Cómo abordar la previsión de precios en cripto con machine learning (sin autoengañarte con el riesgo)

La cripto atrae a científicos de datos por una razón: siempre hay un indicador nuevo que probar, más datos que rascar y un modelo que promete “mejores señales”. El problema es que los mercados cripto pueden cambiar de carácter con mucha rapidez. Cuando eso ocurre, una previsión que en backtests parecía sólida puede dejar de funcionar en trading real.

El objetivo aquí no es despreciar el machine learning. Es usarlo de una forma en la que sea más difícil autoengañarte: alineando las previsiones con lo que realmente puedes operar y anclando el riesgo a R (tu unidad de riesgo), no a dólares.

Por qué la “previsión de precios” en cripto suele decepcionar

Las previsiones decepcionan por motivos bastante previsibles.

• Los modelos no separan bien el ruido de la señal en mercados rápidos y con cambios de régimen.
• Una predicción no es un plan de trading. Aunque el modelo estime dirección, todavía necesitas entradas, stops y control de riesgo.
• Muchos enfoques de ML devuelven dirección o probabilidad, pero la ejecución depende de la estructura del mercado (niveles, “fairness”, posicionamiento) y de tu modelo de riesgo.

Una forma clara de verlo: la previsión puede ayudarte a estimar probabilidad. Para operar, tú decides qué harás cuando el mercado se mueva y cuánto puedes perder si te equivocas.

¿Qué debería predecir un modelo en cripto?

Si quieres que las salidas de ML se integren de verdad en trading, céntrate en objetivos medibles y accionables.

Prever lo negociable, no la fantasía

Prioriza señales que puedas usar directamente:

• Régimen probable: tendencia, rango o lateral caótico
• Probabilidad de continuación (o probabilidad de que el movimiento se revierta)
• Condiciones alrededor del valor justo (si los traders están pagando de más, o si se llenan a un precio mejor que el promedio)

Haz que el objetivo sea medible

En lugar de “precio del próximo movimiento”, usa algo medible y operable, como:

• probabilidad de que el precio se mueva a favor por una cantidad definida antes de que tu stop sea alcanzado

Esa forma de plantearlo obliga al modelo a aprender conductas que encajan con la ejecución.

Etiqueta el régimen en la entrada

En la práctica, las diferencias de régimen suelen pesar más que los ajustes finos de indicadores. Por eso tu modelo debería ayudarte a elegir qué “playbook” encaja ahora.

Entradas del modelo que suelen transferirse entre símbolos y marcos temporales

Un error común es construir variables que solo funcionen para un símbolo, un timeframe o un entorno de volatilidad. Las entradas que describen comportamiento de mercado tienden a transferirse mejor.

Ancla la “fairness” con VWAP

Incluye:

• VWAP de sesión (anclado a UTC 00:00)
• VWAP rodante sobre las últimas N velas

VWAP (Volume-Weighted Average Price) es el precio promedio ponderado por el volumen negociado. En futuros cripto, funciona como un ancla útil de “valor justo”:

• precio por encima del VWAP de sesión → en promedio los compradores están pagando de más
• precio por debajo del VWAP de sesión → en promedio los vendedores se están llenando a un precio más alto que el que se pagó de media

Lee el funding como señal de coste/posicionamiento

En perpetuos, se usa una tasa de funding para mantener el precio del perp cerca del spot.

• Funding positivo significa que los longs pagan a los shorts
• Funding negativo significa que los shorts pagan a los longs

No lo trates como “sentimiento”. Trátalo como una señal de coste. Lo más accionable suele estar en cómo cambia el funding, no solo en el nivel:

• persistentemente negativo → shorts abarrotados pagando
• persistentemente positivo → longs abarrotados pagando
• cerca de cero y con tendencia a volver a la media → condiciones más equilibradas

Usa el order book para el contexto de entrada, con cuidado

El desequilibrio del libro de órdenes (volumen bid vs ask cerca del precio de contacto) y el depth ponderado pueden ayudar a sincronizar entradas cerca de niveles.

Pero conviene confirmarlo con operaciones efectivamente ejecutadas. El spoofing existe: esas “paredes” falsas pueden desaparecer de inmediato. Si el desequilibrio muestra bids fuertes, pero las impresiones siguen vendiendo, puede que esos bids sean falsos.

Añade volatilidad y conciencia de estructura

Las variables basadas en ATR ayudan al modelo a entender cuán “amplio” está dispuesto a moverse el mercado. Esto importa porque un mismo patrón puede comportarse de forma muy distinta según el régimen de volatilidad.

