Introducción
Predecir el movimiento del bitcoin aunque sea con un día de antelación es una tarea ante la que incluso los algoritmos más sofisticados se rinden. El mercado de criptomonedas combina rasgos de los activos financieros clásicos con instrumentos especulativos de alto riesgo: aquí conviven tendencias a largo plazo, bruscas brechas de precios y un ruido casi aleatorio. La mayoría de las redes neuronales existentes solo resuelven esta tarea parcialmente: captan bien la tendencia general, pero reaccionan con notable retraso a los cambios de dirección. Un nuevo enfoque, propuesto en una investigación en arXiv, intenta resolver este problema de forma radicalmente distinta: mediante un híbrido de operadores de Fourier y enrutamiento multi-experto. Se trata del framework MoFE (Mixture-of-Experts with Fourier Neural Operators), desarrollado por Bowen Liu y Mingmin Sun. El trabajo se presentó en la conferencia IEEE ICBC 2026, y el preprint apareció en acceso abierto en agosto de ese mismo año.
En lugar de ajustar un único modelo universal a todos los estados del mercado, MoFE utiliza un conjunto de expertos especializados, cada uno responsable de un tipo de dinámica de precios, y un coordinador dinámico que decide a cuál de ellos prestar atención en cada momento.
Por qué el mercado de criptomonedas es tan difícil de predecir
Los métodos clásicos de predicción de series temporales — desde la autorregresión hasta las LSTM — asumen que los datos poseen cierta estacionariedad, al menos en tramos cortos. En las criptomonedas, esta suposición se rompe por varias razones a la vez. En primer lugar, el mercado está sujeto a frecuentes cambios de régimen: una tendencia tranquila puede convertirse en cuestión de horas en pánico o en un rally irracional. En segundo lugar, dentro de la serie de precios actúan simultáneamente procesos de diferentes escalas — desde ciclos plurianuales ligados al halving hasta fluctuaciones microestructurales de segundos. En tercer lugar, estos procesos no son estadísticamente independientes, sino que forman una compleja red estocástica.
Precisamente por eso, los modelos entrenados con datos históricos suelen ofrecer predicciones desplazadas en el tiempo. Parecen ir detrás del mercado, no anticiparlo. El desfase de fase es especialmente notable en horizontes cortos — un día o una semana, donde el precio puede cambiar de dirección varias veces. En tales condiciones, no sirve de nada simplemente aumentar la profundidad de la red neuronal: el error se acumula y provoca un retraso aún mayor. MoFE intenta eliminar esta deficiencia descomponiendo la tarea en componentes espectrales y asignando cada una de ellas a un experto independiente.
Cómo funciona MoFE
Expertos: Fourier y convoluciones
La idea clave de MoFE es utilizar la transformada de Fourier como una forma de pasar del dominio temporal al frecuencial. En lugar de predecir directamente la siguiente muestra del precio, el modelo aprende a mapear «función a función»: no recibe puntos aislados, sino un fragmento completo de la serie temporal y devuelve otro fragmento, desplazado hacia adelante. Este enfoque lo hacen posible los operadores de Fourier — construcciones matemáticas que trabajan con funciones, no con vectores. Dentro de MoFE se utiliza una variante adaptativa del operador de Fourier (AFNO), responsable de los patrones espectrales globales. Además, el modelo incluye expertos convolucionales que operan en dos dominios a la vez — tanto temporal como frecuencial. Capturan las particularidades locales y la microestructura del mercado que escapan al análisis puramente espectral.
Todos los expertos se entrenan con mapeos continuos, lo que permite al modelo generalizar a nuevas condiciones de mercado sin reentrenarse en momentos históricos concretos. Este punto de vista «funcional» resulta especialmente útil para datos financieros, donde no solo importan los valores exactos, sino también el carácter del cambio de la curva.
