Previsão de Mercado Plataforma Kalshi Publica o Primeiro Relatório de Pesquisa, Revelando que, ao Prever Dados do CPI, o Erro Absoluto Médio é 40% Inferior às Expectativas Convencionais, com Precisão até 60% Maior em Períodos de Grandes Impactos de Mercado, Demonstrando as Vantagens da “Sabedoria das Multidões” na Previsão Econômica.
(Resumindo: Mercado de Previsão em Colaboração com CNBC, Probabilidades em Tempo Real, 2026 Totalmente Online, Programas de TV, Reportagens de Notícias)
(Informação adicional: De Bailarina a Jovem Mulher Rica: Como Luana Criou o Mercado de Previsão de Bilhões Kalshi)

Índice deste artigo

• Visão Geral
  • Destaques Principais
• Contexto
• Metodologia
  • Dados
  • Classificação de Impactos
  • Indicadores de Desempenho
• Resultados: Desempenho na Previsão do CPI
  • Precisão Geral Supera
  • “Alpha de Impacto” (Shock Alpha) Realmente Existe
• Discussões Derivadas
  • Heterogeneidade dos Participantes do Mercado e “Sabedoria das Multidões”
  • Diferenças na Estrutura de Incentivos dos Participantes
  • Eficiência na Agregação de Informação
• Limitações e Cuidados
• Conclusão

Nota do Editor:

A plataforma líder de mercado de previsão Kalshi anunciou ontem o lançamento de uma nova coluna de relatórios de pesquisa, Kalshi Research, destinada a acadêmicos e pesquisadores interessados em tópicos relacionados a mercados de previsão, fornecendo dados internos da Kalshi. O primeiro relatório de pesquisa já foi publicado, e a seguir o conteúdo original do relatório, traduzido pelo Odaily Planet Daily:

Visão Geral

Normalmente, na semana anterior ao lançamento de dados econômicos importantes, analistas de grandes instituições financeiras e economistas seniores fazem suas estimativas para os valores esperados. Essas previsões, quando agregadas, formam o que é conhecido como “expectativa de consenso”, amplamente considerada uma referência importante para entender mudanças de mercado e ajustar posições.

Neste relatório, comparamos o desempenho das expectativas de consenso com os preços implícitos do mercado de previsão Kalshi (doravante “previsões de mercado”) na previsão do mesmo sinal macroeconômico central — a inflação YoY (CPI YoY) — em relação ao seu valor real.

Destaques Principais

· Precisão Geral Superior: Em todos os ambientes de mercado (incluindo condições normais e de impacto), o Erro Absoluto Médio (MAE) das previsões da Kalshi foi 40,1% menor que as expectativas de consenso.

· “Alpha de Impacto” (Shock Alpha): Em momentos de impacto significativo (maior que 0,2 pontos percentuais), dentro de uma janela de previsão de uma semana, as previsões da Kalshi tiveram MAE 50% menor que as expectativas de consenso; um dia antes da divulgação, essa vantagem aumentou para 60%. Para impactos moderados (entre 0,1 e 0,2 pontos percentuais), na mesma janela de uma semana, as previsões da Kalshi também superaram as expectativas em 50%, chegando a 56,2% um dia antes da divulgação.

· Sinal de Previsão (Predictive Signal): Quando a divergência entre previsão de mercado e expectativa de consenso ultrapassa 0,1 pontos percentuais, a probabilidade de ocorrência de impacto na previsão é cerca de 81,2%, subindo para aproximadamente 82,4% um dia antes da divulgação. Quando há discordância entre previsão de mercado e consenso, as previsões de mercado são mais precisas em 75% dos casos.

Contexto

Previsores macroeconômicos enfrentam um desafio intrínseco: o momento mais importante para previsão — quando o mercado está desordenado, há mudanças de política ou rupturas estruturais — é justamente quando modelos históricos tendem a falhar mais facilmente. Participantes do mercado financeiro costumam divulgar previsões de consenso alguns dias antes da publicação de dados econômicos importantes, consolidando opiniões de especialistas em expectativas de mercado. Contudo, embora valiosas, essas opiniões tendem a compartilhar metodologias e fontes de informação semelhantes.

Para investidores institucionais, gestores de risco e formuladores de políticas, a relevância da precisão na previsão é assimétrica. Em períodos de estabilidade, uma previsão ligeiramente melhor oferece pouco valor; mas em momentos de turbulência — quando a volatilidade dispara, as correlações se rompem ou relações históricas deixam de valer — uma maior precisão pode gerar Alpha significativo e limitar perdas.

Portanto, compreender o comportamento dos parâmetros durante períodos de volatilidade de mercado é crucial. Focamos em um indicador macroeconômico-chave — a inflação YoY (CPI YoY) — que é central para decisões futuras de taxa de juros e um sinal importante da saúde econômica.

