El jueves por la tarde circula una captura de pantalla. Un gráfico de Bitcoin, una flecha roja dibujada desde un máximo local y un pie de foto: nuestro modelo predijo esta caída. La imagen es real. La caída es real. Lo que falta es lo único que haría que la afirmación signifique algo: la prueba de que la flecha existía antes que la vela.
Ese vacío es el tema entero de este artículo. No si la IA puede decir algo útil sobre el precio de Bitcoin —puede— sino qué partes de la práctica sobreviven al contacto con un marcador público, y qué partes existen solo porque nadie revisa.
Lo que en realidad está afirmando una predicción del precio de Bitcoin
"Bitcoin alcanzará un nivel" no es una sola afirmación. Son tres, soldadas entre sí y normalmente dejadas sin decir.
Lo primero es una dirección. Lo segundo es una magnitud. Lo tercero —la que casi siempre se omite— es un horizonte: para cuándo, y medido contra qué precio de referencia, en qué plataforma, usando qué convención de timestamp. Si quitas el horizonte, la afirmación se vuelve falsable: cada llamada termina siendo correcta si nunca dices cuándo.
Una predicción que pueda puntuarse tiene que concretar las tres cosas de antemano. "La probabilidad de que BTC cierre por encima de un nivel establecido en un minuto UTC establecido, referenciado a un índice establecido" es una afirmación comprobable. "BTC va a subir" es un estado de ánimo.
Esta distinción importa más para Bitcoin que para la mayoría de los activos, porque Bitcoin cotiza continuamente entre plataformas sin un cierre que ancle la pregunta. Si la referencia se deja vaga, la persona que evalúa la predicción puede elegir el tick que le convenga. Especificar la referencia no es pedantería. Es lo que hace que el registro sea a prueba de adversarios.
Lo que la IA hace genuinamente bien en Bitcoin
Quita las flechas y aquí hay un trabajo real. El machine learning hace varias cosas con datos de cripto que un analista humano no puede hacer a la misma velocidad ni a la misma escala.
Detección de regímenes. Los mercados no tienen un solo comportamiento: tienen varios, y cambian. Un periodo de baja volatilidad realizada con rangos estrechos y de reversión a la media no se comporta como una desaceleración con tendencia, de alta volatilidad, y al revés. Los modelos de Markov ocultos, el clustering sobre ventanas deslizantes de características y los modelos de secuencia son realmente útiles para etiquetar a qué régimen se parece el tape actual. Esa etiqueta no te dice el siguiente precio. Te dice qué distribución de precios futuros es plausible: una afirmación mucho más débil, y mucho más honesta.
Estimación de la volatilidad. Esta es la aplicación más defendible de todo el campo. La volatilidad es persistente de una manera que los rendimientos no: los periodos tranquilos se agrupan y los periodos violentos también. Los modelos que ingieren volatilidad realizada, superficies implícitas, tasas de financiación y open interest pueden producir rangos adelantados útiles. Predecir qué tan ancha va a ser la distribución es un problema diferente y mucho más abordable que predecir dónde aterriza su centro.
Leer el flujo de órdenes. El desequilibrio del libro de órdenes, la autocorrelación del signo de las operaciones, la profundidad que aparece y desaparece alrededor de números redondos, el ritmo de las liquidaciones: todo eso es medible y lleva información de corto horizonte. La información se degrada rápido, a menudo en segundos o minutos, y se compite eliminándola con agresividad. Pero existe, y las máquinas la leen mejor que las personas.
Datos on-chain. Bitcoin es inusual porque es un libro mayor público. Las distribuciones de edad de las monedas, las entradas y salidas a exchanges, los saldos de los mineros, la parte de la oferta que no se ha movido en años: son rasgos estructurales que ningún analista de renta variable obtiene. Son señales lentas, mejor para describir la composición de los tenedores que para temporizar cualquier cosa. Si se tratan como contexto son valiosos. Si se tratan como disparadores, casi siempre generan falsas alarmas.
Consumo de noticias a escala. Los modelos de lenguaje pueden leer cada presentación, aviso regulatorio, anuncio de exchange y cambio de protocolo en el tiempo que le toma a una persona leer uno, y pueden convertir ese flujo en características estructuradas: qué pasó, a quién, y qué tan inusual es respecto a la tasa base. Eso es un apalancamiento genuino del lado de la entrada de una predicción.
Fíjate en lo que tienen en común todos los elementos de esa lista. Todos mejoran la descripción de la incertidumbre. Ninguno produce un precio.
Lo que la IA no puede hacer, por grande que sea el modelo
No puede decirte el precio de Bitcoin el próximo martes.
No porque los modelos sean demasiado pequeños, ni porque los datos sean demasiado escasos, ni porque las características todavía no sean lo bastante inteligentes. Es porque el precio lo fija un mercado líquido y adversarial en el que cada participante con una predicción funcional ya está operando sobre ello. Cualquier cosa que sea conocible y rentable se está incorporando continuamente por personas con capital, ventajas de latencia y sus propios modelos. Ningún método supera de forma fiable un mercado líquido, y cualquiera que prometa eso está vendiendo algo.
