Penulis: Tim Konten Changan I Biteye
Cuaca tidak seperti pemilihan umum, tidak memiliki posisi tetap; tidak seperti NBA, tidak memiliki tim favorit. Tapi justru pasar ini yang membuat pengguna domestik berbondong-bondong masuk. Alasannya sederhana, setiap orang punya perasaan, setiap orang merasa paham tentang cuaca di Shanghai.
Namun, “merasa paham” dan “bisa menghasilkan uang” adalah dua hal berbeda.
Biteye hari ini berbagi tiga hal:
- Memahami aturan penyelesaian
- Membangun metode prediksi cuaca
- Menggunakan sistem untuk menemukan peluang trading yang tidak terlihat orang lain
Satu, Pahami dulu: Bagaimana sebenarnya penyelesaian pasar cuaca ini?
1. Suhu penyelesaian bukan seperti yang kamu kira
Banyak orang yang pertama kali ikut terjebak dalam kesalahan: membandingkan suhu tertinggi yang diprediksi di aplikasi cuaca di ponsel, tetapi aplikasi menunjukkan suhu di pusat kota Shanghai, sedangkan Polymarket menyelesaikan berdasarkan data nyata dari bandara Pudong (ZSPD), yang dipublikasikan melalui platform cuaca AS Wunderground, dan langsung dibaca oleh PM sebagai dasar penyelesaian.
Dua lokasi, dua angka. Bandara Pudong berada di sisi timur kota, dekat muara Sungai Yangtze, dipengaruhi angin laut, sehingga suhu biasanya lebih rendah dari pusat kota. Perbedaan ini biasanya tidak terasa, tapi saat berada di batas kategori, bisa jadi perbedaan antara taruhan yang benar dan salah.
Jadi, kamu mungkin melihat di kolom komentar pasar cuaca seperti ini: “Padahal hari ini terasa lebih hangat dari kemarin, kok suhu tertinggi yang ditampilkan malah lebih rendah?”
2. Angka benar, tapi satuan bukan seperti yang kamu bayangkan
Data Wunderground langsung berasal dari laporan METAR yang dikirim setiap jam dari bandara, format meteorologi umum penerbangan internasional.
Ada satu detail tersembunyi di sini: METAR merekam suhu dalam Fahrenheit, dan Wunderground menampilkan angka ini langsung, tanpa konversi atau koreksi.
Sebagian besar sistem prakiraan cuaca dan model meteorologi mengeluarkan suhu dengan angka desimal. Semakin detail modelnya, semakin besar kemungkinan mengabaikan hal ini yang paling kasar.
3. Pola suhu di Shanghai
Setelah mengumpulkan data dari ZSPD selama hampir 1900 hari, pola suhu tertinggi di Shanghai lebih terkonsentrasi dari yang diperkirakan:
- Tersebar di semua empat musim, terutama antara 11:00-13:00,
- Musim panas puncaknya di pukul 12:00, dengan proporsi 27.6% dari seluruh musim,
- Musim gugur sedikit lebih awal, pukul 10:00 juga menjadi waktu puncak.
Mengetahui pola ini adalah langkah pertama, tapi pola tidak akan otomatis memantau pasar. Setiap hari, kapan suhu tertinggi muncul, apakah ada yang baru, dan berapa jaraknya dari kategori.
Makanya, saya membangun sistem ini: sebelum penyelesaian harian, sebisa mungkin memprediksi suhu tertinggi hari itu di kisaran suhu tertentu.
Dua, Lima metode, tiga yang 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, dan Claude mengimplementasikannya menjadi kode. Dua AI bekerja sama, satu akhir pekan membangun sistem ini.
Ada lima metode yang dicoba, akhirnya hanya tiga yang berhasil.
Yang berhasil:
1️⃣ Prediksi gabungan WC + ECMWF
Untuk memprediksi suhu tertinggi, pertama-tama butuh data. Menggunakan dua sumber:
- Weather Company (WC), API meteorologi komersial yang menyediakan data prakiraan per jam, akurasi tinggi;
- ECMWF, model meteorologi global dari European Centre for Medium-Range Weather Forecasts, lebih sensitif terhadap sistem cuaca skala besar.
