Un preprint de mayo de 2026 de Carlos Baquero, de la Universidad de Oporto, revisó 23 artículos sobre predicción del precio de Bitcoin seleccionados por sus métodos, por una evaluación genuina fuera de muestra o por su influencia, y alcanzó una conclusión aleccionadora. A lo largo del registro revisado por pares, ningún modelo demostró una superioridad duradera frente a la referencia ingenua adecuada en horizontes de uno a seis meses que abarcan varios regímenes de mercado. La propia revisión sigue a la espera de revisión por pares.
La debilidad es estructural y no específica de ninguna técnica. El pronóstico ingenuo funciona porque los precios financieros son persistentes: un modelo que predice $100.100 mañana cuando Bitcoin cotiza a $100.000 hoy puede producir un error porcentual mínimo mientras aprende casi nada sobre la dirección. Francesco Puoti, Fabrizio Pittorino y Manuel Roveri alcanzaron un resultado similar, comparando 12 enfoques (ARIMA, Prophet, random forests, XGBoost, redes LSTM y N-BEATS) en cinco criptomonedas principales en horizontes de un día, siete días y 30 días. Los modelos ingenuos simples produjeron sistemáticamente mejores pronósticos que cualquier alternativa compleja probada.
Por qué importa
Bitcoin ofrece cantidades enormes de datos, pero el número de ciclos de mercado independientes sigue siendo pequeño. Millones de velas de un minuto no dejan de repetir observaciones del mismo mercado bajista de 2018 o del mismo shock de liquidez de 2020. Una regla calibrada al ciclo minorista de 2017 se topó con una estructura de derivados diferente en 2021, y los ETF spot crearon otra vía de capital y formación de precios en 2024. Cada época aporta datos históricos de una versión del mercado que ya no existe exactamente de la misma forma; el problema de no estacionariedad se sitúa en el centro de todo fallo de predicción cuantitativa.
El sobreajuste en backtesting agrava el problema. Probar más variaciones de modelos aumenta las probabilidades de encontrar un resultado histórico excelente por azar, y elegir al ganador ocultando los intentos fallidos produce lo que David Bailey y sus coautores formalizaron como la probabilidad de sobreajuste en backtesting. Entre los artículos revisados por pares que Baquero examinó, ninguno evaluó el mismo enfoque en múltiples ventanas de validación no solapadas que abarcasen diferentes regímenes. Una única división cronológica ofrece poca protección, ya que un investigador puede entrenar hasta 2020 y evaluar en 2021, produciendo un resultado aparentemente fuera de muestra que debe gran parte de su rendimiento a un único mercado alcista.
Impacto en el mercado
El resultado tiene implicaciones directas para las valoraciones que los operadores minoristas realmente utilizan.
Preguntas frecuentes
-
¿Qué concluyó el preprint de la Universidad de Oporto sobre la predicción del precio de Bitcoin?
La revisión de Carlos Baquero de mayo de 2026 examinó 23 artículos revisados por pares sobre predicción de Bitcoin seleccionados por sus métodos, su influencia o una evaluación genuina fuera de muestra. No encontró ninguno que demostrase una superioridad duradera frente a la referencia ingenua adecuada en horizontes…
-
¿Por qué los pronósticos ingenuos superan a los modelos complejos en Bitcoin?
Los precios financieros son persistentes, de modo que un modelo que predice $100.100 mañana cuando Bitcoin cotiza a $100.000 hoy produce un error porcentual mínimo mientras aprende casi nada sobre la dirección o el retorno. Puoti, Pittorino y Roveri lo confirmaron empíricamente: los modelos ingenuos simples superan a…
-
¿Qué es el sobreajuste en backtesting y por qué importa para los modelos de criptomonedas?
El sobreajuste en backtesting, formalizado por David Bailey y sus coautores, describe la elevada probabilidad de encontrar un resultado histórico excelente por azar cuando los investigadores prueban muchas variaciones de modelos. Seleccionar al ganador ocultando los intentos fallidos produce un rendimiento aparente…
-
¿Predicen el precio de Bitcoin los modelos stock-to-flow y Metcalfe?
El examen revisado por pares de Alexander Shelton en 2024 halló que las variables stock-to-flow y Metcalfe explicaban los retornos de Bitcoin dentro de muestra, pero ofrecían una capacidad predictiva limitada o nula fuera de muestra. Cuando los efectos temporales entraron en la regresión de stock-to-flow, su fuerza…
-
¿Qué exigiría un estándar honesto de predicción de Bitcoin?
La revisión de Baquero esboza varios requisitos: publicar la referencia ingenua junto a cada modelo, reportar cada régimen de mercado por separado en lugar de como un único error agregado, incluir costes de transacción, publicar código y datos abiertos para su reproducibilidad, y declarar cuántas variaciones de modelo…
Whale Alert
TheBlock