De las leyes de potencia a las redes de IA: por qué los modelos complejos de precios de Bitcoin memorizan el ruido del mercado

La previsión del precio de Bitcoin ha acumulado una colección inusualmente colorida de métodos.

Tienes modelos básicos de escasez que convierten el calendario de halving en un precio, y modelos on-chain comunes que transforman la actividad de direcciones o transacciones en valor.

Los gráficos de ley de potencia, muy disputados, trazan un corredor ascendente a través de la historia de Bitcoin, y los sistemas de aprendizaje automático alimentan datos de mercado y macroeconómicos en software increíblemente complejo.

Cada uno de esos enfoques entra en la competencia de predicción de precios contra un oponente muy superficial y simplificado: pronósticos ingenuos que utilizan solo la información del mercado actual. Un pronóstico de precios puede usar el precio de hoy, un pronóstico de retorno puede usar cero, y un pronóstico de dirección puede usar un paseo aleatorio.

Gran parte de la literatura académica ha luchado por superarlo una vez que un modelo sale del período para el cual fue diseñado.

Un preprint de mayo de 2026 que revisa la investigación sobre predicción de Bitcoin por Carlos Baquero de la Universidad de Oporto llegó a una conclusión bastante desalentadora: a lo largo del registro revisado por pares, ningún modelo había demostrado una superioridad duradera sobre el punto de referencia ingenuo apropiado en horizontes de uno a seis meses a través de varios regímenes de mercado.

La literatura contiene cientos de artículos, mientras que Baquero seleccionó 23 para un examen más cercano basado en sus métodos, influencia o uso de evaluación genuina fuera de muestra. La revisión en sí aún está esperando revisión por pares, una distinción importante cuando uno de sus argumentos centrales es que las afirmaciones de predicción necesitan una evaluación más sólida.

Los pronósticos de flujo de órdenes a corto plazo y de retorno diario ocupan un campo separado, y algunos han producido un valor predictivo real. Las discusiones en línea a menudo los mezclan con pronósticos de precios a más largo plazo y modelos de valoración, aunque cada tarea pide una respuesta diferente.

Una fórmula que describe el camino histórico de Bitcoin nos dice poco sobre la dirección de mañana, mientras que un modelo de dirección diaria dice poco sobre el precio dentro de seis meses.

El rival más fácil en finanzas

La predicción ingenua funciona porque los precios financieros son persistentes, por lo que un modelo que predice $100,100 mañana cuando Bitcoin se negocia a $100,000 hoy puede producir un pequeño porcentaje de error incluso cuando no ha aprendido casi nada sobre dirección o retorno.

El precio de hoy habría sido casi tan preciso, y evaluar solo el primer modelo le da crédito por información que el mercado ya había proporcionado.

El punto de referencia se vuelve más exigente a medida que se expande el horizonte porque Bitcoin puede moverse violentamente durante un mes, dando al pronosticador espacio para agregar valor, mientras que las relaciones que el modelo aprende se descomponen a medida que el mercado evoluciona.

Una regla calibrada para el ciclo liderado por el retail de 2017 encontró una estructura de derivados diferente en 2021, y los ETFs al contado crearon otra ruta para el capital y el descubrimiento de precios en 2024. Cada era proporciona datos históricos de una versión del mercado que ya no existe en la misma forma.

Este problema, conocido como no estacionariedad, aparece cuando las relaciones entre variables no se mantienen lo suficientemente estables como para que las observaciones pasadas describan el futuro.

La base de usuarios y la liquidez de Bitcoin han evolucionado con el tiempo, mientras que la regulación y el acceso han cambiado quién puede comerciar con él y cómo. Un modelo puede capturar una relación durante un período y perderla cuando el mercado alrededor del activo evoluciona.

Francesco Puoti, Fabrizio Pittorino y Manuel Roveri llegaron a un resultado similar en un estudio que compara pronósticos estadísticos, de aprendizaje automático y de aprendizaje profundo. Aplicaron 12 enfoques a cinco criptomonedas principales en horizontes de un día, siete días y 30 días.

Los modelos ingenuos simples produjeron consistentemente mejores pronósticos que ARIMA, Prophet, bosques aleatorios, XGBoost, redes LSTM y N-BEATS.