Convertir señales cripto comunes en reglas fáciles de modelar

Muchos traders ya usan VWAP, funding y conceptos del order book. El truco está en pasarlo a reglas que el modelo pueda aprender, no a interpretaciones vagas.

VWAP como ancla, no como disparador aislado

Trata el VWAP como un punto de referencia:

• estar por encima del VWAP de sesión implica que, en promedio, los compradores están pagando de más

Si tienes sesgo alcista y estás pensando en largo, VWAP te permite preguntarte: ¿estoy comprando por encima de lo que el mercado ya acordó como justo? Si es así, ¿por qué?

Retests de VWAP en regímenes de tendencia

Una estructura típica de continuación es:

• tras un movimiento limpio de sesión, vigila el primer retest del VWAP
• puede ser un punto de continuación con alta probabilidad si el régimen todavía sostiene el comportamiento de tendencia

La palabra clave es si. Los retests de VWAP funcionan distinto en rango que en tendencia.

Funding: mira los cambios, no solo el signo

Reglas generales que suelen traducirse bien a modelado:

• funding persistentemente negativo correlaciona con shorts abarrotados pagando
• funding persistentemente positivo correlaciona con longs abarrotados pagando
• el mayor valor del trading suele venir de detectar cambios, no de quedarse mirando el nivel

Order book: sincronizar cerca de niveles

Usa el desequilibrio para temporizar entradas:

• recuperar un nivel con soporte en bids favorece los largos
• los asks grandes colocados por encima del precio actual son un viento en contra para intentos de ruptura

De nuevo: mantenlo como contexto. No dejes que el order book, por sí solo, se convierta en tu tesis.

Clasificación del régimen como base del diseño ML

El régimen es el filtro único más útil para elegir el playbook correcto.

Usa tres regímenes prácticos: tendencia, rango, lateral caótico.

Tendencia

La tendencia es estructura direccional:

• ADX al alza
• máximos/mínimos crecientes (o lo inverso para cortos)

La tendencia suele ser ideal para entradas con momentum y salidas mediante trailing.

Rango

El rango es oscilación alrededor de soportes/resistencias identificables:

• ATR contrayéndose

El rango suele ser ideal para entradas de contra-tendencia (fade/mean-reversion) con stops más ajustados y salidas predefinidas.

Lateral caótico

El lateral caótico es más desordenado:

• sin estructura limpia
• frecuentes barridas de stops

Acción por defecto: tamaño menor o no operar. Si tienes que operar, concéntrate solo en los setups de mayor convicción y acepta stops más amplios.

Etiqueta cada operación con el régimen en el momento de la entrada. Con el tiempo, el rendimiento por operaciones etiquetadas por régimen suele separar mejor que comparar “indicador A vs indicador B”.

Dónde encajan de verdad machine learning y deep learning

Una forma útil de mantener honesto el ML es alinear su propósito con decisiones.

Predecir probabilidades y clasificar regímenes

Usa ML/deep learning para estimar:

• probabilidad de continuación vs reversión
• probabilidad de que el régimen actual pertenezca a su clase

No se trata de rutas deterministas del “siguiente precio”. El mercado no te debe una línea recta.

Modelos de secuencia para el timing de eventos

Los enfoques de secuencia (deep learning) pueden ayudar si quieres aprender patrones temporales alrededor de:

• retests del VWAP
• cambios en el funding
• cambios en el order book

Traducir salidas a ejecución

El modelo debe producir salidas que “enchufen” con ejecución y riesgo.

Si el modelo solo te dice “sube” o “baja”, pero no puedes convertirlo en timing de entrada y lógica de stops, vuelves a la valoración subjetiva.

Gestión del riesgo: la calidad de la previsión no significa nada sin controles basados en R

Incluso un buen modelo puede perder dinero si tu lógica de riesgo es inconsistente.

Ancla todo a R

R es tu unidad de riesgo: la diferencia entre el precio de entrada y el precio del stop.

Toda la performance debería expresarse en R:

• expectancy
• MFE (maximum favorable excursion)
• MAE (maximum adverse excursion)

Esto importa porque el PnL en dólares cambia muchísimo según el entorno de volatilidad. Una estrategia que gana +0.35R por operación gana +0.35R tanto si el mercado está calmado como si está salvaje; lo que cambia con el entorno es cómo escalan el sizing y la volatilidad.

La expectativa generaliza cuando R es consistente

Al evaluar rendimiento del modelo, mira expectancy en R. Convierte a dólares solo al final si lo necesitas para presupuestar.

