Random Forest
Entrena cientos de árboles de decisión distintos y promedia su voto, para que la opinión rara de un solo árbol no domine la predicción final.
Por qué importa
Cada árbol se entrena viendo solo una muestra aleatoria de los días históricos y de los indicadores, así que cada uno aprende patrones ligeramente distintos. Promediar árboles que "ven" cosas distintas reduce el riesgo de que el modelo memorice ruido específico de un puñado de días — y le permite captar relaciones no lineales entre indicadores que la regresión logística no puede ver.
Constrúyelo tú mismo
Simplificado a dos grupos de árboles (el proyecto entrena cientos a la vez): mueve cuántos árboles de cada grupo votan "sube" y mira el voto conjunto.
Números de ejemplo para practicar — no son datos reales.
Cómo funciona, paso a paso
- Se crean cientos de subconjuntos de entrenamiento distintos, cada uno con una muestra aleatoria de días históricos y de indicadores.
- Sobre cada subconjunto se entrena un árbol de decisión: una secuencia de preguntas del tipo "¿MVRV > 2?" que va dividiendo los días en grupos cada vez más parecidos entre sí.
- Para un día nuevo, cada árbol vota si cree que el precio subirá o bajará dentro del horizonte elegido.
- La probabilidad final es, simplemente, el porcentaje de árboles que votaron "sube".
Predicciones
Estas son las predicciones reales que se guardan día a día, cada una calculada por validación walk-forward: la de cada día la produjo un modelo entrenado sólo con ciclos anteriores. Se publican por transparencia, no porque haya una ventaja detrás — para la dirección del precio, la investigación del proyecto no encontró ninguna defendible.
Probabilidad de subida a 7 días
Probabilidad de subida a 30 días
Probabilidad de subida a 90 días
Datos actualizados el 2026-09-09.