Comparamos e avaliamos a precisão das previsões em múltiplos janelas antes da divulgação oficial. Nosso principal achado é que o “Alpha de Impacto” realmente existe — ou seja, em eventos de cauda, previsões baseadas no mercado podem alcançar uma precisão adicional em relação à referência de consenso. Essa performance superior não é apenas de caráter acadêmico, mas tem impacto econômico real, pois em momentos de máxima custo de erro, ela pode melhorar significativamente a qualidade do sinal. Nesse contexto, a questão central não é se o mercado de previsão “está sempre certo”, mas se ele fornece um sinal diferenciado, valioso para decisões tradicionais.

Metodologia

Dados

Analisamos as previsões implícitas diárias dos traders na plataforma Kalshi, cobrindo três momentos: uma semana antes da divulgação (sincronizado com o momento do consenso), um dia antes, e na manhã do dia da divulgação. Cada mercado utilizado foi (ou foi anteriormente) um mercado real negociável, refletindo posições de fundos reais em diferentes níveis de liquidez. Para o consenso, coletamos previsões de instituições sobre o CPI YoY, geralmente divulgadas cerca de uma semana antes do dado oficial do Bureau of Labor Statistics dos EUA.

A amostra cobre de fevereiro de 2023 até meados de 2025, incluindo mais de 25 ciclos de divulgação mensal do CPI, em diversos ambientes macroeconômicos.

Classificação de Impactos

Classificamos os eventos em três categorias com base na “magnitude do inesperado” em relação ao nível histórico. O impacto foi definido como a diferença absoluta entre a previsão de consenso e o dado real divulgado:

· Evento Normal: erro de previsão do CPI YoY inferior a 0,1 pontos percentuais;

· Impacto Moderado: erro entre 0,1 e 0,2 pontos percentuais;

· Impacto Significativo: erro superior a 0,2 pontos percentuais.

Essa classificação permite verificar se a vantagem de previsão se altera de forma sistemática com a dificuldade de previsão.

Indicadores de Desempenho

Para avaliar o desempenho, utilizamos:

· Erro Absoluto Médio (MAE): principal métrica de precisão, calculada como a média do valor absoluto da diferença entre previsão e valor real.

· Taxa de Acerto (Win Rate): quando a diferença entre previsão de consenso e previsão de mercado atinge ou supera 0,1 pontos percentuais (arredondado para uma casa decimal), registramos qual previsão foi mais próxima do resultado final.

· Análise de Janela de Tempo de Previsão: acompanhamos como a precisão das avaliações de mercado evolui de uma semana antes até o dia da divulgação, revelando o valor de incorporar informações continuamente.

Resultados: Desempenho na Previsão do CPI

Precisão Geral Superior

Em todos os ambientes de mercado, as previsões de mercado do CPI tiveram MAE 40,1% menor que as previsões de consenso. Em todas as janelas de tempo, o MAE das previsões de mercado foi de 40,1% (uma semana antes) a 42,3% (um dia antes) menor que as expectativas de consenso.

Além disso, quando há divergência entre previsão de mercado e consenso, as previsões de mercado apresentam uma taxa de acerto estatisticamente significativa, variando de 75,0% uma semana antes a 81,2% no dia da divulgação. Se incluir previsões que ficaram empatadas com o consenso (arredondadas a uma casa decimal), as previsões de mercado tiveram aproximadamente 85% de chance de igualar ou superar o consenso na mesma janela.

Essa alta taxa de acerto direcional indica: quando há divergência entre mercado e consenso, essa divergência é uma informação valiosa sobre a possibilidade de impacto.

“Alpha de Impacto” (Shock Alpha) Realmente Existe

A diferença de precisão fica especialmente evidente durante eventos de impacto. Em impactos moderados, quando o momento de divulgação coincide, as previsões de mercado têm MAE 50% menor que o consenso; um dia antes, essa vantagem aumenta para 56,2% ou mais. Em impactos significativos, a mesma tendência se mantém, com MAE 50% menor na divulgação e chegando a 60% ou mais um dia antes. Em ambientes normais, sem impacto, o desempenho é semelhante.

Embora o número de eventos de impacto seja relativamente pequeno (o que é esperado em um mundo onde impactos são altamente imprevisíveis), o padrão geral é claro: quando o ambiente de previsão é mais desafiador, a vantagem de agregação de informações do mercado é mais valiosa.

Mais importante ainda, não é apenas que as previsões da Kalshi se saem melhor durante impactos, mas que a divergência entre mercado e consenso pode ser um sinal de que um impacto está por vir. Quando há divergência, a probabilidade de impacto na previsão de mercado é de cerca de 75% (na mesma janela de tempo). Além disso, análises de limiar mostram que, quando a divergência ultrapassa 0,1 pontos percentuais, a chance de impacto é aproximadamente 81,2%, chegando a cerca de 84,2% um dia antes da divulgação.

