White Paper

O que integramos

Para cada eleição, reunimos quatro camadas em um único painel atualizado continuamente:

• Mercados de previsão com dinheiro real (por exemplo, Polymarket): probabilidades implícitas.
• Pesquisas de opinião tradicionais de múltiplos institutos, com os metadados de amostragem e metodologia preservados onde a fonte os publica.
• Cobertura da imprensa de referência com data e hora e arquivada (Wayback), para que cada movimento de mercado possa ser ancorado a um evento do mundo real.
• Síntese gerada por IA que resume, nunca substitui, os números subjacentes.

A leitura de divergência

A leitura de divergência é descritiva, ainda não um estimador calibrado: para cada candidato, acompanhamos a distância entre a probabilidade implícita no mercado e a posição implícita nas pesquisas ao longo do ciclo, e perguntamos se e quando essa distância antecipou o resultado real.

Somos explícitos quanto ao fato de isso ser observacional. Transformá-la em uma previsão devidamente calibrada é uma das questões em aberto do projeto.

Validação, inclusive das falhas

O projeto começou pela validação prática, e não por um modelo. Reconstruímos o quadro mercados-versus-pesquisas para eleições cujos resultados já são conhecidos e conferimos a leitura de divergência contra o desfecho efetivo. O conjunto validado cobre oito eleições nacionais em três continentes (à parte o caso do Brasil): Peru, Colômbia, Chile, Alemanha, Canadá, México 2024, Reino Unido 2024 e Estados Unidos 2024.

Dois pontos que tratamos como estruturais:

• Convergência também conta. Na Alemanha e na Colômbia o sinal foi de divergência quase nula, e o resultado confirmou isso. O validador é o resultado real, não o tamanho da divergência.
• Publicamos os erros. No caso dos EUA em 2024, o mercado do colégio eleitoral leu o resultado corretamente, enquanto o mercado do voto popular não. Documentamos a falha em vez de escondê-la, porque um método que só exibe os acertos não é um método.

Dados e abertura

Tudo é aberto e citável.

• Os conjuntos de dados estão depositados no Harvard Dataverse (coleção afos-analytics), com DOIs próprios, sob licença CC BY 4.0, e espelhados no Hugging Face.
• A própria plataforma é de código aberto.
• O objetivo é que qualquer afirmação que façamos possa ser auditada e reproduzida a partir dos dados depositados.

Objetivos

Declaramos a ambição com clareza, mantendo modestas as afirmações de curto prazo. Os casos validados são a evidência; o enquadramento global é a direção, não um resultado pronto.

• Curto prazo: consolidar a leitura de divergência, de um indicador descritivo para algo com calibração e incerteza explícitas, e ampliar a biblioteca de casos validados.
• Médio prazo: uma leitura global, em tempo real, do risco político, que trate cada eleição como uma instância comparável do mesmo problema de medição mercados-versus-pesquisas, em vez de uma série de histórias nacionais isoladas.

Questões em aberto

Algumas questões sobre as quais estamos genuinamente incertos e nas quais trabalhamos:

• Qual a melhor forma de de-enviesar mercados rasos ou de baixa liquidez (a profundidade do Polymarket varia enormemente entre eleições) antes de compará-los às pesquisas.
• Se uma correção do tipo MRP no lado das pesquisas altera qual sinal "vence" na divergência.
• Como formalizar "divergência como sinal" em uma probabilidade calibrada, em vez de uma distância descritiva.
• Efeitos de seleção: as eleições que atraem liquidez de mercado não são uma amostra aleatória das eleições.

Limitações

O conjunto validado ainda é pequeno. A liquidez dos mercados é desigual. A ancoragem na imprensa é curada, não exaustiva. A leitura de divergência é, hoje, um instrumento descritivo, e tomamos cuidado para não exagerá-la. Preferimos ser corrigidos cedo a ser impressionantes no papel.