Kedua sumber ini memiliki keunggulan dan kelemahan, jadi mereka di-weight voting. Bobotnya disesuaikan secara dinamis berdasarkan tipe cuaca hari itu: cerah lebih percaya WC, berawan dan berangin lebih percaya ECMWF.
2️⃣ Koreksi real-time: menggunakan data kenaikan suhu untuk memperkirakan puncak
Prakiraan dibuat semalam, tapi cuaca hari ini terus berubah. Jadi, modul ini menggunakan data nyata yang sudah terjadi pagi hari untuk memperkirakan suhu tertinggi hari itu.
Logikanya sederhana, saya temukan bahwa pukul 8-9 pagi di Shanghai suhu naik paling cepat. Setelah mendapatkan data nyata pukul ini, sistem membandingkan dengan data historis: di musim dan waktu yang sama, berapa suhu maksimum yang biasanya bisa dicapai.
Lalu, ditambah dua koreksi:
- Jika banyak awan, kalikan dengan diskon, karena awan menghambat kenaikan suhu;
- Jika angin kencang, kalikan lagi, karena angin mempercepat pelepasan panas. Hasilnya adalah estimasi eksternal.
Tekanan udara, titik embun, kelembapan juga dihitung, tapi setelah backtest, pengaruhnya kecil dan korelasinya rendah, jadi dihapus.
Namun, hanya mengandalkan eksternal saja tidak cukup stabil, di sini digunakan konsep gain Kalman, yaitu memberi bobot pada hasil eksternal dan prakiraan asli secara 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 seluruhnya berdasarkan data nyata, 85%.
Semakin sore, kejadian nyata lebih penting; semakin pagi, referensi dari prakiraan historis lebih besar.
Setelah pukul 2 siang, sistem menganggap puncaknya sudah lewat dan langsung mengambil suhu tertinggi hari ini dari data historis, tanpa perhitungan lagi.
3️⃣ Hari ini hari kenaikan suhu?
Ini adalah modul paling memuaskan dari sistem, setiap dini hari sistem memutuskan: apakah suhu tertinggi hari ini lebih tinggi dari kemarin?
Setiap dini hari pukul 2-4 pagi, sistem mengumpulkan data meteorologi dan memasukkannya ke model:
- Perubahan tekanan udara dalam 3 jam dan 12 jam terakhir
- Arah dan kecepatan angin dini hari, kondisi awan
- Perubahan suhu kemarin, tren suhu 3 hari terakhir, apakah suhu kemarin tinggi atau rendah
- Ditambah bulan, musim, hari dalam tahun, apakah kemarin hujan
Model ini mengeluarkan lima kategori: hari kenaikan suhu, sedikit naik, datar, sedikit turun, hari penurunan, lengkap dengan tingkat kepercayaan.
Namun, akurasi metode ini berbeda-beda di musim berbeda:
- Paling akurat di musim dingin: saat udara dingin datang, tekanan naik tajam, angin utara kencang, sinyal sangat jelas, model langsung tahu.
- Paling tidak akurat di musim gugur: arus udara hangat dan dingin saling tarik-ulur, kenaikan hari ini bisa langsung turun lagi besok, pola ini paling cepat gagal di musim ini.
Metode yang dihapus:
- Prediksi berbasis Fourier
Pertama mencoba menggunakan analisis Fourier untuk memodelkan siklus suhu historis, berharap bisa langsung memprediksi suhu tertinggi hari itu.
Ternyata, yang bisa diberitahu hanyalah “rata-rata suhu di musim ini”. Cuaca di Shanghai sangat acak, Fourier hanya menghasilkan kurva halus rata-rata, bukan fluktuasi harian nyata. Error-nya sekitar 3.6°C dan sistematis underestimate, jadi langsung dihapus.
- Prediksi waktu puncak ERA5
ERA5 adalah dataset reanalisis iklim global dari European Climate Center, digunakan untuk memprediksi kapan suhu tertinggi muncul.
Backtest menunjukkan:
- Akurasi dalam ±1 jam: 59.6%
- Dalam ±2 jam: 81.3%
Tapi, karena Polymarket memiliki tingkat akurasi lebih tinggi dan waktu yang sangat singkat, jika tidak bisa memprediksi puncak dalam setengah jam, lebih baik lihat data dari Polymarket langsung. Jadi, metode ini dihapus.
