Bermain prediksi cuaca dengan AI, hanya dalam satu hari bisa mendapatkan 200 dolar secara santai?

Judul Asli: 《用 AI 玩天气预测，一天躺赚 200 美金 》

Penulis Asli: Changan

Sumber Asli:

Repost: Huoxing Caijing

Cuaca tidak seperti pemilihan umum, tidak memiliki posisi; tidak seperti NBA, tidak memiliki tim utama. Tapi justru pasar ini yang membuat pengguna domestik berbondong-bondong masuk. Alasannya sangat sederhana, setiap orang punya perasaan, setiap orang merasa mengerti cuaca di Shanghai.

Tapi “merasa mengerti” dan “bisa menghasilkan uang” adalah dua hal berbeda.

Biteye hari ini berbagi tiga hal:

1. Memahami aturan penyelesaian

2. Membangun metode prediksi cuaca

3. Menggunakan sistem untuk menemukan peluang trading yang tidak terlihat orang lain

4. Pertama, pahami dulu: bagaimana sebenarnya penyelesaian pasar cuaca ini?

5. Suhu penyelesaian bukan seperti yang kamu kira

Banyak orang yang pertama kali ikut akan memiliki kesalahpahaman: membandingkan suhu tertinggi dengan aplikasi cuaca di ponsel, tetapi aplikasi menunjukkan suhu di pusat kota Shanghai, sedangkan Polymarket menyelesaikan berdasarkan data nyata dari bandara Pudong Shanghai (stasiun meteorologi ZSPD), data ini dipublikasikan secara terbuka melalui platform cuaca Amerika Wunderground, dan PM langsung membaca catatan dari WU sebagai dasar penyelesaian.

Dua tempat, dua angka. Bandara Pudong terletak di sisi timur kota, dekat muara Sungai Yangtze, dipengaruhi angin laut, suhu biasanya lebih rendah dari pusat kota. Perbedaan ini biasanya tidak terasa, tapi saat berada di batas kategori, bisa jadi perbedaan antara benar dan salah dalam taruhan.

Jadi, kamu bisa melihat kebingungan seperti ini di kolom komentar pasar cuaca: “Padahal hari ini terasa lebih hangat dari kemarin, kenapa suhu tertinggi yang ditampilkan malah lebih rendah?”

2. Angka benar, tapi satuan bukan seperti yang kamu bayangkan

Data WU langsung berasal dari laporan METAR yang dilaporkan setiap jam dari bandara (format telemetri cuaca umum untuk penerbangan sipil global).

Ada satu detail tersembunyi di sini: METAR merekam suhu dalam Fahrenheit, WU menampilkan angka ini langsung, tanpa konversi atau koreksi.

Sedangkan sebagian besar sistem prakiraan cuaca dan output model meteorologi menampilkan suhu dengan angka desimal. Semakin detail modelmu, semakin besar kemungkinan mengabaikan hal paling kasar ini.

3. Pola suhu di Shanghai

Setelah mengumpulkan data dari stasiun ZSPD selama hampir 1900 hari, pola waktu munculnya suhu tertinggi di Shanghai lebih terkonsentrasi dari yang dibayangkan:

· Tersebar di keempat musim, paling banyak antara 11:00-13:00,

· Musim panas puncaknya di pukul 12:00, menyumbang 27.6% dari seluruh musim,

· Musim gugur sedikit lebih awal, pukul 10:00 juga termasuk waktu puncak.

Mengetahui pola adalah langkah pertama, tapi pola tidak akan memantau pasar sendiri. Kapan suhu tertinggi muncul, apakah ada yang baru, berapa jauh dari kategori berikutnya.

Makanya, saya membangun sistem ini: sebelum penyelesaian harian, sebisa mungkin memprediksi suhu tertinggi hari itu berada di kategori berapa derajat Celsius.

2. Lima metode, tiga berhasil

Setelah memahami aturan pasar, pertanyaan berikutnya adalah: bagaimana memprediksi suhu tertinggi hari itu?

Sebagai pemula di meteorologi, langkah pertama adalah bertanya ke ChatGPT: bagaimana industri meteorologi menghitung suhu tertinggi hari itu, metode apa yang sudah matang. ChatGPT memberi kerangka teori, Claude mengimplementasikan kerangka itu menjadi kode. Dua AI bekerja sama, satu akhir pekan membangun sistem ini.

Ada lima metode yang dicoba, akhirnya hanya tiga yang berhasil.

Yang berhasil:

1. Prediksi gabungan WC + ECMWF

Untuk memprediksi suhu tertinggi, pertama-tama butuh data. Menggunakan dua sumber:

· Weather Company (WC) adalah API meteorologi komersial, menyediakan data prakiraan per jam, akurasi tinggi;

· ECMWF adalah pusat prakiraan cuaca jangka menengah Eropa, model meteorologi global yang lebih sensitif terhadap sistem cuaca skala besar.