El resultado dice más sobre la información disponible que sobre la sofisticación de cada método. Un modelo complejo puede agregar valor cuando existen patrones estables para que aprenda, y puede memorizar ruido cuando esos patrones son débiles o temporales.

Bitcoin ofrece enormes cantidades de datos, pero el número de ciclos de mercado independientes que ha atravesado sigue siendo bastante pequeño. Millones de barras de un minuto siguen repitiendo observaciones del mismo mercado bajista de 2018 o del mismo choque de liquidez de 2020.

Cómo una prueba retrospectiva se convierte en una bola de cristal para predecir el precio de Bitcoin

Muchos modelos de Bitcoin lucen más fuertes una vez que sus creadores han visto todo el período histórico utilizado para construirlos. Los investigadores pueden probar diferentes variables y ventanas de retroceso, mover la fecha de inicio o intercambiar una arquitectura por otra antes de publicar el mejor resultado.

El ganador puede haber descubierto una relación duradera, pero también podría haber ganado una gran lotería realizada sobre la misma historia de precios, un resultado conocido como sobreajuste de prueba retrospectiva.

David Bailey y sus coautores formalizaron el problema en su investigación sobre la probabilidad de sobreajuste de prueba retrospectiva. Probar más variaciones de modelos aumenta las probabilidades de encontrar un excelente resultado histórico por casualidad. Seleccionar al ganador y presentar su rendimiento solo oculta el número de intentos fallidos que hicieron posible al ganador.

Una única división cronológica ofrece poca protección porque un investigador puede entrenar hasta 2020 y evaluar el modelo en 2021, produciendo un resultado aparentemente fuera de muestra que debe gran parte de su rendimiento a un único mercado alcista.

La evaluación en avance es más fuerte porque el modelo se vuelve a entrenar repetidamente con datos pasados y pronostica el siguiente período no visto. Múltiples ventanas de retención no superpuestas son aún más fuertes porque obligan al mismo método a enfrentar mercados alcistas, caídas, períodos laterales y diferentes condiciones de liquidez.

Entre los artículos revisados por pares que Baquero examinó, ninguno evaluó el mismo enfoque a través de varias ventanas de retención no superpuestas que cubren diferentes regímenes. Los artículos más sólidos utilizaron evaluación continua o en avance durante un período continuo fuera de muestra.

Esos métodos proporcionan evidencia real, pero un único error agregado aún puede ocultar el fracaso en una sección detrás del éxito en otra.

La filtración de información también puede llevar a una falsa confianza porque una característica calculada con datos futuros puede darle al modelo una tenue visión de la respuesta. Se presenta el mismo problema cuando se normalizan variables a través de toda la muestra, y las ventanas de retorno superpuestas pueden llevar observaciones futuras a través del límite de entrenamiento.

El error puede ser lo suficientemente sutil como para sobrevivir a la revisión por pares, especialmente cuando una arquitectura complicada coloca varias transformaciones entre los datos en bruto y la previsión reportada.

La métrica en sí puede halagar al modelo cuando una afirmación de 99% de precisión se refiere a cuán de cerca un nivel de precio predicho sigue al precio real, una tarea relativamente fácil para una serie persistente.

A los comerciantes les importa la dirección y el tamaño del movimiento, así como el costo de actuar sobre él. Los modelos que predicen $100,500 cuando Bitcoin se mueve de $100,000 a $99,500 tienen un pequeño error de precio y aún así realizan la operación incorrecta.

Las fórmulas que sobreviven a sus pronósticos

Los marcos de valoración más conocidos de Bitcoin prosperan porque convierten lo que es evidentemente un activo muy complicado en una explicación agradable e intuitiva.

Por ejemplo, el stock-to-flow dice que la escasez es lo que impulsa el valor, con cada halving reduciendo la nueva oferta en relación con el stock existente.

Los modelos al estilo de Metcalfe dicen que una red se vuelve más valiosa a medida que se expande su base de usuarios.

La ley de potencia dice que la larga historia de Bitcoin sigue una relación matemática estable entre precio y tiempo.

