Investigaciones recientes de Kaiko, Binance Research y grupos académicos revelan que los modelos de IA, incluidas las redes neuronales, ofrecen una precisión predictiva limitada en los mercados de criptomonedas. Los modelos clásicos de aprendizaje automático logran solo entre un 2 y un 6 por ciento de precisión por encima del azar, mientras que modelos avanzados como LSTM y GRU alcanzan alrededor del 8 por ciento, pero solo en ventanas de prueba cortas. Estos modelos tienen dificultades con datos nuevos debido a cambios en el régimen del mercado, aumento del ruido y eventos macroeconómicos, lo que provoca caídas significativas en la precisión durante períodos de alta volatilidad. Los algoritmos de libro de órdenes pueden explicar entre el 15 y el 25 por ciento de los micromovimientos, pero son efectivos solo en horizontes de minutos con alta liquidez. Las señales on-chain, como grandes entradas de stablecoins o salidas significativas de Bitcoin, proporcionan correlaciones útiles pero no predicciones garantizadas. Los expertos recomiendan usar modelos en conjunto, monitorear desviaciones de datos e incorporar filtros de régimen para mejorar la efectividad de la IA. Sin embargo, la IA debe ser parte de una estrategia más amplia que incluya datos on-chain, análisis del libro de órdenes y modelos de riesgo para mejorar la toma de decisiones en el trading de criptomonedas.