Kedua sumber ini memiliki keunggulan dan kelemahan masing-masing, jadi mereka diberi bobot voting. Bobot ini disesuaikan secara dinamis berdasarkan tipe cuaca hari itu: hari cerah lebih percaya WC, cuaca berawan dan angin kencang lebih percaya ECMWF.

2. Koreksi real-time: menggunakan data kenaikan suhu untuk memperkirakan puncak

Prakiraan dibuat tadi malam, tapi cuaca hari ini terus berubah. Jadi, modul ini melakukan: menggunakan data nyata yang sudah terjadi pagi ini, memperkirakan berapa suhu tertinggi hari ini.

Logikanya tidak rumit, saya menemukan pukul 8-9 pagi di Shanghai adalah waktu kenaikan suhu tercepat. Setelah mendapatkan data nyata di waktu ini, sistem mencari data historis: di musim dan waktu yang sama, berapa suhu rata-rata yang bisa naik lagi.

Lalu, menambahkan dua koreksi:

· Jika banyak awan, kalikan dengan diskon, karena awan tebal menghambat kenaikan suhu.

· Jika angin kencang, kalikan lagi diskon, karena angin kencang mempercepat kehilangan panas. Hasilnya adalah estimasi eksternal.

Tekanan udara, titik embun, kelembapan juga dihitung, tapi setelah backtest, faktor ini ternyata berpengaruh kecil, sehingga dihapus.

Tapi, hanya mengandalkan eksternal saja tidak cukup stabil, di sini digunakan konsep gain Kalman, yaitu memberi bobot pada hasil eksternal dan prakiraan asli, dan bobot ini otomatis menyesuaikan seiring waktu:

· Pukul 6 pagi, eksternal hanya 20%, sebagian besar masih percaya prakiraan

· Pukul 12 siang, eksternal naik menjadi 72%

· Setelah pukul 1 siang, hampir sepenuhnya percaya data nyata, 85%

Semakin sore, kejadian nyata semakin penting; semakin pagi, referensi dari prakiraan historis lebih besar.

Setelah pukul 2 siang, sistem memutuskan puncak kemungkinan besar sudah lewat, langsung ambil dari catatan historis suhu tertinggi hari ini sebagai hasil akhir, tidak lagi memperhitungkan prediksi.

3. Hari ini hari kenaikan suhu?

Ini adalah modul paling memuaskan dari seluruh sistem, setiap dini hari melakukan penilaian: apakah suhu tertinggi hari ini akan lebih tinggi dari kemarin?

Setiap dini hari pukul 2-4 pagi, sistem mengumpulkan data meteorologi, lalu memasukkan ke model ini:

· Perubahan tekanan udara dalam 3 jam dan 12 jam terakhir

· Arah dan kecepatan angin dini hari, kondisi awan

· Perubahan suhu naik turun kemarin, tren suhu tiga hari terakhir, apakah suhu kemarin tinggi atau rendah

· Ditambah bulan, musim, hari dalam setahun, apakah kemarin hujan

Model ini mengeluarkan lima kategori: hari kenaikan suhu, sedikit kenaikan, datar, sedikit penurunan, hari penurunan, lengkap dengan tingkat kepercayaan.

Tapi, akurasi metode ini berbeda-beda di musim berbeda.

Paling akurat di musim dingin: saat datang angin dingin, tekanan udara naik tajam, angin utara menguat, sinyal sangat jelas, model langsung bisa mendeteksi.

Paling buruk di musim gugur: arus udara hangat dan dingin saling tarik-ulur, hari ini naik, besok turun lagi, pola historis gagal paling cepat di musim ini.

Metode yang ditinggalkan:

1. Prediksi numerik Fourier

Pernah mencoba menggunakan analisis Fourier untuk memodelkan siklus suhu historis, berharap bisa langsung memprediksi suhu tertinggi hari itu.

Hasilnya, Fourier hanya memberi tahu “rata-rata suhu di musim ini”, karena suhu di Shanghai sangat acak, hasil fit Fourier adalah kurva halus rata-rata, bukan fluktuasi harian nyata. Error sekitar 3.6°C dan sistematis selalu underestimate, jadi langsung dihapus.

2. Prediksi waktu puncak ERA5

ERA5 adalah dataset reanalisis historis global dari pusat iklim Eropa, digunakan untuk memprediksi pukul berapa suhu tertinggi hari itu muncul.

Hasil backtest:

· Akurasi dalam 1 jam: 59.6%

· Dalam 2 jam: 81.3%

Tapi masalahnya, Polymarket memiliki tingkat akurasi lebih tinggi, dan waktu yang tersisa untuk trader membuat keputusan sangat singkat. Kalau tidak bisa memprediksi puncak dalam setengah jam, lebih baik lihat data dari Polymarket saja. Jadi, metode ini ditinggalkan.