Cada una de estas ideas contiene una intuición económica plausible, pero su registro de pronósticos depende de si la relación ajustada sobrevive a nuevos datos y si explicaciones más simples cuentan para el mismo resultado.

El examen revisado por pares de Alexander Shelton en 2024 sobre la predicción de retornos de Bitcoin encontró que las variables stock-to-flow y Metcalfe ayudaron a explicar los retornos en la muestra, pero ofrecieron una capacidad predictiva limitada o nula fuera de la muestra.

Una vez que los efectos temporales entraron en la regresión stock-to-flow, su fuerza estadística desapareció. La relación de suministro de Bitcoin aumenta según un cronograma predeterminado, y su precio también ha subido durante gran parte de su historia, haciendo que dos series vinculadas al tiempo parezcan conectadas económicamente.

Vimos esa debilidad en el mercado mucho antes de que apareciera en una revisión formal. El modelo stock-to-flow se desvió del precio de Bitcoin a medida que el activo se negociaba por debajo de su trayectoria proyectada durante años.

La divergencia persistente puede ser absorbida redefiniendo la salida como valor a largo plazo o un promedio cíclico, aunque cada redefinición hace que la afirmación de precio original sea más difícil de evaluar. El gráfico compara el precio de Bitcoin con el modelo stock-to-flow y la varianza del modelo desde 2010 hasta 2026. Fuente: CoinGlass

La Ley de Metcalfe enfrenta un problema de identificación relacionado porque la actividad de la red y el precio pueden aumentar juntos cuando la adopción eleva el valor, cuando un precio más alto atrae usuarios, o cuando ambas variables siguen un camino temporal común.

Savva Shanaev y sus coautores utilizaron variables instrumentales en seis activos de prueba de trabajo en un estudio sobre costos de minería, actividad de la red y valor cripto. Una vez que abordaron la autocorrelación y la relación bidireccional entre actividad y precio, los efectos positivos atribuidos a la tasa de hash y el conteo de transacciones desaparecieron.

Los modelos de ley de potencia están en una posición mucho más complicada porque sus corredores han capturado gran parte del camino histórico de Bitcoin y proporcionan un lenguaje visual práctico para discutir dónde se encuentra el precio en relación con una curva a largo plazo.

Los informes sobre el modelo de ley de potencia de Bitcoin también han mostrado cómo la estructura del mercado de la era ETF puede alterar las fuerzas que mueven el precio dentro de ese corredor. El gráfico traza el precio de Bitcoin desde 2011 dentro de bandas de soporte, resistencia y regresión lineal logarítmica proyectadas hasta 2040. Fuente: Bitbo

El problema académico radica en la fuerza de la inferencia. Un alto R-cuadrado en un gráfico log-log establece que una línea se ajusta a la muestra observada. El apoyo formal para una ley de potencia también requiere evidencia sobre la distribución de residuos y comparaciones con otras funciones temporales.

Los investigadores tendrían que examinar la sensibilidad a la fecha de inicio y el rendimiento en observaciones futuras. La revisión de Baquero encontró que la literatura actual sobre la ley de potencia de Bitcoin aún no había completado ese trabajo.

Un estándar de pronóstico honesto publicaría el punto de referencia ingenuo junto al modelo e informaría cada régimen de mercado por separado. Los costos de transacción deben incluirse en los resultados, mientras que el código y los datos públicos permiten a otros investigadores reproducirlo.

El documento también debería revelar cuántas variaciones se intentaron, ya que ese número determina cuán sorprendente es realmente la prueba de retroceso ganadora. Las narrativas de valoración deben separarse de las previsiones puntuales, y el rango informado debe reflejar la incertidumbre del activo.

Cualquier término de corrección debería permitir un valor de cero, permitiendo que el modelo concluya que el precio de hoy es su mejor pronóstico.

Esa conclusión siempre tendrá dificultades en línea porque no ofrece un objetivo dramático ni una fecha para marcar. Tiene una ventaja que el bazar de pronósticos rara vez publicita: nos dice exactamente cuánto sabe el modelo más allá del precio ya visible para todos.

Este contenido se ofrece únicamente con fines informativos generales y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, tradear o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.