Tiga, Sistem praktis: dua kasus dan refleksi kekurangan
Pasar cuaca Polymarket dibuka 4 hari sebelumnya, dan level suhu populer biasanya sudah diperdagangkan sejak awal. Membeli di level yang sudah memiliki probabilitas tinggi kurang menguntungkan.
Strategi saya adalah: tunggu sinyal, tunggu momen kenaikan suhu, baru masuk.
Berdasarkan sistem cuaca yang dibangun sendiri, saya melakukan dua langkah:
Kasus 1:
Dini hari tanggal 16, channel Telegram mengirim laporan mode malam: besok hari penurunan suhu. Alasannya, malam itu awan 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 pagi, sistem mengirim laporan real-time kenaikan suhu. Saat itu suhu tertinggi sudah mencapai 12°C, dan probabilitas kenaikan 1°C lagi adalah 42%, cenderung tidak akan naik lagi.
Menggabungkan sinyal penurunan dari logistik regresi pagi hari, kedua modul ini searah, jadi sinyalnya jauh lebih jelas. Akhirnya, saya bertaruh suhu tertinggi hari itu tidak lebih dari 13°C.
Hasil penyelesaian hari itu: 12°C. Hari sebelumnya, 15 Oktober, suhu mencapai 15°C, turun 3°C. 
Kasus 2:
Contoh lain hari ini, 17 Oktober, cuaca Shanghai menunjukkan sinyal peringatan: puncak suhu tidak normal, terjadi pukul 22:00.
Biasanya, suhu tertinggi terjadi pukul 13-15, tapi hari ini puncaknya di malam hari, menunjukkan bukan kenaikan karena sinar matahari, melainkan aliran udara hangat dan lembap yang mengalir di malam hari. Sepanjang hari hujan, awan 97-100%, hampir tidak ada sinar matahari.
Saat itu, saya buka Polymarket dan melihat harga 12°C masih di 53%. Ada yang bingung: sudah sore, suhu cuma 11°C, waktu puncak sudah lewat, kenapa masih ada yang membeli taruhan 12°C?
Kebingungan ini muncul karena mereka masih menggunakan logika cerah untuk menilai pasar hujan.
Sistem saya tidak bingung. Sejak pagi, sistem sudah mengenali tipe cuaca hari itu dengan jelas, puncaknya tidak normal, suhu saat ini dan ekspektasi pasar berbeda secara signifikan. 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.
Kekurangan sistem ini
Setelah seminggu mengembangkan sistem ini, tentu 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, pola ini gagal di musim ini.
- Fitur tekanan udara tidak bisa diakses secara langsung dalam trading nyata. Saat melatih model, saya pakai perubahan tekanan sebagai fitur, hasil backtest bagus, sinyal sangat jelas saat udara dingin melintas. Tapi saat live, data tekanan real-time tidak tersedia.
- Koreksi dekat pantai masih menunggu data aktif. Efek angin laut di bandara Pudong nyata, dan saya sudah buat modul koreksi, tapi data sampel masih kurang.
Sistem yang baru jalan seminggu ini sudah menemukan masalah ini, dan itu sudah cukup berharga. Selanjutnya, akan terus dikembangkan sambil berjalan.
Penutup
Meteorologi sudah berkembang selama berabad-abad, menggunakan satelit, superkomputer, model global, tapi prakiraan cuaca tetap tidak bisa jamin 100% akurat untuk hari berikutnya. Bukan karena ilmuwan kurang berusaha, tapi karena sistem atmosfer itu sendiri chaotic, satu derajat perbedaan awal bisa menghasilkan hasil yang sangat berbeda.
Sistem yang saya bangun ini, meski baru seminggu, pasti akan salah. Akurasi di musim gugur mendekati lempar koin, sistem mungkin tidak merespons cepat saat udara dingin datang, efek angin laut pun belum sepenuhnya tertangkap.
Tapi itu tidak penting. Dalam pasar prediksi, yang penting bukan selalu benar, melainkan memberi keunggulan odds dengan melihat satu lapis informasi lebih banyak dari pasar.
Pasar cuaca Shanghai masih dalam tahap awal, saya akan terus pantau dan perbaiki sistem ini. Kalau kamu juga trading di Polymarket tentang cuaca, silakan diskusi di kolom komentar: metode apa yang kamu pakai untuk menentukan waktu masuk? Pernah mengalami hasil penyelesaian yang mengejutkan?