Lo que queda después de eso todavía vale la pena tener: incertidumbre mejor calibrada, reconocimiento más rápido de en qué estado está el mercado, estimaciones disciplinadas de qué tan amplio podría ser el siguiente movimiento. Esas son contribuciones reales. No son llamadas de precio, y cualquier sistema que las disfrace como llamadas de precio ha cruzado de la predicción al rendimiento.
El teatro es fácil de identificar en cuanto conoces la forma. Predicciones puntuales sin intervalo. Horizontes que cambian a posteriori. Ejemplos seleccionados sin denominador. Confianza que nunca varía con la dificultad de la pregunta. Un historial que consiste únicamente en los casos que funcionaron.
Calibradas superan a confiadas: el caso de las probabilidades
La alternativa a un número confiado no es una cobertura. Es una probabilidad que ya ha sido evaluada.
Un pronosticador que dice 70 por ciento debería tener razón el setenta por ciento de las veces cuando menos en todas las ocasiones en que dijo 70 por ciento. Eso es calibración, y es medible —pero solo en una serie completa, incluyendo cada predicción que salió mal. Una sola predicción no te dice nada. Cien, registradas por adelantado, te dicen muchísimo.
Las reglas de puntuación adecuadas son la forma en que se realiza la medición. La puntuación de Brier y la pérdida logarítmica comparten una propiedad que las hace difíciles de engañar: ambas se minimizan al reportar tu creencia verdadera. Sobreestimar la certeza se castiga con más dureza que estar equivocado siendo razonablemente incierto. Un pronosticador que dice 95 por ciento y se equivoca obtiene una puntuación mucho peor que uno que dijo 60 por ciento y se equivocó. Bajo una regla de puntuación adecuada, la bravura es un costo, no un activo de marketing.
Por eso la salida probabilística no es un producto más débil que un objetivo de precio. Es la única salida que realmente puede evaluarse.
Por qué un backtest no es evidencia
Todo modelo tiene un buen backtest. Para eso sirve un backtest.
Los datos históricos son fijos y finitos, y el investigador es un ser humano que ya los ha visto. Las decisiones se acumulan en silencio: qué ventana, qué características, qué normalización, qué exclusiones para "periodos anómalos", cuántas variantes se probaron antes de que una se viera limpia. Incluso realizado con integridad total, el proceso se ajusta al pasado —y el pasado es el único conjunto de datos que se garantiza que nunca volverá a ocurrir.
La cripto lo complica todo. La microestructura del mercado ha cambiado repetidamente a medida que han cambiado las plataformas, los instrumentos, la custodia y los participantes. Un modelo ajustado a una era estructural anterior a menudo se prueba en un mercado que ya no existe.
La única prueba que no está contaminada es la de fuera de muestra en el sentido estricto: la predicción se hace antes de que ocurra el resultado, se publica antes del resultado y no puede revisarse después. Esa es una afirmación mucho más pequeña que un backtest, que llega mucho más despacio. También es el único tipo que cuenta.
Cómo se ve una predicción de BTC cerrada, con hash y puntuación pública
Aquí está el mecanismo, en orden.
La predicción se escribe completa antes del evento: la pregunta, el precio de referencia y la plataforma, el tiempo exacto de resolución en UTC, la probabilidad y el razonamiento que la produjo. No se deja nada implícito, porque cualquier cosa implícita puede reinterpretarse más tarde.
Ese documento se convierte luego en hash con SHA-256. El hash es una huella de longitud fija: cambia un solo carácter de la predicción y la huella cambia por completo. Publicar el hash compromete el contenido sin necesariamente revelarlo todavía.
El hash queda anclado a la blockchain de Bitcoin usando OpenTimestamps, lo que prueba que la huella (fingerprint) existía a más tardar en un bloque concreto. Hay una simetría agradable al usar el propio libro mayor de Bitcoin para poner marcas de tiempo a afirmaciones sobre el precio de Bitcoin: la misma propiedad que hace que la cadena sea útil como capa de liquidación —costosa, pública, difícil de reescribir— la hace útil como notario.
Cuando llega el tiempo de resolución, el resultado se registra frente a la referencia preestablecida y se evalúa con una regla de puntuación adecuada. El resultado pasa al mismo libro mayor público que todo lo demás. No es una selección de ello. Todo — las llamadas que acertaron y las que no, al mismo tamaño, en el mismo lugar.
Esa última parte es donde la mayoría de los historiales falla en silencio. Un libro mayor con un editor es un folleto.
Nada de esto hace que una predicción sea correcta. Lo que hace es que sea comprobable, que es la única propiedad que separa un método de predicción de una captura de pantalla con una flecha. El modelo puede ser sofisticado o tosco; el timestamp es lo que te permite averiguar cuál.
Contenido educativo — no asesoramiento financiero.
Publicado originalmente en neuportal.ai/blog/how-ai-forecasts-the-bitcoin-price