Durante años, los operadores de criptomonedas han creído que las exchanges descentralizadas eran uno de los lugares donde los inversores minoristas aún podían superar a la multitud. Sin embargo, a diferencia de las exchanges centralizadas llenas de firmas profesionales y algoritmos sofisticados, los mercados DEX están fragmentados, caóticos y dominados por operadores más pequeños.
Pero un nuevo estudio sugiere que esa creencia puede ser errónea.
Después de probar 15 estrategias de trading en 4,990 pares de DEX que abarcan 27 cadenas de bloques, el investigador Daniel Gatto encontró pocas pruebas de que los datos históricos de precios solos puedan proporcionar una ventaja de trading consistente. La conclusión del artículo se resume en una frase sencilla repetida a lo largo de la investigación: “No hay ventaja sin información”.
En otras palabras, los gráficos de precios por sí solos pueden no ser suficientes para generar ganancias, incluso en el supuestamente ineficiente mundo de los memecoins y tokens de microcapitalización.
Por qué los tokens DEX parecían un sueño para el trader
El atractivo de los mercados DEX siempre ha sido fácil de entender. Miles de nuevos tokens se lanzan cada semana en Ethereum, Solana, Base, BNB Chain, Arbitrum, Polygon, Avalanche y docenas de otras redes. Aquí, la liquidez está fragmentada ya que la participación en el mercado es en su mayoría impulsada por minoristas, y la competencia institucional sigue siendo limitada en comparación con los principales exchanges centralizados.
La idea general es que si la competencia elimina oportunidades rentables de los mercados maduros, entonces la larga cola caótica de tokens de DEX debería ser uno de los pocos lugares donde los operadores aún pueden descubrir activos mal valorados y patrones explotables.
El estudio de Gatto tenía como objetivo probar ese supuesto utilizando uno de los conjuntos de datos más grandes reunidos sobre el tema. La investigación examinó 4,990 pares de trading exclusivos de DEX, combinando aproximadamente seis meses de datos diarios de operaciones con seis semanas de observaciones horarias. Cada par de tokens cumplía con los requisitos mínimos de liquidez, y todas las estrategias consideraron los costos reales de operación, incluyendo comisiones de gas, comisiones de intercambio y deslizamiento de AMM.
Los resultados desafiaron muchas de las suposiciones más ampliamente aceptadas en el mundo de las criptomonedas.
La mayoría de los tokens ya estaban perdiendo
Incluso antes de que se probara una sola estrategia, los datos pintaron un cuadro sombrío.
Casi tres cuartas partes de todos los tokens registraron rendimientos negativos durante el período de muestra, mientras que el token mediano perdió aproximadamente el 18,5% de su valor. El token típico finalizó aproximadamente un 38% por debajo de su precio máximo, y casi un tercio terminó el estudio más del 50% por debajo de sus máximos.
Mientras tanto, el rendimiento promedio en el conjunto de datos se mantuvo positivo, pero solo porque un pequeño número de ganadores excepcionales distorsionaron los resultados. Por lo tanto, la mayoría de los tokens perdieron valor de forma constante.
Es algo familiar para cualquiera que pase tiempo en Crypto Twitter. El raro ganador de 50x se celebra y comparte sin cesar, mientras que el mucho mayor número de apuestas fallidas desaparecen silenciosamente de las líneas de tiempo y los canales de Discord.
Interesantemente, el estudio también encontró que los tokens DEX se comportaron de manera diferente a lo que muchos operadores de momentum esperan. En lugar de mantener tendencias, los precios a menudo revertían después de moverse bruscamente en cualquier dirección. En términos prácticos, los operadores que intentaban comprar la fortaleza a menudo estaban apostando en contra de la estructura subyacente del mercado.
¿Por qué incluso las señales rentables fallaron?
Para comprender por qué las señales rentables terminan fallando, el estudio probó ocho enfoques de trading intradía populares, incluidas estrategias de ruptura, señales RSI, configuraciones de impulso y entradas basadas en volumen.
