicen de plano producen exactamente la misma confianza de titular que tres que coinciden, siempre que cada uno esté seguro por su cuenta. Una confianza alta significa "cada modelo estaba confiado", no "los modelos convergieron".
Qué mueve la confianza de cada uno: en el heurístico, el tamaño del edge que encontró; en el de microestructura, un spread amplio, volumen alto o la cercanía de la resolución. La distancia respecto al 50% no es insumo de ninguno.
Una estimación con 90% de confianza es genuinamente más fiable que una con 50% de confianza. Confía en la métrica de confianza: no es relleno de marketing.
Errores comunes que cometen los usuarios
Confiar ciegamente en las estimaciones de la IA: la IA se equivoca a veces. Las pérdidas significativas provienen de un dimensionamiento de apuestas demasiado confiado sobre las señales de la IA.
Ignorar la confianza: un edge de 10pp con 40% de confianza es peor que un edge de 5pp con 90% de confianza. Ten en cuenta ambos factores.
Operar cada señal: la IA muestra cientos de edges pequeños. La mayoría no valen la fricción. Filtra por >5pp de edge + >70% de confianza como base.
Anclarte en el número de la IA: si la IA dice 70% y el mercado está en 60%, tu trabajo es evaluar SI la IA tiene más razón que el mercado. No te limites a copiar la estimación de la IA como tu propia visión.
Mejorar la IA
Iteramos de forma continua:
- •Reentrenando el contexto del LLM con nuevos tipos de eventos
- •Ajustando los parámetros heurísticos en función del rendimiento del backtest
- •Modificando las proporciones de peso según la calibración observada
- •Agregando nuevas fuentes de noticias a medida que las encontramos
Los cambios importantes se anuncian en nuestro changelog. Si detectas errores sistemáticos de la IA en categorías de mercado específicas, repórtalos a través de los comentarios dentro de la app (realmente llegan a una persona y los leemos).
Casos de uso por plan
Plan Starter: estimaciones de IA en el escáner, solo lectura — mira señales y aprende la plataforma. La cobertura de plataformas no forma parte del plan: el escaneo de cualquier plan busca y analiza Polymarket *y* Kalshi, y los chips POLY/KLSH solo filtran lo que ya está ahí.
Plan Pro: estimaciones de IA en Polymarket y Kalshi. Además de señales de arbitrage (la IA compara precios entre plataformas).
Plan Bot: estimaciones de IA alimentando estrategias automatizadas. La plantilla EV Follower las usa directamente.
Limitaciones honestas
No vendemos la IA como magia. Rendimiento real:
- •Edge promedio identificado: 2-5pp (menor que el que el escáner muestra en bruto)
- •Tasa de acierto en las señales de IA: 55-60% (ligeramente por encima del azar)
- •Después de los costos de ejecución: valor esperado positivo, pero no grande
- •La varianza es real: ocurren drawdowns, a veces del 20-30% antes de recuperarse
Esto es coherente con la verdad de fondo: los mercados de predicción son en su mayoría eficientes, y el edge informativo en la era de la IA es real pero modesto. No prometemos rendimientos del 30% mensual. Ofrecemos herramientas para extraer un edge modesto de forma consistente a lo largo de los años.