Pesquisa e produtos em IA temporal

Prova, não promessas.

A EventHorizon-AI constrói sistemas de previsão para mercados de criptomoedas e demanda no varejo e submete cada um deles à mesma pipeline de validação estatística antes de qualquer lançamento. Sem backtests escolhidos à dedo — walk-forward, bootstrap e testes de permutação, publicados abertamente.

validation.log
eventhorizon validate --model crypto-btc-5s
walk-forward  (embargo temporal)PASSA
block bootstrap  (por data)PASSA
paired gap bootstrap  (vs. baseline)PASSA
teste de permutaçãoPASSA
edge+8,0 pp  (60,1% vs 52,0%)
Validação estatística em 4 etapas para todos os produtos
Biblioteca de validação open source
Limitações documentadas, não escondidas
Produtos

Dois sistemas. Uma pipeline.

Cada produto abaixo é validado com a mesma metodologia descrita mais adiante nesta página — não é uma afirmação de marketing separada para cada produto.

EventHorizon Crypto
BTC/USDT · horizonte de 5 segundos
Validado
+8 pp
vantagem sobre a baseline — 60% vs 52% de acurácia direcional
⚠️ Limitação honesta: economicamente inviável sob taxas padrão de exchange neste horizonte. Documentado abertamente — veja o painel de auditoria para a análise completa.
Ver painel de auditoria →
EventHorizon Demand
Demanda no varejo · conjunto de dados M5 (Walmart)
Validado
30%
melhoria no WAPE — 30,9% vs 44,4% da baseline sazonal
ℹ️ Status: estatisticamente significativo em 7 de 7 lojas testadas (bootstrap por data, gap pareado vs. baseline). Atualmente aceitando parceiros de piloto.
Aplicar para piloto →
Metodologia

A pipeline de validação

Cada produto acima passa por estas quatro verificações, nesta ordem, antes de um único número ser publicado.

01 / walk-forward

Embargo temporal

O modelo nunca vê dados próximos ao limite de predição — sem vazamento do futuro para o treinamento.

02 / block bootstrap

Reamostragem por data

Os intervalos de confiança são construídos reamostrando blocos contíguos de datas, respeitando a autocorrelação em séries temporais.

03 / paired gap bootstrap

Modelo vs. baseline

A diferença entre o modelo e a baseline é bootstrapada diretamente, em pares, em vez de comparar dois intervalos de confiança separados.

04 / teste de permutação

Verificação da hipótese nula

Os rótulos são embaralhados e o modelo é reavaliado para confirmar que a vantagem observada não é produto do acaso.

A metodologia completa é entregue como uma biblioteca Python instalável: honest-validation-toolkit

Ver no GitHub →
Entre em contato

Interessado em um piloto?

Se você administra um negócio de varejo pequeno ou médio e quer testar o EventHorizon Demand gratuitamente, envie um email para lucasthd08@gmail.com com o assunto "Pilot Demand" e anexe um CSV com suas vendas diárias. Eu enviarei uma previsão em até 24 horas — sem custo, sem compromisso.

Enviar email →

ou envie uma mensagem diretamente:

Enviar mensagem via WhatsApp →

Prefere GitHub? Fale por lá — issues, discussões ou uma mensagem direta funcionam.