A primera vista, algunas de estas estrategias parecían prometedoras. La más fuerte generó una ventaja bruta de aproximadamente 6,5 puntos base por operación antes de aplicar los costos. Sin embargo, el problema era la escala.
A través de las piscinas DEX estudiadas, los costos de operaciones de ida y vuelta promediaron aproximadamente 230 a 240 puntos básicos una vez incluidas las comisiones de gas, el deslizamiento y las comisiones de intercambio. Las señales más fuertes simplemente no fueron lo suficientemente grandes como para superar el costo de ejecutarlas.
El resultado fue una discrepancia de casi 40 a 1 entre la intensidad de la señal y los gastos de operación.
Después de los costos, la estrategia de scalping promedio perdió aproximadamente un 2,5% por operación, y menos del 1% de las configuraciones probadas generaron rendimientos positivos durante todo su período de muestra.
Más importante aún, el estudio encontró que los costos no fueron el verdadero culpable.
Gatto sometió a prueba diferentes suposiciones sobre liquidez, calidad de ejecución y estructuras de tarifas. La conclusión permaneció inalterada. Incluso antes de que se aplicaran completamente las tarifas, la mayoría de las señales ya eran demasiado débiles para generar beneficios significativos.
Incluso las estrategias más sofisticadas no pudieron superar al mercado
La investigación se extendió mucho más allá del análisis de gráficos tradicional.
Gatto evaluó varios enfoques comúnmente utilizados por traders profesionales, incluyendo cobertura neutra al mercado, timing del lanzamiento de tokens, provisión de liquidez, arbitraje entre pools cruzados, filtros de tendencia de Bitcoin, diversificación de cartera y análisis de flujo de órdenes.
Es asombroso que ninguno haya logrado un rendimiento estadísticamente significativo.
La provisión de liquidez inicialmente pareció atractiva, generando rendimientos modestos antes de tener en cuenta la pérdida temporal. Una vez incluida la pérdida temporal, los rendimientos desaparecieron en gran medida.
Además, existían oportunidades de arbitraje entre piscinas, pero la mayoría eran demasiado pequeñas para superar los costos de transacción.
Una estrategia neutral de mercado que cubrió la exposición utilizando perpetuas de exchange centralizadas inicialmente produjo retornos ajustados al riesgo alentadores. Sin embargo, esos resultados no superaron pruebas estadísticas más rigurosas. En general, enfoques más complejos no se desempeñaron mucho mejor que estrategias basadas en gráficos simples.
Cuando el ruido aleatorio se ve mejor que el mercado
Uno de los hallazgos más sorprendentes del estudio provino de su uso de pruebas controladas aleatorias.
Los investigadores reordenaron la secuencia de los movimientos de precios conservando las características estadísticas generales de cada token. Luego volvieron a ejecutar las mismas estrategias de trading sobre el conjunto de datos aleatorizado.
Inesperadamente, el mercado mezclado a menudo parecía más rentable que el real.
La explicación no es que la aleatoriedad genere ganancias. Más bien, los mercados reales de DEX contienen grupos de caídas pronunciadas que afectan repetidamente a los operadores con posiciones largas únicamente. La aleatorización elimina esos grupos mientras conserva otras características estadísticas, haciendo que las estrategias parezcan más efectivas.
La conclusión aquí es que algunos de los patrones que los operadores creen estar explotando pueden ser en realidad desventajas estructurales incrustadas dentro del mercado mismo.
La única señal que realmente funcionó
Al final, después de que catorce estrategias fallaran, Gatto finalmente encontró un enfoque que mostró poder predictivo estadísticamente significativo.
Los investigadores construyeron un modelo de aprendizaje automático utilizando factores como los rendimientos recientes, la volatilidad, el volumen de operaciones, las condiciones de liquidez y la antigüedad del token. A diferencia de las otras estrategias, el modelo logró superar con éxito su línea base estadística.
