La inteligencia de enjambre ofrece una visión más clara de los mercados de criptomonedas

¿Puede la IA explicable mejorar las previsiones de los mercados de criptomonedas?

Un sistema de previsión de criptomonedas puede cometer errores menores sin predecir de forma fiable si los precios subirán o bajarán. Es fácil pasar por alto esta diferencia, pero es lo que separa una herramienta de investigación prometedora de una estrategia de inversión demostrada.

Un nuevo estudio aceptado para su publicación en Applied Soft Computing explora esta diferencia mediante un sistema que combina inteligencia de enjambre con reglas estadísticas interpretables.¹ En lugar de tratar los mercados de criptomonedas como un flujo continuo de precios, los investigadores enseñan a su modelo a reconocer distintos estados del mercado y estimar cómo se suceden.

Los resultados apuntan a una vía prometedora para la IA financiera: previsiones que las personas pueden examinar y cuestionar. También muestran por qué la transparencia, la precisión estadística y la rentabilidad de las inversiones deben evaluarse por separado.

Cómo aprende la inteligencia de enjambre los estados de los mercados de criptomonedas

El sistema combina la optimización por enjambre de partículas, o PSO, con la previsión de Markov. A pesar de la terminología, su lógica subyacente es fácil de entender.

En primer lugar, el modelo agrupa los rendimientos diarios en estados que representan distintos resultados del mercado. Estos pueden distinguir entre pérdidas leves, movimientos relativamente neutros y ganancias. La ubicación de esos límites es importante: una clasificación inadecuada puede ocultar patrones útiles o crear otros engañosos.

La PSO busca límites mejores. Varias soluciones candidatas se desplazan por un espacio matemático de búsqueda y ajustan sus posiciones a partir de la información de sus propios resultados anteriores y de los de otras candidatas. El proceso se parece a un grupo que comparte pistas mientras busca un lugar prometedor.

A continuación, un modelo de Markov estima las probabilidades de transición entre estados. Analiza qué solía ocurrir después de condiciones recientes similares, en lugar de intentar explicar cada movimiento de los precios.

Los investigadores también condicionan estas relaciones a los regímenes del mercado, incluidos distintos entornos de volatilidad y dirección. Una transición observada durante un mercado tranquilo no tiene por qué significar lo mismo en un periodo turbulento.

Por tanto, la principal innovación reside en cómo el sistema aprende el vocabulario del mercado. Las definiciones de los estados pasan a formar parte del problema de previsión, en lugar de ser categorías fijas establecidas antes de que esta comience.

Qué encontró realmente el estudio sobre la previsión de los mercados de criptomonedas

Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), y XRP, desde el 1 de enero de 2018 hasta el 22 de abril de 2026. Una comparación de referencia independiente, con ventanas móviles, evalúa Bitcoin, Ethereum y BNB frente a un paseo aleatorio, el modelo estadístico clásico ARIMA y el modelo de aprendizaje automático XGBoost.

Se trata de análisis complementarios que abarcan distintos activos. La comparación con ventanas móviles contabiliza un total de 270 previsiones fuera de muestra, por lo que no debe confundirse el extenso conjunto de datos históricos con miles de predicciones evaluadas de forma independiente.

La RMSE, o raíz del error cuadrático medio, penaliza más los errores de previsión grandes. La MAE, o error absoluto medio, mide el tamaño medio del error sin aplicar esa ponderación adicional. Ambas métricas se refieren a las previsiones de rendimientos, no a los beneficios de las operaciones.

El sistema propuesto registra la RMSE más baja, pero su ventaja frente a ARIMA es reducida. ARIMA obtiene una MAE ligeramente mejor, y las pruebas estadísticas formales no permiten establecer que exista una diferencia entre ambos en cuanto a la pérdida predictiva.

La previsión direccional ofrece resultados más débiles. El sistema propuesto acierta la dirección el 48,89 % de las veces, un resultado estadísticamente indistinguible del valor de referencia del 50 %. Ninguno de los modelos evaluados demuestra una precisión direccional estadísticamente superior a ese valor.

La calibración de las probabilidades plantea otra limitación. Si un modelo bien calibrado asigna una probabilidad del 70 % a un resultado, ese resultado debería producirse aproximadamente el 70 % de las veces en predicciones comparables. ARIMA y XGBoost obtienen mejores resultados en las medidas agregadas de calibración presentadas.

Por qué los errores de previsión menores no garantizan beneficios en las operaciones

Un modelo puede aproximarse razonablemente a los rendimientos reales y, aun así, equivocarse repetidamente sobre su dirección. Cuando muchos movimientos diarios son pequeños, las previsiones agrupadas en torno a cero pueden limitar el error sin identificar operaciones atractivas.

La rentabilidad exige tener en cuenta otros factores. Las ganancias dependen del tamaño de las posiciones ganadoras y perdedoras, los precios de ejecución, las comisiones, los diferenciales y la frecuencia de las operaciones de la estrategia. Una elevada tasa de aciertos direccionales puede seguir generando pérdidas, mientras que una tasa menor a veces puede ser rentable si las ganancias superan las pérdidas.

El artículo no presenta una simulación de operaciones ajustada por costos de transacción. Sus resultados respaldan la necesidad de seguir investigando la predicción y el monitoreo, pero no demuestran que exista una ventaja de inversión que pueda llevarse a la práctica.

