📈 economics

A Model and Estimation of the Bitcoin Transaction Fee

Este artículo presenta y estima un modelo estructural de los mercados de tarifas de Bitcoin, utilizando un panel de datos de alta frecuencia del mempool para demostrar que la congestión es el principal determinante de los retrasos y que las tarifas reflejan el valor marginal de la prioridad en un mecanismo de mercado similar a Vickrey-Clarke-Groves.

Autores originales: Daniel Aronoff, Kristian Praizner, Armin Sabouri

Publicado 2026-04-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniel Aronoff, Kristian Praizner, Armin Sabouri

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que Bitcoin es como una autopista digital muy concurrida. Los "mineros" son los peajes que deciden qué coches (transacciones) pueden pasar y en qué orden. Pero hay un problema: la autopista tiene un límite de espacio. Solo caben ciertos coches en cada bloque de tráfico (cada bloque se llena cada 10 minutos).

Este paper (documento de investigación) es como un estudio de tráfico muy detallado que intenta responder a una pregunta simple: ¿Por qué algunas personas pagan más por el peaje que otras y cómo se determina ese precio?

Aquí tienes la explicación en lenguaje sencillo, usando analogías:

1. El Problema: La Autopista Atascada

En el pasado, los mineros ganaban dinero principalmente por "crear" nuevos bloques (como un salario fijo). Pero ese salario está bajando con el tiempo. Ahora, para ganar dinero, dependen de las tarifas de transacción que pagan los usuarios.

La analogía: Imagina que la autopista se llena. Si hay poco tráfico, puedes entrar gratis o pagar muy poco. Pero si hay un atasco masivo (congestión), los conductores que quieren llegar rápido (urgencia) pagan más para que el peaje los deje pasar primero.
El reto: Los investigadores no podían ver el "tráfico" en tiempo real solo mirando la carretera final. Necesitaban ver el mempool (la sala de espera antes de entrar a la autopista).

2. La Herramienta: Una Cámara de Seguridad Invisible

Los autores crearon un "nodo" propio (como instalar su propia cámara de tráfico privada) que grabó todo lo que ocurría en la sala de espera durante 90 días.

Lo que vieron: No solo vieron quién pagó, sino cuándo llegó cada coche, cuánto tardó en entrar, si alguien intentó pagar más para saltar la fila (RBF) o si un coche pequeño pagó por un coche grande (CPFP).
Por qué es importante: Antes, los estudios solo veían el resultado final. Ahora, pueden ver la cola y entender la presión que sentía cada conductor al momento de decidir cuánto pagar.

3. La Teoría: La "Subasta" del Peaje

El paper modela el sistema como un mercado donde el espacio es escaso.

La analogía de la subasta: Imagina que el minero es un subastador. No le importa el precio total de tu coche, sino cuánto pagas por metro cuadrado de espacio (tasa de tarifa).
La regla de oro: Si hay mucho tráfico, subir un poco tu oferta te hace saltar muchos puestos en la fila y llegar mucho más rápido. Si hay poco tráfico, subir la oferta no te ayuda mucho porque la fila avanza sola.
El hallazgo clave: Los usuarios pagan más exactamente cuando vale la pena pagar más. Es decir, si pagar un centavo extra te ahorra 10 minutos de espera, pagarán ese centavo. Si pagar ese centavo extra solo te ahorra 1 segundo, no lo harán.

4. Los Descubrimientos Sorprendentes

El estudio encontró varias cosas interesantes sobre cómo funciona esta "autopista":

El atasco es el rey: Lo que más determina cuánto tardas no es tu coche, sino cuántos coches hay esperando. Si la sala de espera está llena, el precio sube.
La "impaciencia" no siempre se ve: Pensaban que si alguien necesitaba usar el dinero inmediatamente (por ejemplo, para comprar algo urgente), pagaría más. Pero los datos mostraron que esto no siempre se refleja en el pago. A veces, la gente espera aunque tenga prisa.
Trucos de la fila:
- RBF (Reemplazar por tarifa): Es como decirle al peaje: "Oye, te pago el doble, déjame pasar antes". Esos usuarios pagan una prima muy alta (casi el doble).
- CPFP (El hijo paga por el padre): A veces, un coche pequeño (transacción hija) paga una tarifa alta para arrastrar a un coche grande y viejo (transacción padre) que estaba atascado. Esto cambia cómo se calcula el precio.
El tamaño importa: Las transacciones grandes (como camiones) pagan más en total, pero el precio por metro cuadrado es lo que realmente importa para la prioridad.

5. ¿Qué nos dice esto para el futuro?

El estudio concluye que el sistema funciona de manera muy inteligente y eficiente dentro de un mismo momento.