Sin embargo, el éxito no es absoluto, ya que el modelo no fue particularmente bueno identificando futuros ganadores. En cambio, se destacó al identificar futuros perdedores.
Cuando los investigadores ordenaron los tokens por rendimiento previsto, cada grupo aún produjo retornos medianos negativos. Los tokens mejor clasificados no fueron desempeños fuertes; simplemente perdieron menos que los peor clasificados.
Ese hallazgo puede ser la idea más importante del estudio.
En los mercados DEX, los modelos predictivos pueden ser más útiles para evitar pérdidas catastróficas que para descubrir la próxima oportunidad de ruptura. La ventaja parece estar en identificar qué no poseer, en lugar de identificar qué comprar.
El problema de supervivencia
El estudio también destaca una debilidad importante encontrada en muchos backtests de criptomonedas: el sesgo de supervivencia.
Debido a que el conjunto de datos se construyó a partir de piscinas de liquidez activas, los tokens que ya habían colapsado y desaparecido estaban subrepresentados. Los investigadores estimaron que al menos el 9,2% de las piscinas aún activas ya estaban funcionalmente muertas según la actividad de trading, y el número real es probablemente mayor una vez que se consideran los proyectos completamente abandonados.
Esto significa que los rendimientos históricos pueden parecer mejores de lo que son en realidad.
Importante, el sesgo de supervivencia no creó una ventaja comercial falsa en el estudio. Las estrategias activas aún subrendimiento incluso entre los tokens supervivientes. Sin embargo, sugiere que muchos backtests compartidos públicamente pueden presentar una imagen más optimista de la que los traders habrían experimentado en tiempo real.
Qué significa el estudio para los operadores
La conclusión práctica no es que el comercio rentable sea imposible. La conclusión es que los gráficos de precios solos es poco probable que proporcionen una ventaja sostenible.
A través de miles de pruebas, las señales del RSI, las medias móviles, las estrategias de ruptura, los indicadores de impulso y varios enfoques más sofisticados no lograron generar beneficios duraderos. El único modelo que mostró poder predictivo se basó en información más allá de la simple acción de precios, incluyendo la antigüedad del token y las características de liquidez.
Para los operadores, esto significa que cualquier estrategia debe probarse no solo contra el rendimiento histórico, sino también contra la aleatoriedad y una línea base de compra y mantenimiento simple. En este estudio, muchas estrategias que inicialmente parecían prometedoras no superaron esa prueba.
Más ampliamente, los hallazgos desafían una de las narrativas más persistentes de las criptomonedas: que los operadores minoristas pueden descubrir consistentemente alfa en los mercados DEX simplemente leyendo gráficos.
Sin embargo, el estudio deja abierta una posibilidad. Debido a que el conjunto de datos requería que los tokens sobrevivieran lo suficiente como para generar historiales de operaciones significativos, no pudo evaluar estrategias de lanzamiento de muy corto plazo que operan en los primeros momentos de la existencia de un token.
Ese borde permanece sin probar.
Sin embargo, todo lo demás apunta en la misma dirección. Tras examinar casi 5,000 tokens de DEX y 15 enfoques de operación distintos, el estudio llega a una conclusión que muchos operadores encontrarán incómoda: el gráfico no es la ventaja. Si aún existen oportunidades rentables en los mercados DEX, es más probable que provengan de información que el mercado aún no ha absorbido que de patrones ya visibles en un gráfico de precios.
Descargo de responsabilidad: La información presentada en este artículo es únicamente para fines informativos y educativos. El artículo no constituye asesoramiento financiero ni de ningún otro tipo. Coin Edition no se hace responsable de ninguna pérdida derivada del uso del contenido, productos o servicios mencionados. Se aconseja a los lectores que ejerzan cautela antes de tomar cualquier acción relacionada con la empresa.