Essa diferença prática e significativa indica que: o mercado de previsão não só pode competir com o consenso, mas também funciona como um “meta-sinal” de incerteza, transformando divergências em um indicador precoce de eventos inesperados.

Discussões Derivadas

Uma questão óbvia surge: por que, durante impactos, as previsões de mercado superam as de consenso? Propomos três mecanismos complementares para explicar esse fenômeno.

Heterogeneidade dos Participantes e “Sabedoria das Multidões”

Embora o consenso agregue opiniões de múltiplas instituições, muitas vezes compartilham metodologias semelhantes e fontes de informação. Modelos econométricos, relatórios de Wall Street e dados governamentais formam uma base de conhecimento altamente sobreposta.

Em contraste, o mercado de previsão agrega posições de participantes com diferentes bases de informação: modelos proprietários, insights setoriais, fontes alternativas de dados e intuições baseadas na experiência. Essa diversidade de participantes tem uma forte fundamentação na teoria da “sabedoria das multidões”. A teoria mostra que, quando os participantes possuem informações relevantes e seus erros não são totalmente correlacionados, a agregação de previsões independentes tende a produzir estimativas mais precisas.

Em momentos de mudança de estado macroeconômico, essa diversidade de informações é especialmente valiosa — indivíduos com fragmentos de informações locais podem interagir, formando um sinal coletivo.

Diferenças na Estrutura de Incentivos

Previsionistas institucionais geralmente operam sob sistemas complexos de reputação e incentivos, que tendem a desviar do objetivo de simplesmente prever com precisão. O risco de erro grande prejudica a reputação, enquanto acertos, especialmente aqueles que se desviam da opinião comum, podem não ser proporcionalmente recompensados.

Essa assimetria fomenta o comportamento de “seguir a manada” — preditores tendem a alinhar suas previsões próximas ao consenso, mesmo que suas informações privadas ou modelos sugiram resultados diferentes. Isso ocorre porque, na estrutura profissional, “errar isoladamente” costuma ser mais custoso do que “acertar isoladamente”.

Por outro lado, participantes do mercado de previsão têm incentivos mais alinhados: previsão precisa gera lucro, erro gera prejuízo. Nesse sistema, a reputação quase não importa; o custo de se desviar do consenso é puramente econômico, dependendo do acerto. Essa estrutura impõe uma pressão maior por precisão — participantes capazes de identificar sistematicamente erros do consenso acumulam capital e aumentam sua influência, enquanto seguidores do consenso podem sofrer perdas quando este se mostrar errado.

Em períodos de alta incerteza, quando o custo de se desviar do consenso é mais alto, essa diferenciação de incentivos se torna mais evidente e relevante economicamente.

Eficiência na Agregação de Informação

Um fato importante é que, mesmo uma semana antes da divulgação — momento coincidente com o padrão de publicação do consenso — o mercado de previsão já demonstra vantagem significativa de precisão. Isso indica que a vantagem do mercado não vem apenas do “vantagem de velocidade de obtenção de informação” frequentemente citada.

Ao contrário, o mercado de previsão pode agregar de forma mais eficiente fragmentos de informação dispersa, setorial ou ambígua demais para serem formalmente incorporados em modelos tradicionais de previsão econômica. Sua vantagem relativa não está apenas na antecipação de informações públicas, mas na capacidade de integrar de forma mais eficaz informações heterogêneas no mesmo intervalo de tempo. Mesmo com o mesmo tempo de coleta, pesquisas por questionários tendem a ser menos eficientes na agregação de tais fragmentos.

Limitações e Cuidados

Nossos resultados têm limitações importantes. Como a amostra cobre apenas cerca de 30 meses, eventos de impacto de cauda são relativamente raros, o que limita a estatística para eventos extremos. Ampliar o período aumentará a robustez das inferências, embora os resultados atuais já indiquem fortemente a superioridade do mercado e a utilidade do sinal de impacto.

Conclusão

Observamos que o mercado de previsão apresenta desempenho sistematicamente superior ao consenso, especialmente em momentos de impacto, com erro cerca de 40% menor globalmente e até 60% em eventos de impacto estrutural.

Com esses achados, futuras pesquisas podem explorar: se “Alpha de Impacto” pode ser previsto por volatilidade e divergências, qual nível de liquidez garante vantagem consistente do mercado, e como as previsões do mercado se relacionam com sinais implícitos de ferramentas financeiras de alta frequência.

Em ambientes onde o consenso depende de modelos fortemente correlacionados e de fontes compartilhadas, o mercado de previsão oferece uma alternativa de agregação de informações, capturando mudanças de estado mais cedo e processando informações heterogêneas de forma mais eficiente. Para agentes que precisam tomar decisões em ambientes de alta incerteza e eventos de cauda, o “Alpha de Impacto” não é apenas uma melhoria incremental, mas uma parte fundamental de uma infraestrutura de gestão de risco robusta.