Durante años, Bitcoin ha inspirado centenares de modelos cada vez más elaborados para predecir su precio. Desde fórmulas de escasez basadas en halvings hasta sistemas de aprendizaje automático que procesan datos macro y on-chain, la variedad es enorme. Sin embargo, muchos de estos métodos siguen luchando por superar la respuesta más sencilla posible: usar el precio actual como predicción del futuro.
Un preprint de mayo de 2026 elaborado por Carlos Baquero, de la Universidad de Oporto, analizó la literatura académica sobre pronósticos de Bitcoin. La conclusión es sobria: ningún modelo demostró superioridad duradera sobre referencias ingenuas (naive benchmarks) en horizontes de uno a seis meses a través de diferentes regímenes de mercado. Baquero examinó 23 trabajos revisados por pares seleccionados por sus métodos, influencia o uso de evaluación genuinamente fuera de muestra.
Las referencias ingenuas funcionan porque los precios financieros son persistentes. Un modelo que predice 100.100 dólares mañana cuando Bitcoin cotiza hoy a 100.000 dólares puede producir un error porcentual minúsculo sin haber aprendido casi nada sobre la dirección real del mercado. El precio actual habría sido igual de preciso, y evaluar solo el modelo le otorga crédito por información que el mercado ya proporcionaba.
No estacionariedad y sobreajuste: los enemigos invisibles
El problema se agrava con la no estacionariedad: las relaciones entre variables no permanecen lo bastante estables para que observaciones pasadas describan el futuro. Bitcoin ha evolucionado radicalmente en estructura de mercado. El ciclo minorista de 2017 se topó con derivados distintos en 2021, mientras que los ETF al contado de 2024 crearon otra ruta para el capital y el descubrimiento de precio.
Francesco Puoti, Fabrizio Pittorino y Manuel Roveri compararon 12 enfoques estadísticos, de aprendizaje automático y de deep learning aplicados a cinco criptomonedas principales. Los modelos ingenuos simples produjeron mejores pronósticos que ARIMA, Prophet, random forests, XGBoost, LSTM y N-BEATS en horizontes de uno, siete y 30 días. El resultado dice más sobre la información disponible que sobre la sofisticación de cada método.
Muchos modelos de Bitcoin lucen más sólidos una vez que sus creadores han visto todo el período histórico utilizado para construirlos. Los investigadores pueden probar diferentes variables, ventanas temporales o arquitecturas antes de publicar el mejor resultado. El ganador puede haber descubierto una relación duradera o simplemente haber ganado una lotería amplia conducida sobre el mismo historial de precios, un fenómeno conocido como sobreajuste de backtest.
Fórmulas populares bajo escrutinio
Los marcos de valoración más conocidos de Bitcoin—stock-to-flow, modelos de ley de Metcalfe, power law—convierten un activo complicado en explicaciones intuitivas. Stock-to-flow asocia escasez con valor; Metcalfe vincula crecimiento de la red con valoración; el power law dibuja un corredor matemático estable a través de la historia de Bitcoin.
Alexander Shelton examinó en 2024 la predicción de retornos de Bitcoin y encontró que las variables de stock-to-flow y Metcalfe ayudaron a explicar retornos dentro de la muestra, pero ofrecieron capacidad predictiva limitada o nula fuera de ella. Una vez que los efectos temporales entraron en la regresión de stock-to-flow, su fuerza estadística desapareció. El ratio de suministro de Bitcoin aumenta según un calendario predeterminado, y su precio también subió durante gran parte de su historia, haciendo que dos series vinculadas al tiempo parecieran económicamente conectadas.
Savva Shanaev y sus coautores usaron variables instrumentales en seis activos proof-of-work para estudiar costes de minería, actividad de red y valor cripto. Una vez abordaron la autocorrelación y la relación bidireccional entre actividad y precio, los efectos positivos atribuidos a hashrate y recuento de transacciones desaparecieron.
Los modelos de power law están en una posición más compleja, porque sus corredores han capturado gran parte de la trayectoria histórica de Bitcoin. Sin embargo, el respaldo académico formal de una ley de potencia requiere evidencia sobre la distribución de residuos, comparaciones con otras funciones temporales y examen de sensibilidad a la fecha de inicio y rendimiento en observaciones futuras. Baquero concluyó que la literatura actual de power law de Bitcoin no ha completado aún ese trabajo.
Un estándar honesto para pronósticos
Un estándar honesto de pronóstico publicaría la referencia ingenua junto al modelo y reportaría cada régimen de mercado por separado. Los costes de operación pertenecen a los resultados, mientras que código y datos públicos permiten a otros investigadores reproducirlo. El paper debería divulgar cuántas variaciones se intentaron, ya que ese número determina cuán sorprendente es realmente el backtest ganador.
Esta conclusión luchará siempre en redes sociales porque no ofrece un objetivo dramático ni una fecha para marcar en el calendario. Tiene una ventaja que el bazar de pronósticos rara vez anuncia: dice exactamente cuánto sabe el modelo más allá del precio ya visible para todos.
Fuente: CryptoSlate · Esta información ha sido elaborada por la redacción de Criptonews con apoyo de herramientas editoriales automatizadas.