La pregunta
¿Combinar un modelo más complejo con señales de sentimiento mejora la previsión del precio de Bitcoin?
En la prueba de Bitcoin a un día, el modelo no supera a la persistencia.
La persistencia usa el último precio observado como previsión. Estudiamos si un Transformer, que aprende relaciones entre datos, mejora esa referencia al incorporar sentimiento a distintas escalas.
Datos y comparación
Usamos datos diarios de precios y volumen de Bitcoin, Ethereum y BNB de Binance y Coinbase, y el índice de miedo y codicia de Alternative.me. Bitcoin es el objetivo principal. Las wavelets separan el sentimiento en componentes rápidos y lentos dentro de ventanas históricas; el Transformer los combina con indicadores técnicos.
El artículo describe una separación temporal de entrenamiento, validación y test y compara el modelo con persistencia y otras alternativas. Aquí hablamos de previsión del precio y remitimos al artículo para el detalle del método y de la evaluación (páginas 6–14).
El error medido
El RMSE resume cuánto se alejan las previsiones del precio observado y penaliza más los errores grandes. Un valor menor indica menos error. La tabla 2, página 14, publica 2005 USD para Wavelet–Transformer y 1986 USD para persistencia.
El modelo tiene 2,1 millones de parámetros, los valores que ajusta al entrenarse (tabla 6, página 18). Esa complejidad no mejora la previsión en esta prueba.
Alcance y límites
- El resultado se limita a este modelo y a esta prueba. No demuestra que todos los modelos fallen ni que todos los mercados sean impredecibles.
- Evalúa errores de previsión. No evalúa agentes, operaciones, comisiones ni deslizamiento.
- No presentamos una reproducción completa como comprobada. La ficha resume el artículo publicado.
Artículo y cita
Aldan Jay; Rafael Berlanga. (2026). Algorithmic Complexity vs. Market Efficiency: Evaluating Wavelet–Transformer Architectures for Cryptocurrency Price Forecasting. Algorithms · 19(2) · 101.
DOI: 10.3390/a19020101 · CC BY 4.0
BibTeX
@article{jay2026algorithmic,
title = {Algorithmic Complexity vs. Market Efficiency: Evaluating Wavelet–Transformer Architectures for Cryptocurrency Price Forecasting},
author = {Jay, Aldan and Berlanga, Rafael},
journal = {Algorithms},
year = {2026},
volume = {19},
number = {2},
eid = {101},
doi = {10.3390/a19020101},
url = {https://doi.org/10.3390/a19020101},
note = {CC BY 4.0}
}