La analogía final: El modelo es como un buen meteorólogo para el tráfico de esta hora. Puede decirte: "Si pagas X, llegarás en Y minutos". Pero es malo para predecir el tráfico de mañana o la próxima semana, porque depende de factores externos (como el precio del Bitcoin o el humor de los mineros) que cambian constantemente.

En resumen:
Los autores demostraron que las tarifas de Bitcoin no son aleatorias. Son el resultado de una subasta en tiempo real donde los usuarios pagan por velocidad basándose en lo atascada que esté la red. Cuanto más atascada esté la autopista, más valioso es cada puesto en la fila, y más sube el precio.

Es un mapa muy detallado de cómo la gente negocia su lugar en la cola de Bitcoin, pero nos recuerda que para entender el precio global, necesitamos mirar más allá de la cola y observar el clima económico general.

Resumen Técnico: Modelo y Estimación de la Tarifa de Transacción de Bitcoin

Autores: Daniel J. Aronoff, Kristian Praizner, Armin Sabouri.
Fecha: 21 de abril de 2026.
Contexto: El artículo aborda la creciente importancia de las tarifas de transacción en Bitcoin a medida que disminuye el subsidio de bloque, proponiendo un modelo estructural para entender la formación de precios en el mercado de tarifas.

1. El Problema de Investigación

La formación de tarifas en Bitcoin es difícil de estudiar utilizando únicamente datos de la cadena de bloques (on-chain) porque el entorno de colas (el mempool) no es observable directamente en los datos históricos estándar.

El desafío: Se necesita distinguir entre la "tecnología de retraso" (cómo la prioridad y la congestión afectan el tiempo de confirmación) y la "disposición a pagar" de los usuarios (su impaciencia).
La limitación actual: Los datos tradicionales carecen de la información sobre la cola en el momento exacto en que se eligió la tarifa, lo que impide estimar modelos estructurales precisos.

2. Metodología y Datos

A. Fuente de Datos Innovadora

Los autores construyeron un conjunto de datos de panel de alta frecuencia utilizando un nodo Bitcoin Core autoadministrado (operado por la Iniciativa de Moneda Digital del MIT Media Lab).

Periodo: Del 3 de agosto de 2025 al 9 de octubre de 2025 (~90 días).
Volumen: Más de 11 millones de transacciones confirmadas.
Datos capturados: Entradas y salidas del mempool, inclusión en bloques, eventos de aumento de tarifas (fee-bumping como RBF y CPFP), y "instantáneas" de congestión cada 25 segundos.
Ventaja clave: Permite reconstruir el entorno de colas que enfrentó cada transacción al momento de su envío, un dato faltante en estudios previos.

**B. Marco Teórico: Mecanismo VCG

El modelo trata al mempool como un mercado de espacio de bloque escaso y caracteriza la formación de tarifas bajo un mecanismo Vickrey-Clarke-Groves (VCG).

Premisa: Los mineros seleccionan transacciones basándose en la tasa de tarifa (tarifa por unidad de peso/weight), no en la tarifa absoluta.
Equilibrio: En un mercado competitivo, la tarifa de equilibrio corresponde a la externalidad de retraso que una transacción impone a las de menor prioridad.
Ecuación clave: La tarifa logarítmica depende de:
1. El costo de retraso del usuario (impaciencia).
2. La pendiente local de la función de retraso (cuánto se reduce el tiempo de espera al subir un puesto en la cola).
3. El peso de la transacción.

C. Estrategia de Estimación (Dos Etapas)

El estudio emplea un estimador de dos etapas para separar la tecnología de retraso de las preferencias del usuario:

Primera Etapa (Tecnología de Retraso):
- Se estima la función de retraso esperado ( $W$ ) como una función flexible de la percentil de prioridad (tasa de tarifa relativa) y el estado de la red (congestión, uso de espacio de bloque).
- Algoritmo: Se utiliza un Random Forest (Bosque Aleatorio) para capturar no linealidades e interacciones complejas.
- Restricción de forma: Se impone monotonía: una mayor prioridad no puede aumentar el retraso esperado. Se utiliza regresión isotónica para asegurar que la pendiente de la función de retraso sea negativa (o cero).
- Objetivo: Obtener la pendiente local ( $\hat{W}'$ ) de la función de retraso para cada transacción.
Segunda Etapa (Ecuación de Tarifas):
- Se estima una ecuación de tarifas logarítmica donde la variable dependiente es el logaritmo de la tarifa.
- Variables explicativas:
  - La pendiente estimada del retraso ( $\log \hat{W}'$ ) de la etapa 1.
  - Indicadores de transacción (RBF, CPFP, tipo de transacción, peso).
  - Variables de estado del bloque (uso de espacio, tiempo desde el último bloque).
  - Efectos fijos de época (ventanas de 30 minutos) para controlar choques agregados.
- Método: Mínimos Cuadrados Ordinarios (MCO) con errores estándar agrupados por época y splines monotónicos para modelar la impaciencia.