“Predicción” no sustituye a los stops

Una previsión no cambia qué haría tu stop. La distancia del stop, el tamaño de posición y las reglas de salida son las que determinan la distribución de resultados.

Dimensionar posiciones con ATR para que los stops tengan coherencia

Si fijas el tamaño de la posición y permites que la volatilidad se mueva, la distancia implícita del stop deriva. Ahí es cuando los traders se sorprenden.

Tamaño de modo que 1-ATR adverso encaje con tu presupuesto de riesgo

El sizing debería anclarse a ATR:

• fija la distancia del stop = k * ATR
• elige k según el régimen

Rangos típicos de k:

• 1.0–1.5 en tendencia
• 1.5–2.0 en lateral caótico

Después dimensionas para que un movimiento adverso de 1-ATR equivalga a tu presupuesto de riesgo.

Error típico: fijar el tamaño de posición y dejar que la distancia implícita del stop “deriva” cuando sube la volatilidad. El sistema funciona como se espera solo si la lógica de stops y el sizing escalan juntos.

Cómo conectar salidas del modelo con playbooks de ejecución

Una vez que tengas la probabilidad de régimen y la probabilidad de continuación, utilízalas para guiar un playbook.

Sesgo de tendencia + confianza del modelo: entra escalonando con VWAP (sin perseguir)

En vez de comprar la vela de ruptura, considera escalar entradas alrededor del VWAP previo.

Una estructura típica:

• 30% en el primer rescate (reclaim) del VWAP
• 30% en un retest confirmado con menos profundidad vendedora (sell-side)
• 40% después de que se forme un higher-low tras el retest

Anula los tramos restantes si el precio cierra de nuevo por debajo del VWAP en el timeframe de trabajo.

Sesgo de rango: entradas de mean-reversion con salidas ajustadas

Para condiciones de rango, prioriza:

• stops ajustados
• salidas cerca del borde opuesto del rango

No reutilices la lógica de tendencia aquí. Un reclaim de VWAP puede significar cosas totalmente distintas cuando el precio está oscilando y revirtiendo.

Lateral caótico: tamaño menor o no operar

En lateral:

• reduce tamaño o salta operaciones
• si operas, elige solo los setups de mayor convicción
• acepta stops más amplios si la estructura lo exige

Backtesting del modelo: mide lo que importa

Los backtests deberían responder a preguntas sobre ventaja (edge) y riesgo, no solo sobre precisión.

Evalúa expectancy en R

Así es como generalizas entre símbolos y regímenes de volatilidad. Las métricas en R mantienen la evaluación consistente.

Sigue la distribución de resultados

No te quedes solo con la tasa de aciertos.

Mira cosas como:

• MAE/MFE en R para ver si las señales llegan a tiempo para tu lógica de stops

Si MAE suele salir demasiado grande frente al stop, tu edge puede ser un espejismo causado por el timing de ejecución.

Haz pruebas de estrés por régimen

Etiqueta cada operación en la entrada (tendencia/rango/lateral caótico) y comprueba si el rendimiento realmente cambia con el régimen. Si el modelo “funciona” igual en todos, a menudo no está aprendiendo estructura de régimen.

Checklist de implementación (y qué vigilar en vivo)

El trabajo del modelo termina cuando empieza la ejecución. Para mantener una alineación más limpia, intenta que tu análisis y tu ejecución ocurran en el mismo venue.

XT Exchange es donde nuestras señales y snapshots de mercado en vivo cobran vida.

Un checklist práctico:

• Si operas un perp específico, revisa en XT el VWAP de sesión, el comportamiento del VWAP rodante, las tendencias de funding y el desequilibrio del order-book.
• Usa gráficos en vivo para verificar tus etiquetas de régimen y si los retests de VWAP se están comportando como esperabas en la sesión actual.

La cripto puede cambiar de personalidad rápido. El monitoreo en vivo forma parte de la investigación.

Siguiente paso: verifica tus inputs en XT y construye desde un riesgo basado en R

Si quieres llevar este marco a la práctica, empieza simple.

• Abre tu cuenta de XT y opera un pair de BTC (o el perp que prefieras) para observar en tiempo real el VWAP de sesión, el VWAP rodante, los cambios de funding y la reacción del order book.
• Luego traduce la salida del modelo a una lógica de entrada/stop basada en R, usando sizing impulsado por ATR para que el comportamiento en backtest y en vivo sea coherente.

Empieza con un solo símbolo, etiqueta operaciones por régimen y, solo después, aumenta la complejidad.