Análisis de eficiencia del mercado de bitcoin a través de la predictibilidad de los retornos mediante modelos de Machine Learning

Abstract

Este trabajo analiza la eficiencia débil del mercado de Bitcoin. El sustento es que, si es posible predecir el retorno logarítmico utilizando únicamente información pública pasada, entonces existe evidencia de predictibilidad y, en consecuencia, de ineficiencia débil, al menos bajo ciertas condiciones. La motivación se sustenta en la elevada volatilidad del mercado cripto y en la presencia de eventos estructurales como los halvings, que podrían alterar transitoriamente la dinámica de precios y la velocidad con que la información se incorpora al mercado. Para abordar el objetivo, se construye un dataset diario para el período 01/12/2014–31/10/2025, integrando series provenientes de Bitcoin (precio, halvings y métricas de la red blockchain) y variables macroeconómicas / financieras. La variable objetivo corresponde al retorno logarítmico diario del precio de Bitcoin, mientras que el conjunto de predictores se organiza en cinco bloques: variables del mercado cripto, indicadores de análisis técnico, métricas de red blockchain, variables asociadas al halving y variables macro/financieras. La evaluación se realiza con una partición temporal estricta en los tramos (train, validation y test), para evitar sesgos de anticipación y asegurar comparabilidad entre modelos. El modelo principal es el Informer, comparado contra LSTM, GRU y LSTNet como benchmarks. Se consideran seis horizontes de predicción (ℎ = 1, 7, 14, 30, 60, 90 días), permitiendo contrastar desempeño desde el corto plazo hasta escalas donde podrían emerger patrones más persistentes. La evaluación se efectúa mediante MAE y MSE (precisión en magnitud) y MDA (precisión direccional), dado que la dirección del movimiento es particularmente relevante para discutir eficiencia débil. Los resultados evidencian un trade-off consistente entre minimizar error y capturar dirección. En horizontes muy cortos, los modelos recurrentes tienden a mostrar ventajas en error promedio, mientras que Informer presenta un desempeño competitivo y, en horizontes medios, destaca por su comportamiento direccional promedio. No obstante, las mejoras direccionales observadas son moderadas, por lo que la evidencia respecto a la eficiencia débil se interpreta con cautela: la predictibilidad existe, pero su magnitud sugiere que cualquier señal explotable sería limitada y requeriría pruebas adicionales de robustez y significancia para sostener conclusiones más fuertes.