Recientemente todos están hablando sobre lo que sucede en Irán, pero hay un gran jugador en Polymarket que silenciosamente ha sacado más de $165,000 (aproximadamente 1.2 millones de yuanes) del mercado de tenis.

Esta persona nunca va a ver los partidos en vivo, tampoco envía mensajes a los entrenadores. Lo que utiliza es un modelo de aprendizaje automático que corre en su computadora.

Esta es su billetera, puedes echar un vistazo:

Sus dos últimas operaciones tienen algo de "astuto":

Abierto BNP Paribas: Serendrolo vs Bonzi
Ganancia: $25,184.10 (+47.55%)

Abierto BNP Paribas: Christian vs Tiafoe
Ganancia: $24,413.96 (+166.7%)

¿Cómo domina el mercado de tenis? En pocas palabras, se divide en cuatro pasos.

1. Creó el "Santo Grial de los datos"

Alimentó al modelo con datos de casi 100,000 partidos profesionales desde 1985 hasta 2024. Tipo de cancha, fallos de saque, puntos de quiebre... todo lo que se te ocurra.

Pero tener estos datos no es suficiente, lo inteligente fue lo que calculó:

La diferencia en las tasas de victoria entre dos jugadores
La diferencia de edad
Las puntuaciones de fortaleza (ELO) de cada uno en canchas específicas como tierra batida y césped

2. Encontró los datos más críticos

Como en el Titanic, donde "primera clase, mujer" era la etiqueta de supervivencia más crítica, él también extrajo de la enorme cantidad de datos los dos factores más predictivos del resultado:

La diferencia total en la puntuación de fortaleza entre dos jugadores
La diferencia en la puntuación de fortaleza entre los dos en la cancha de hoy

Las matemáticas solo probaron una cosa: por ejemplo, enfrentarse a Nadal en tierra batida, su "aura ELO de tierra batida" es prácticamente insoluble.

3. Hizo que el modelo funcionara en "relevo"

Primero probó un árbol de decisión único, precisión del 74%. Luego probó reglas ELO básicas, 72%. Después usó un modelo llamado "Bosque Aleatorio" (como dejar que 94 árboles voten juntos), la precisión llegó al 76% — todavía no era suficiente.

Finalmente usó un truco fuerte: XGBoost.

Esta cosa no deja que los árboles voten juntos, sino que los coloca en "relevo" uno tras otro. Los árboles posteriores se enfocan específicamente en dónde el árbol anterior cometió errores, para tapar los agujeros. Añadiendo la técnica de "regularización" para prevenir sobreajuste, la precisión subió directamente al 85%, incluso superando redes neuronales más complejas.

4. Validó con pruebas en vivo

Entrenó el modelo con datos hasta 2024, y luego predijo el Abierto de Australia 2025 que acaba de terminar.

Resultado:

116 partidos, acertó 99 (+precisión del 85.3%)

Antes de que los partidos comenzaran, el modelo predijo que Sinner ganaría sin perder.

Todo sin información privilegiada, solo con:

Una computadora
Código Python de código abierto
Algoritmo XGBoost
Y el coraje de hacer apuestas grandes en un mercado que aún no ha atraído demasiada atención.

De todas formas, planeo seguirlo.

Hay un robot de trading de copias que se conecta a la billetera y puede seguir automáticamente sus posiciones.

Haz clic aquí para comenzar a sincronizar su cartera: