¿Puede la IA predecir el precio de las criptomonedas?

No en el sentido en que se suele hacer la pregunta. Ningún modelo, se venda como IA, como aprendizaje automático o como cualquier otra cosa, puede predecir el precio de una criptomoneda en una fecha concreta, al menos no de forma fiable.

Lo que un modelo sí puede hacer es más limitado, y más útil cuando sabes qué pedirle: poner un rango alrededor de un precio futuro, decir con qué frecuencia debería cumplirse ese rango y ser evaluado cuando llegue la fecha.

Por qué el precio exacto queda fuera de alcance

El mercado reacciona a las predicciones. Si un modelo encontrara de forma fiable criptomonedas demasiado baratas, quienes lo usaran comprarían hasta que dejaran de serlo. Una predicción muy seguida cambia lo que predice. La lluvia no lee el pronóstico del tiempo. Los mercados, sí.

Casi todo el movimiento a corto plazo es ruido. En cripto, el precio puede moverse un 30 % en un solo mes, empujado por liquidaciones, un titular o un gran inversor que vende. Esos movimientos dicen poco sobre dónde estará el precio dentro de un año. Un modelo que aprende a explicarlos aprende ruido.

Hay muy pocos ejemplos independientes. El historial diario de Bitcoin que tenemos empieza en agosto de 2011 y contiene cuatro mínimos de ciclo: 2011, 2015, 2018 y 2022. Parecen miles de datos. No lo son. Los días de un mismo ciclo están muy correlacionados entre sí, así que lo que cuenta es el número de ciclos, no el de días. Un margen de incertidumbre calculado con datos diarios, como si cada día fuera independiente, resulta del orden de treinta veces más estrecho de lo que debería. La mayoría de las altcoins ni siquiera ha vivido dos ciclos completos.

Pocos ejemplos y un modelo flexible dan sobreajuste. Dale a una red neuronal cientos de indicadores y cuatro ciclos, y reproducirá el pasado casi a la perfección, porque se lo habrá aprendido de memoria. El gráfico del backtest es espectacular; el ciclo siguiente no lo sigue. Por eso un modelo cripto sólido tiene pocos parámetros: cada parámetro de más necesita datos que todavía no existen.

Qué pueden hacer la estadística y el aprendizaje automático

Dar una distribución, no un punto. Una predicción útil es una estimación central, una banda alrededor y la indicación de con qué frecuencia el precio real debería caer dentro de esa banda. «Entre X e Y, con una banda construida para contener el precio real cuatro de cada cinco veces» se puede comprobar. Una cifra suelta para una fecha dentro de dos años, no.

Medir la banda con datos que el modelo no ha visto. La forma honesta de dimensionar una banda es la prueba walk-forward: volver a una fecha pasada, reajustar el modelo solo con lo que se sabía entonces, predecir, comparar con lo que pasó después y repetirlo en muchas fechas. El ancho de la banda sale de esos errores, no de la opinión que el modelo tiene de sí mismo. En cripto, una banda honesta a un año suele tener un techo varias veces más alto que su suelo, y un modelo que publicara ±30 % a un año con una puntuación de confianza alta quedaría desmentido por su propio backtest.

Describir lo que suele pasar. La estadística se maneja bien con las tasas base. Entre los picos de Bitcoin de 2021 y 2025, solo el 3,5 % de las 368 altcoins que pudimos medir ganó terreno frente a Bitcoin, y la altcoin mediana perdió un 95 % frente a él, en una muestra que solo incluye criptomonedas que siguen cotizando. Eso te dice qué esperar de una altcoin típica. No te dice de antemano cuál será la excepción; nada en el historial de precios lo dice.

Encontrar una estructura que se repite. El ciclo de Bitcoin entre halvings ha mantenido su forma mientras su amplitud se reducía: el pico llegó a unas 20 veces la línea de soporte a largo plazo en 2013, a unas 13 veces en 2017 y a 6 veces en 2021. Un modelo construido sobre esa estructura hace afirmaciones sobre años, no sobre días, y se pueden refutar.

Dónde ayudan los modelos de lenguaje y dónde no

Los grandes modelos de lenguaje no son modelos de precios. Son muy buenos lectores.

Dónde ayudan: la investigación. Un modelo de lenguaje que busca en la web puede leer la documentación de un proyecto, sus auditorías, la trayectoria del equipo, el calendario de desbloqueo de tokens y la cobertura de prensa, y resumirlo todo con sus fuentes.

Dónde no: las cifras. Un modelo de lenguaje produce la continuación más plausible de un texto. Pídele un precio objetivo y obtendrás un número con forma de respuesta, a menudo el eco de las páginas de predicción que haya encontrado. Cuando en septiembre de 2026 revisamos las predicciones de precio publicadas para cuatro criptomonedas grandes, 20 de las 23 cifras venían de sitios que republican cada día un número algorítmico sin método declarado. Sobrescriben su propia fecha, así que ni siquiera se pueden contrastar con su propio pasado.

