INVESTIGACIÓN Y PRÁCTICA
Probabilidades calibradas en criptomonedas: fiabilidad, puntuación de Brier y tasas base
Evalúa si una probabilidad de criptomonedas significa lo que afirma mediante un objetivo definido, grupos de fiabilidad, reglas de puntuación adecuadas y evidencia fuera de muestra.
Una puntuación de 70 no es automáticamente una probabilidad del 70%. Una probabilidad necesita un evento específico, un horizonte y evidencia que conecte números emitidos previamente con resultados observados después. Incluso un modelo que ordena bien las oportunidades puede exagerar o subestimar su probabilidad. Este artículo explica una revisión práctica de probabilidades con ejemplos hipotéticos; ninguno de los porcentajes siguientes describe rendimiento medido de HOSTuvo.
Define el evento antes de hablar de confianza
Especifica si éxito significa una rentabilidad positiva al horizonte, tocar primero un umbral superior o superar los costes estimados. Indica la referencia de entrada, la ventana de observación y el tratamiento de trayectorias ambiguas. Estos objetivos pueden producir etiquetas distintas para una misma secuencia de precios. Deja los resultados inválidos o incompletos fuera del cálculo de etiquetas binarias e informa de su frecuencia por separado. Una probabilidad está condicionada a la población a la que se aplica; una estimación derivada de mercados líquidos no debe convertirse silenciosamente en una promesa sobre otro universo o un instrumento recién añadido de baja liquidez.
Compara las probabilidades declaradas con las frecuencias observadas
Agrupa predicciones realmente fuera de muestra en rangos de probabilidad predeclarados y compara la predicción media con la frecuencia observada del evento en cada rango. Muestra el número de casos de cada grupo. Si un conjunto hipotético de 100 previsiones promedia el 70% y ocurren 70 eventos, ese grupo es coherente con la tasa declarada, pero un único resultado no demuestra fiabilidad futura. Los grupos pequeños pueden fluctuar mucho y las previsiones solapadas reducen la cantidad de evidencia independiente. Examina si la calibración difiere entre horizontes y condiciones en lugar de ocultar todos los patrones en un porcentaje global tranquilizador.
Usa una regla de puntuación sin confundirla con la respuesta completa
Para un evento binario, la pérdida de Brier es la media de la diferencia al cuadrado entre la probabilidad prevista y el resultado codificado como cero o uno. Dos previsiones hipotéticas de 0.8, seguidas por un evento y un no evento, tienen pérdidas de 0.04 y 0.64, con una media de 0.34. Predecir 0.5 para esos mismos dos resultados da 0.25. Este pequeño ejemplo ilustra la penalización de errores confiados, no una comparación de modelos estadísticamente significativa. Como explica la documentación de scikit-learn, la pérdida de Brier refleja discriminación además de calibración, por lo que una puntuación menor por sí sola no demuestra mejor fiabilidad.
Elige una referencia que respete la frecuencia del evento
Supón que otra población hipotética contiene 20 eventos entre 100 observaciones. Una probabilidad constante de 0.2 produce una pérdida media de Brier de 0.16, mientras que una constante de 0.5 produce 0.25. Predecir siempre la clase negativa lograría un 80% de exactitud de clasificación en esa población, pero ese titular dice poco sobre la utilidad de una advertencia de evento. Estima cualquier frecuencia base con información permitida en el momento de evaluación, no con todo el conjunto de prueba futuro. Compara observaciones y objetivos idénticos para que un cambio en la composición de eventos no se haga pasar por una mejora del modelo.
Ajusta la calibración sin consumir la evidencia utilizada para juzgarla
Un calibrador aprende una correspondencia entre la salida bruta de un modelo y las probabilidades. Entrenarlo con observaciones a las que el predictor original ya se ajustó puede volver esa correspondencia excesivamente confiada. Para datos de mercado, usa cronología y madurez de etiquetas además de separación entre ajuste y evaluación. Conserva la versión de calibración asociada a cada previsión emitida. Si muy pocos resultados respaldan una correspondencia detallada, formula menos afirmaciones y declara la limitación; añadir una curva flexible no crea información. Comprueba que la muestra de calibración represente los resultados positivos y negativos pertinentes.
Convierte la revisión en una interfaz prudente
Muestra un porcentaje solo cuando su objetivo y evidencia respalden una interpretación probabilística. En caso contrario, etiqueta el número como puntuación o clasificación y explica qué ordena. Acompaña la información de probabilidades con tamaño de muestra, cobertura, periodo de evaluación e incertidumbre cuando sea estimable. Conserva el valor publicado originalmente para que correcciones posteriores no reescriban la evidencia. La calibración tampoco demuestra atractivo económico: un evento estimado correctamente puede seguir siendo demasiado pequeño, costoso o difícil de ejecutar. Mantén la calidad probabilística, la selección de candidatos y la economía ejecutable como preguntas separadas.
Fuentes y alcance de los ejemplos
Las fuentes respaldan las definiciones y los mecanismos. Los escenarios numéricos son ejemplos educativos hipotéticos, no precios actuales, previsiones ni resultados comunicados por HOSTuvo. Las imágenes son ilustraciones editoriales.