Analisi: i modelli complessi di Bitcoin faticano a battere le previsioni ingenue

Un preprint di maggio 2026 di Carlos Baquero non ha trovato alcun modello del prezzo di Bitcoin con una superiorità duratura rispetto a un benchmark ingenuo appropriato su orizzonti da uno a sei mesi e in diversi regimi di mercato. Baquero ha selezionato 23 articoli per un esame approfondito tra centinaia di studi. Il preprint non è ancora stato sottoposto a revisione paritaria. Le previsioni ingenue usano le informazioni correnti di mercato, come il prezzo odierno per una previsione del prezzo, zero per una previsione del rendimento o un random walk per una previsione della direzione. Francesco Puoti, Fabrizio Pittorino e Manuel Roveri hanno confrontato previsioni statistiche, di apprendimento automatico e di apprendimento profondo su cinque principali criptovalute. Il loro studio ha testato 12 approcci su orizzonti di un giorno, sette giorni e 30 giorni. I semplici modelli ingenui hanno prodotto costantemente previsioni migliori di ARIMA, Prophet, foreste casuali, XGBoost, reti LSTM e N-BEATS. La liquidità, la regolamentazione, l’accesso al mercato e la struttura degli scambi di Bitcoin, tutti in evoluzione, creano un ambiente non stazionario per i modelli addestrati sui dati passati. Il ciclo guidato dagli investitori retail del 2017 era diverso dalla struttura dei derivati del 2021. Gli ETF spot hanno creato un altro canale per il capitale e la scoperta dei prezzi nel 2024. L’overfitting del backtest può far apparire un modello efficace dopo che i ricercatori hanno testato molte variabili, finestre, date o architetture. La valutazione walk-forward e molteplici finestre di holdout non sovrapposte offrono test più solidi di un’unica divisione cronologica. Baquero ha rilevato che nessuno degli articoli sottoposti a revisione paritaria esaminati aveva testato lo stesso approccio su diverse finestre non sovrapposte che coprissero regimi di mercato differenti. Anche la fuga di informazioni può produrre una fiducia infondata quando le caratteristiche usano dati futuri, le variabili sono normalizzate sull’intero campione o le finestre dei rendimenti si sovrappongono al confine del training. L’accuratezza del livello dei prezzi può far apparire un modello migliore di quanto sia, perché può seguire una serie persistente prevedendo però la direzione e l’operazione sbagliate. I modelli stock-to-flow e quelli in stile Metcalfe contengono idee economiche plausibili, ma gli studi hanno rilevato una capacità predittiva fuori campione limitata o nulla dopo averne testato le relazioni con dati nuovi. Lo studio sottoposto a revisione paritaria di Alexander Shelton del 2024 ha rilevato che le variabili stock-to-flow e Metcalfe contribuivano a spiegare i rendimenti dentro il campione. Quando gli effetti temporali sono entrati nella regressione stock-to-flow, la sua forza statistica è scomparsa. Savva Shanaev e i suoi coautori hanno rilevato che gli effetti positivi attribuiti all’hashrate e al numero di transazioni sono scomparsi dopo aver corretto per l’autocorrelazione e per la relazione bidirezionale tra attività della rete e prezzo. I modelli a legge di potenza si adattano a gran parte del percorso storico di Bitcoin, ma un R-quadro elevato su un grafico log-log non dimostra di per sé una legge di potenza. I ricercatori devono inoltre testare le distribuzioni dei residui, confrontare altre funzioni temporali, esaminare la sensibilità alla data iniziale e valutare osservazioni future. La rassegna ha rilevato che la letteratura attuale sulle leggi di potenza di Bitcoin non aveva completato questo lavoro. Standard di previsione più rigorosi dovrebbero pubblicare benchmark ingenui accanto ai risultati dei modelli, riportare le performance per regime di mercato, includere i costi di negoziazione e divulgare le variazioni di modello tentate. Codice e dati pubblici consentirebbero ad altri ricercatori di riprodurre i risultati.