Strategi market making berbasis cuaca telah dijalankan selama beberapa waktu, akhir-akhir ini saya menyadari bahwa drawdown tidak normal. Setelah dicek, masalah terletak pada dua asumsi dalam model probabilitas.

Yang pertama: kalibrasi menggunakan data analisis grid, tetapi Polymarket menyelesaikan dengan data pengamatan langsung di bandara. Ada bias sistematis antara kedua sumber data tersebut, sehingga σ yang dikalibrasi dari awal sudah tidak akurat.
Yang kedua yang lebih tersembunyi: asumsi model bahwa prediksi tidak bias. Tetapi sebenarnya, setiap prediksi kota memiliki bias arah—beberapa kota cenderung terlalu dingin secara sistematis, yang lain terlalu panas. Model tidak menyadari hal ini, sehingga akan berulang kali bertaruh dengan arah yang salah.
Misalnya, prediksi suhu suatu kota hampir 2°C lebih rendah dari kenyataan, model menganggap "suhu tidak akan mencapai X" sebagai probabilitas tinggi, lalu membeli banyak NO. Padahal suhu aktual selalu lebih tinggi dari prediksi.
Respon awalnya adalah menutup kota tersebut, menghentikan yang berkinerja buruk. Setelah ditutup, ternyata sepertiga dari kota tersebut malah dihentikan. Baru sadar bahwa strategi yang benar adalah menutup sepertiga kota untuk menutupi risiko, dan masalahnya bukan di kota tersebut, melainkan di modelnya.
Kemudian, saya ubah sumber data kalibrasi (beralih ke data pengamatan bandara yang sama dengan data penyelesaian), dan menambahkan koreksi bias ke perhitungan probabilitas. Setelah itu, semua kota yang dihentikan dikembalikan, karena kota dengan σ tinggi akan secara otomatis mengurangi sinyalnya, sehingga tidak perlu dihentikan secara manual.