3. Sistem praktis: dua kasus dan refleksi kekurangan

Pasar cuaca Polymarket dibuka 4 hari sebelumnya, dan level suhu populer biasanya sudah diperdagangkan secara penuh sejak awal pasar. Membeli di level probabilitas tinggi biasanya risiko dan keuntungannya kurang seimbang.

Makanya, strategi saya adalah: tunggu sinyal, tunggu waktu kenaikan suhu sebelum masuk pasar.

Berikut dua langkah yang saya lakukan berdasarkan sistem cuaca buatan sendiri:

Kasus 1:

Dini hari tanggal 16, channel Telegram mengirimkan laporan mode malam: besok hari penurunan suhu. Alasannya, kondisi awan malam itu cukup tebal, dan karakteristik musim serta urutan hari dalam tahun menunjukkan tren penurunan.

Saat itu saya tidak langsung taruhan. Sinyal dini hari hanya sebagai referensi awal.

Pukul 11 siang, sistem mengirimkan laporan real-time tren kenaikan suhu. Saat itu suhu tertinggi nyata sudah mencapai 12°C, dan skor probabilitas +1°C adalah 42%, menunjukkan kemungkinan tidak akan naik lagi.

Menggabungkan sinyal penurunan dari logistik regresi dini hari, kedua modul ini searah, jadi sinyal lebih jelas. Akhirnya, saya bertaruh bahwa suhu tertinggi hari itu tidak akan melebihi 13°C.

Hasil penyelesaian hari itu: 12°C. Hari sebelumnya, tanggal 15, suhu mencapai 15°C, turun 3°C.

Kasus 2:

Contoh hari ini, tanggal 17, cuaca di Shanghai menunjukkan sistem cuaca bisa memberi peringatan: pukul 7 pagi ada sinyal anomali: puncak suhu di jam 22:00.

Biasanya, hari cerah suhu tertinggi muncul antara pukul 13-15, tapi hari ini puncaknya di malam hari pukul 22, menunjukkan ini bukan kenaikan karena sinar matahari, melainkan aliran udara hangat dan lembab yang mengalir di malam hari. Sepanjang hari hujan, awan 97-100%, hampir tidak ada sinar matahari.

Saat itu saya buka Polymarket, harga 12°C masih di 53%. Ada yang bingung: sudah sore, suhu baru 11°C, puncak normalnya sudah lewat, kenapa orang masih membeli di 12°C?

Kebingungan ini muncul karena mereka masih menggunakan logika hari cerah untuk menilai pasar hujan.

Sistem ini tidak bingung. Sejak pagi, sistem sudah mengenali tipe cuaca hari itu dengan jelas, puncaknya anomali, suhu saat ini berbeda jauh dari ekspektasi pasar. Ini adalah selisih informasi, dan selisih informasi adalah peluang trading.

Ini esensi dari sistem ini: di saat peluang, lebih mudah mengenali; di saat risiko, lebih cepat memberi peringatan.

Apa kekurangan sistem ini?

Setelah seminggu berjalan, pasti ada kekurangan:

· Akurasi di musim gugur hanya 63.7%, hampir seperti lempar koin.

· Arus udara hangat dan dingin saling tarik-ulur, hari ini naik, besok turun lagi, pola ini gagal paling cepat di musim ini.

· Fitur tekanan udara tidak bisa diakses secara langsung di live trading. Saat melatih model, menggunakan perubahan tekanan sebagai fitur, hasil backtest cukup bagus.

· Sinyal angin dingin sangat jelas. Tapi saat live, data tekanan udara real-time tidak bisa diakses.

· Koreksi dekat pantai masih menunggu data aktif. Efek angin laut di bandara Pudong memang nyata, dan sistem sudah dibuatkan modul koreksi, tapi data sampel backtest belum cukup banyak.

Sistem yang baru berjalan seminggu ini sudah menemukan masalah ini, dan itu sudah merupakan pencapaian. Selanjutnya, akan terus dikembangkan dan diperbaiki sambil berjalan.

4. Penutup

Meteorologi telah berkembang selama berabad-abad, menggunakan satelit, superkomputer, model global, prakiraan cuaca tetap tidak bisa menjamin 100% akurasi besok. Bukan karena ilmuwan kurang berusaha, tapi karena sistem atmosfer itu sendiri chaotic, satu derajat perbedaan kondisi awal bisa menghasilkan hasil yang sangat berbeda.

Sistem ini yang baru jalan seminggu pasti juga akan salah. Akurasi di musim gugur mendekati lempar koin, angin dingin datang terlalu cepat dan sistem mungkin belum sempat bereaksi, efek angin laut pun belum sepenuhnya tertangkap.

Tapi itu tidak penting. Dalam pasar prediksi, yang dibutuhkan bukan selalu benar, melainkan mampu melihat satu lapis informasi lebih dari pasar saat peluang muncul.