Segun arXiv q-fin, un estudio reciente evalúa si las predicciones horarias de retornos de Bitcoin contra USDT pueden traducirse en rendimientos comerciales reales al considerar costos operativos. Con aproximadamente 70.000 observaciones horarias entre 2018 y 2026, se comparan tres modelos de inteligencia artificial: XGBoost, LSTM y iTransformer, bajo un protocolo de validación en 27 bloques sucesivos. Los resultados indican que, en ciertas configuraciones, todos los modelos generan un rendimiento bruto positivo. Sin embargo, estrategias basadas en simples señales de dirección, como el signo del retorno, pierden viabilidad cuando se aplican costos de transacción de diez puntos base. La introducción de un filtro de ejecución consciente de costos —que evita operar solo cuando el tamaño de la predicción supera un umbral calculado en función de esos costos— disminuye drásticamente la frecuencia de operaciones y recupera la rentabilidad en escenarios seleccionados. La estrategia más efectiva, orientada exclusivamente a posiciones largas con XGBoost, alcanza una rentabilidad anualizada superior al 65% y un ratio de Sharpe por encima de uno. Pruebas adicionales revelan que indicadores técnicos mejoran el desempeño en ciertos casos, mientras que las características derivadas de EGARCH no ofrecen ganancias consistentes. El modelo XGBoost demuestra una superioridad descriptiva frente a los modelos neuronales, aunque evidencias por muestreo no validan una dominancia estadística formal. Los efectos de la función de pérdida y de selección de modelos resultan secundarios y poco estables.
Para inversores peruanos, este hallazgo tiene implicaciones directas. Aunque la predicción de precios en criptomonedas muestra cierta capacidad de anticipación, el verdadero obstáculo no radica en la debilidad de los modelos, sino en cómo se transforman las señales en acciones reales. En el contexto peruano, donde las operaciones en mercados digitales aún están en desarrollo y los costos de transacción pueden ser elevados por la infraestructura financiera, esta investigación subraya la necesidad de integrar mecanismos de gestión de costos en cualquier estrategia de trading. Invertir sin considerar estos elementos puede generar pérdidas aparentes, aunque el modelo parezca prometedor en simulaciones. Los peruanos que ingresan al mundo de las criptomonedas deben evaluar no solo el rendimiento esperado, sino también el impacto de costos operativos en cada transacción. Un enfoque más riguroso, que combine modelos de aprendizaje automático con filtros de ejecución inteligentes, podría ser clave para obtener resultados sostenibles. En un entorno donde la volatilidad es alta y la liquidez variable, la disciplina en la ejecución no es una cuestión de práctica, sino de fundamentos económicos.