3. Resultados Principales

A. La Tecnología de Retraso y la Congestión

Determinante principal: La congestión del mempool es el factor dominante que determina el retraso.
Gradiente de retraso: La relación entre prioridad y retraso no es uniforme. En épocas de baja congestión, el gradiente es plano (la prioridad no importa mucho). En épocas de alta congestión, el gradiente se vuelve empinado: un pequeño aumento en la prioridad reduce drásticamente el tiempo de espera.
Hallazgo clave: Solo el 20.2% de las épocas muestran una "tecnología de retraso activa" (gradiente no trivial), lo que indica que la diferenciación de tarifas es crucial principalmente durante picos de congestión.

B. Estimación Estructural (Segunda Etapa)

El coeficiente estructural clave ( $\alpha_1$ ) asociado al gradiente de retraso es negativo y estadísticamente significativo ( $\approx -0.046$ ).

Interpretación: Esto confirma la predicción del modelo VCG. Cuando el gradiente de retraso es empinado (subir un puesto en la cola ahorra mucho tiempo), los usuarios pagan tarifas más bajas para lograr una velocidad de confirmación dada. Por el contrario, cuando el gradiente es plano (la prioridad no acelera la confirmación), los usuarios deben ofrecer tarifas más altas para distinguirse de la cola.
Robustez: El resultado se mantiene incluso con casi 2,000 efectos fijos de época, lo que sugiere que no es un artefacto de tendencias temporales agregadas.

C. Factores Institucionales y de Comportamiento

RBF (Replace-by-Fee): Las transacciones con RBF pagan una prima de aproximadamente un 93% más, señalando una alta urgencia.
CPFP (Child-Pays-for-Parent): Los paquetes CPFP pagan un 15% menos que las transacciones independientes de la misma prioridad aparente, reflejando la subvención de tarifas empaquetada.
Tipos de transacción: Las transacciones con OP_RETURN o inscripciones (NFTs) pagan tarifas significativamente más bajas, indicando menor sensibilidad al tiempo.
Condiciones del bloque: El uso del espacio de bloque y el tiempo transcurrido desde el último bloque tienen coeficientes positivos, aumentando las tarifas a medida que aumenta la presión.

D. Limitaciones Temporales

El modelo explica muy bien la variación transversal (por qué transacciones en el mismo momento pagan tarifas diferentes), pero tiene dificultades para predecir la variación temporal (por qué el nivel general de tarifas cambia entre épocas).
Los efectos fijos de época absorben la mayor parte de la variación agregada, sugiriendo que factores no observados (comportamiento de mineros, sentimiento macro) impulsan los niveles generales de tarifas.

4. Contribuciones Clave

Datos de Mempool de Alta Frecuencia: Proporciona un conjunto de datos único que reconstruye el entorno de colas en tiempo real, superando la limitación de los datos puramente on-chain.
Modelo Estructural VCG: Aplica formalmente la teoría de mecanismos de diseño (VCG) al mercado de tarifas de Bitcoin, derivando una ecuación estimable que vincula la pendiente de la función de retraso con la tarifa.
Metodología Híbrida: Combina aprendizaje automático (Random Forest para estimar la tecnología de retraso) con econometría estructural (estimación de preferencias), imponiendo restricciones económicas (monotonía) en el proceso.
Validación Empírica: Demuestra empíricamente que los usuarios internalizan el costo marginal de la reducción del retraso, ajustando sus tarifas en consecuencia según la congestión de la red.

5. Significado e Implicaciones

Para la Economía de Bitcoin: Confirma que el mercado de tarifas funciona de manera eficiente bajo competencia de mineros, donde los precios reflejan la escasez marginal de espacio de bloque y la externalidad de retraso.
Para el Diseño de Protocolos: Destaca la importancia de mecanismos como RBF y CPFP, que permiten a los usuarios ajustar dinámicamente sus tarifas y prioridades, mejorando la eficiencia del mercado.
Para la Investigación Futura: Establece una base metodológica para estimar la demanda de prioridad en criptomonedas. Sugiere que para predicciones a largo plazo, es necesario modelar los cambios de régimen en la congestión, ya que los parámetros estructurales pueden variar con el tiempo.
Limitación: El estudio se basa en un periodo de operación relativamente estable (90 días), por lo que la extrapolación a escenarios de crisis extrema o cambios drásticos en la red debe hacerse con cautela. Los autores planean continuar la recolección de datos para mejorar la precisión de las estimaciones.

En conclusión, el artículo ofrece una comprensión rigurosa y cuantitativa de cómo se forman las tarifas en Bitcoin, demostrando que la interacción entre la congestión de la red, la tecnología de colas y las preferencias de los usuarios sigue un patrón económico predecible y estructurado.