Enrutamiento dinámico
¿Cómo decidir qué experto funcionará mejor en el siguiente momento? Para ello, MoFE emplea un mecanismo de mezcla de expertos (Mixture-of-Experts). Un gater especial analiza el estado actual del mercado y calcula los coeficientes de ponderación para cada experto. En un régimen, puede tener más peso el experto espectral, que capta la tendencia a largo plazo, y en otro, el convolucional, sensible a los picos a corto plazo. El gater se entrena junto con los expertos y, con el tiempo, se ajusta para reconocer patrones de mercado típicos. Gracias a esto, el modelo puede cambiar de estrategia al instante, sin necesidad de reiniciar el entrenamiento.
Por qué funciona: ecuaciones estocásticas
Los autores de MoFE se basaron, al construir la arquitectura, en la teoría de las ecuaciones diferenciales estocásticas. Según este concepto, el precio de un criptoactivo es la solución de una ecuación en la que la volatilidad no es una constante, sino una superposición de varios procesos oscilatorios. Por ejemplo, el crecimiento fundamental del precio está ligado al desarrollo de la red de usuarios y a la adopción de la tecnología; la componente estacional se debe a los ciclos de minería, a los cambios en la dificultad y al halving; por último, el componente caótico lo generan los sentimientos colectivos de los traders.
Cada una de estas componentes tiene su propio perfil frecuencial, y si se descompone la serie de precios en esos perfiles, la predicción se reduce a prolongar cada oscilación en un horizonte corto y luego superponer los resultados. Esa es exactamente la operación que realiza MoFE, combinando varios expertos especializados, cada uno entrenado en su propia banda de frecuencia. Esto permite evitar el promediado al que tienden los modelos universales y, al mismo tiempo, suavizar el ruido sin perder señales importantes.
Experimentos y resultados
Para comprobar su eficacia, los autores realizaron experimentos con datos de Bitcoin del periodo comprendido entre enero de 2020 y diciembre de 2025. El modelo se probó en la predicción a un día vista (T+1) y a cinco días vista (T+5). Según los resultados presentados, MoFE demuestra un rendimiento de nivel state-of-the-art en varias métricas. En particular, muestra una precisión notablemente mayor en la predicción de la dirección del movimiento del precio (Directional Accuracy) y un mejor valor del coeficiente de información (Information Coefficient) en comparación con los modelos base.
De especial interés son las simulaciones de trading. Cuando las predicciones de MoFE se utilizaron para tomar decisiones de inversión en un entorno virtual, el modelo mostró un exceso de rentabilidad sustancial y, al mismo tiempo, mantuvo un bajo nivel de riesgo, expresado en valores altos del índice de Sharpe. Esto significa que el modelo no solo «adivina» la tendencia, sino que lo hace de forma bastante estable, sin caídas catastróficas. La principal ventaja, según los autores, es la eliminación del desfase de fase: la predicción de MoFE sigue los cambios de precio con un retraso mínimo, algo crítico para el trading real, donde unas pocas horas pueden costar decenas de puntos porcentuales de beneficio.
Conclusiones
MoFE es un paso hacia un enfoque más inteligente de la predicción de los mercados financieros. En lugar de luchar contra la no estacionariedad complicando la arquitectura, la acepta como un hecho y descompone el problema en componentes bien estudiados. Los operadores de Fourier aportan un potente aparato matemático para trabajar con funciones, y el enrutamiento multi-experto añade flexibilidad y adaptabilidad.
El framework propuesto, MoFE, demuestra que la combinación de dos ideas aparentemente diferentes — el análisis espectral y la mezcla de expertos — puede producir un efecto sinérgico. El desarrollo posterior del enfoque probablemente estará relacionado con su aplicación a otros activos, el uso de expertos más diversos y la integración con datos alternativos, como los sentimientos sociales o los flujos en la cadena de bloques. Pero ya está claro: si quieres predecir el mercado de criptomonedas, merece la pena prestar atención a este tipo de híbridos, y no a los modelos «universales» que promedian igual de bien tendencias y ruido.