Esta distinción complementa la cobertura reciente de Securities.io sobre los riesgos ocultos de operar con futuros de criptomonedas. Estimar un rendimiento y determinar si una posición puede negociarse de forma segura son tareas relacionadas, pero distintas.

La explicabilidad genera un valor diferente

El modelo propuesto muestra las reglas de transición y las observaciones históricas que las respaldan. Esto podría ayudar a un analista a determinar si un patrón aparente se basa en pruebas sustanciales o en un pequeño conjunto de episodios inusuales.

Por ejemplo, un panel de investigación podría señalar para revisión manual una regla de transición con respaldo limitado. Se trata de una posible aplicación, no de un resultado demostrado por el estudio.

La transparencia también facilita investigar los fallos. Los analistas pueden examinar si los límites entre estados dejaron de ser adecuados, si cambió un régimen o si dejó de producirse una transición que antes era común. Este valor diagnóstico merece evaluarse junto con la capacidad predictiva.

La memoria del mercado de las criptomonedas cambia según las condiciones

En el análisis principal de cuatro activos, todos seleccionan una dependencia de primer orden. En términos prácticos, el estado más reciente proporciona el contexto de transición seleccionado. Las secuencias más largas no generan automáticamente pronósticos más útiles.

Esto no significa que la información más antigua nunca sea relevante. Las observaciones históricas siguen siendo necesarias para estimar las relaciones. Significa que agregar más estados consecutivos a una regla de predicción puede fragmentar las pruebas disponibles.

Cuantas más secuencias posibles haya, menos ejemplos puede haber de cada una. Los cambios de régimen agravan el problema, porque las relaciones aprendidas bajo un conjunto de condiciones pueden debilitarse bajo otro.

La conclusión va más allá de las criptomonedas: la complejidad debe justificar su lugar mediante pruebas. Una memoria más larga o una arquitectura más elaborada solo resulta útil cuando la información adicional compensa la incertidumbre que añade.

La calidad de los datos también importa. La cobertura de Securities.io sobre la operativa ficticia y la volatilidad del mercado pone de relieve por qué es necesario examinar con cuidado la actividad aparente. Incorporar indicadores de volumen o liquidez a modelos futuros aportaría información nueva, pero también exigiría nuevos procesos de validación de datos.

Qué deberían exigir los inversores a la IA financiera

El siguiente paso consiste en validar los resultados con mayor rigor en más activos, condiciones de mercado y métodos alternativos. Los autores señalan como áreas para seguir trabajando la ampliación de los puntos de referencia, una mejor calibración, la repetición de las ejecuciones de optimización y la evaluación económica.

Los inversores que evalúen herramientas comparables pueden centrarse en tres preguntas:

• ¿Se mantiene el rendimiento con datos no vistos y frente a alternativas más sencillas y creíbles?
• ¿Coinciden las probabilidades comunicadas con los resultados observados?
• ¿Resiste cualquier ventaja de negociación unos costos de ejecución realistas?

Mantener separadas estas preguntas evita que un resultado sólido en una medida se convierta en una afirmación sin fundamento sobre otra. También permite a los desarrolladores definir objetivos de mejora más claros.

Coinbase conecta el análisis de criptomonedas con la infraestructura del mercado

Para los inversores interesados en la infraestructura que respalda mercados de criptomonedas más sofisticados, Coinbase es una empresa que cotiza en bolsa y resulta pertinente examinar. Su plataforma institucional reúne servicios de ejecución, custodia, financiación y otros a través de Coinbase Prime.

La conexión va más allá de este método de predicción en particular. Las instituciones necesitan datos fiables, controles operativos e infraestructura de ejecución para convertir la investigación en flujos de trabajo utilizables. Los modelos explicables podrían complementar esos sistemas si pruebas posteriores demuestran que tienen valor práctico.

Coinbase también publica análisis de mercado. Su Charting Crypto outlook del 7 de octubre considera las condiciones onchain, la valoración y la liquidez, ilustrando el conjunto de información más amplio disponible más allá de las transiciones de retorno histórico.

El estudio no demuestra que Coinbase utilice esa arquitectura ni que adoptarla le reportaría beneficios económicos. Las acciones de Coinbase también están expuestas a riesgos empresariales, competitivos, regulatorios y propios del mercado de las criptomonedas. La pregunta de inversión pertinente es si su infraestructura puede responder a una demanda sostenida de los clientes, no si un modelo de predicción tiene éxito.

Últimas noticias y novedades de Coinbase (COIN)

Un futuro más verificable para la predicción de los mercados de criptomonedas

La contribución del estudio es un proceso de predicción que puede examinarse y ofrece un rendimiento competitivo en términos de error de retorno. Sus limitaciones son igual de reveladoras: las predicciones direccionales siguen cerca del azar, la calibración debe mejorar y la rentabilidad aún no se ha puesto a prueba.

El progreso puede lograrse haciendo que la IA financiera sea más fácil de cuestionar. Cuando los usuarios pueden examinar las reglas, comprender las pruebas que las respaldan y distinguir el rendimiento estadístico del valor económico, cuentan con mejores fundamentos para decidir qué lugar debe ocupar un modelo en un flujo de trabajo de inversión.

Referencias:

¹ do Nascimento, K. K. F., y dos Santos, F. S. (2026). Un sistema inteligente de pronóstico de Markov optimizado mediante PSO para la dinámica de las criptomonedas dependiente del régimen. Applied Soft Computing. Publicación anticipada en línea. https://doi.org/10.1016/j.asoc.2026.116666