Incluso como herramienta de investigación, un modelo de lenguaje no predice el precio. Probamos el nuestro a ciegas con criptomonedas cuyo desenlace ya conocíamos. Colocó limpiamente los proyectos abandonados al final de la tabla. Pero dio la misma puntuación, 710 sobre 1000, a un proyecto que perdió un 95 % frente a Bitcoin entre los dos últimos máximos y a otro que le ganó terreno. Juzgaba los proyectos, no el precio. Por eso, en StakeBible, la puntuación de la investigación es un filtro y un techo, nunca una señal. Los detalles están en cómo puntuamos la confianza de un proyecto cripto.

Cómo leer una predicción cripto hecha con IA

Cinco preguntas separan una predicción que puedes usar de una escrita para compartirse.

1. ¿Hay un rango y un nivel declarado? Una cifra sola es un titular. Una predicción tiene una banda y dice con qué frecuencia debería contener el precio real.
2. ¿Se midió la banda fuera de la muestra? Busca pruebas con datos que el modelo no vio: walk-forward, o un ciclo entero que se dejó fuera del ajuste. Un backtest con los datos con los que se ajustó el modelo no demuestra nada.
3. ¿Se guardan y se evalúan las predicciones pasadas? Quien predice en serio guarda lo que dijo, y cuándo, y evalúa cada predicción cuando llega su fecha. Una página cuya fecha de actualización avanza cada día, sobrescribiendo la cifra de ayer, no tiene historial que comprobar. (Guardamos cada predicción pasada y su evaluación en nuestra base de datos; todavía no hay un archivo público en línea.)
4. ¿Es público el método? Deberías poder saber qué datos entran y qué tipo de modelo los convierte en una cifra. «Impulsado por IA» no es un método.
5. ¿Quién escribe la cifra? Si el precio lo escribe un chatbot, es una opinión con decimales. La cifra debería salir de un modelo que podrías volver a ejecutar con los mismos datos para obtener el mismo resultado.

Una predicción que supera las cinco preguntas puede equivocarse igualmente. Para eso está la banda.

Cómo lo hace StakeBible

Los precios de nuestras predicciones salen de modelos estadísticos, organizados en capas, cada una reproducible a partir de nuestra propia base de datos:

• Bitcoin marca el reloj: una línea de soporte a largo plazo que crece como una ley de potencia del tiempo transcurrido desde el primer bloque de Bitcoin, más un ciclo entre halvings cuya amplitud se reduce de un ciclo al siguiente. El resultado está en la página de predicción del precio de Bitcoin.
• Ethereum es la predicción de Bitcoin multiplicada por la proporción ETH/BTC, que se modela como una vuelta gradual hacia su media a largo plazo.
• Unas pocas criptomonedas grandes, como BNB, XRP y Solana, mantienen constante su proporción actual frente a Bitcoin. Cada una obtuvo su propia capa solo tras una prueba con su historial: esa regla se equivocaba menos que la deriva común de las altcoins.
• Unas pocas más proyectan su proporción actual rebajándola a un ritmo declarado: el promedio al que las mayores criptomonedas de ciclos pasados perdieron terreno frente a Bitcoin. Ese ritmo no se ajusta a ninguna de ellas, y cada una obtuvo su capa con la misma prueba.
• El resto de las altcoins se calcula como la predicción de Bitcoin multiplicada por su proporción actual frente a Bitcoin, desplazada por una deriva a la baja medida en todo el universo de altcoins.

Ninguna banda es más estrecha que la de Bitcoin.

Aquí los modelos de lenguaje solo investigan. La investigación documentada puntúa de 0 a 1000 los proyectos que cubre, con fuentes; para esos, la puntuación deja fuera los proyectos muertos y pone un techo a la confianza que puede mostrar una predicción. Una búsqueda aparte puede leer dos fechas públicas: la próxima reunión de la Reserva Federal y la estimación actual del próximo halving de Bitcoin. Solo la fecha del halving llegaría a un modelo, para situar a Bitcoin en su ciclo; sin ella, el modelo usa el ciclo teórico de cuatro años. Ninguna de las dos búsquedas escribe un precio: el formato en el que responde el modelo no tiene campo para un precio, una rentabilidad ni una banda.

Cada predicción se evalúa cuando llega su horizonte. En septiembre de 2026, cuando escribimos esto, ninguna predicción de los modelos actuales ha llegado todavía a su fecha, y hasta que haya suficientes evaluadas no hay ninguna cifra de precisión que publicar, así que no publicamos ninguna. Cuando el sistema de seguimiento de precisión tenga algo que decir, solo podrá bajar la confianza que mostramos, nunca subirla.

El método completo está en nuestra página de metodología. Las predicciones están en nuestra página de predicciones de criptomonedas, y todas las criptomonedas se comparan año por año en Todas las criptos. Lee esas predicciones como rangos con un nivel declarado, no como objetivos.