Bot de Apostas com Python e IA: Tutorial

O que um bot realmente faz (escopo realista vs fantasia)

Vou começar desfazendo a maior ilusão: um bot de apostas NÃO é um programa que aposta sozinho e imprime dinheiro. Isso não existe. O que existe é um sistema que automatiza as partes chatas — coleta de odds, comparação entre casas, cálculo de valor — e te avisa quando encontra algo interessante.

A decisão final de apostar ou não continua sendo sua. E mesmo que você quisesse automatizar a aposta em si, as casas de apostas combatem automação com tudo que têm. Verificação por SMS, CAPTCHAs, bloqueio de IP. Não é viável de forma confiável.

O que dá pra automatizar de verdade e que gera valor real: coletar odds de várias fontes a cada 15 minutos, comparar com odds sharp (Pinnacle) pra encontrar value bets, calcular o stake ideal com Kelly, e mandar um alerta no Telegram com todos os detalhes. Aí você confere e aposta manualmente em 30 segundos.

Arquitetura do bot

O bot tem três módulos que funcionam de forma independente mas se conectam. Essa separação facilita manutenção e teste. Se a API de odds mudar, você mexe só no coletor. Se quiser trocar Telegram por Discord, mexe só no notificador.

Código passo a passo

Passo 1: Configuração

Passo 2: Coletor de odds

Passo 3: Analisador de valor

Passo 4: Notificador Telegram

Passo 5: Orquestrador principal

Adicionando IA para predições (XGBoost vs redes neurais)

Com o bot básico rodando, dá pra adicionar uma camada de predição com machine learning. A ideia: em vez de usar só as odds da Pinnacle como referência de probabilidade justa, você treina um modelo com dados históricos e usa as predições dele como fonte adicional.

Eu já testei XGBoost e redes neurais pra prever resultados de futebol. Minha conclusão: XGBoost ganha disparado em termos de praticidade. É mais rápido de treinar, mais fácil de interpretar, e os resultados são comparáveis com redes neurais pra esse tipo de dado tabular.

De onde tirar dados históricos

Pra treinar o modelo, você precisa de dados históricos de jogos com estatísticas. As melhores fontes gratuitas são football-data.co.uk (dados tabulares de ligas europeias desde 1993), FBref (stats avançadas), e a API do API-Football (plano free com 100 requests/dia).

Uma dica: seu modelo só vai ser tão bom quanto os dados que você alimenta. Features como média de gols nos últimos 5 jogos, posse de bola, chutes a gol, e forma recente são bons pontos de partida. Mas não coloque features demais — overfitting é o inimigo.

Deploy 24/7 com Railway ou VPS

O bot precisa rodar o tempo todo pra não perder oportunidades. Tem duas opções boas pra deploy: Railway (mais fácil) e VPS (mais controle).

Deploy no Railway

O jeito mais rápido: cria um Procfile na raiz do projeto com worker: python main.py, faz push pro GitHub, conecta o repo no Railway e pronto. As variáveis de ambiente você configura pelo dashboard do Railway. Em menos de 5 minutos tá rodando.

Deploy numa VPS

Se prefere mais controle, uma VPS da Hetzner (CX22, 4 euros/mês) dá conta fácil. Conecta via SSH, clona o repo, instala as dependências e roda com systemd ou screen pra manter o processo vivo.

Testando e iterando

Antes de confiar no bot, rode em modo 'paper trading' por pelo menos 2 semanas. Registre todas as value bets que ele encontra mas não aposte de verdade. Depois confira: as odds realmente caíram? O CLV foi positivo? Se sim, o bot tá funcionando.

Evoluções futuras

O bot básico que a gente construiu aqui é o ponto de partida. Com ele rodando, você pode ir adicionando camadas: integrar o modelo de ML pra ter uma segunda opinião sobre probabilidades, adicionar mais mercados (over/under, handicap asiático), cobrir mais esportes, e criar um dashboard web com Streamlit pra visualizar o histórico.

O mais importante é começar simples. Bot funcionando, alertas chegando, e você tomando decisões com dados em vez de achismo. A complexidade você adiciona com o tempo, conforme sentir necessidade.

Se curtiu esse tutorial, dá uma olhada no artigo sobre web scraping de odds — ele complementa perfeitamente o que a gente fez aqui, mostrando como coletar dados de fontes que a API não cobre.