📈 economía

Are Whitepaper Claims Reflected in Market Structure? A Contamination-Aware Pipeline and a Power-Limited Null

Este artículo presenta un proceso de procesamiento consciente de la contaminación que revela que un vínculo reportado previamente entre las narrativas de los libros blancos de criptomonedas y la estructura del mercado era un artefacto de errores de datos, mientras que un resultado nulo honesto en el conjunto de datos depurado indica que los métodos actuales basados en texto carecen del poder estadístico para detectar una alineación débil, aunque pueden descartar con confianza una correspondencia fuerte.

Autores originales: Murad Farzulla

Publicado 2026-09-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Murad Farzulla

Artículo original bajo licencia CC BY 4.0 (https://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

En el mundo de las finanzas, existe un debate de larga data sobre cuánto importa la historia de una empresa para el precio de sus acciones. Por un lado, la teoría económica tradicional sugiere que si una empresa publica un plan claro y útil, el mercado absorbe rápidamente esa información y ajusta el precio del activo en consecuencia. Por otro lado, un campo conocido como economía narrativa argumenta que las historias que nos contamos a nosotros mismos sobre el dinero pueden, a veces, desvincularse de la realidad, impulsando los precios basándose en el bombo publicitario o la emoción en lugar de la utilidad real. Las criptomonedas ofrecen un laboratorio único para poner a prueba esta tensión. A diferencia de las acciones tradicionales, que revelan su verdadera naturaleza lentamente a través de años de informes de ganancias y revisiones de analistas, los proyectos de criptomonedas suelen exponer todo su propósito, tecnología y objetivos en un único documento llamado libro blanco o whitepaper en el preciso momento en que nacen. Esto plantea una pregunta convincente: ¿se reflejan realmente las promesas funcionales hechas en estos documentos fundacionales en la forma en que los tokens se comportan en el mercado? Si un proyecto afirma ser una herramienta para pagos rápidos, ¿se comercia con su token como un sistema de pagos? Si afirma ser una bóveda segura para la riqueza, ¿actúa como una reserva de valor?

Un investigador llamado Murad Farzulla se propuso responder a esto construyendo una prueba rigurosa para ver si las palabras en cuarenta y tres libros blancos de criptomonedas coincidían con el comportamiento real de mercado de esos tokens. El estudio se centró en un periodo específico de enero de 2023 a diciembre de 2024, recopilando datos de precios por hora de docenas de activos. El investigador utilizó primero un software de lenguaje avanzado para leer los libros blancos y categorizarlos en diez temas funcionales, tales como "reserva de valor", "contratos inteligentes" o "almacenamiento de datos". Estas categorías formaron un mapa de lo que cada proyecto pretendía ser. A continuación, el investigador calculó siete medidas estadísticas diferentes para el rendimiento de mercado de cada token, como la volatilidad de su precio, su volumen de negociación y su tendencia general. El objetivo era ver si el mapa de las afirmaciones coincidía con el mapa del comportamiento del mercado. Antes de ejecutar la prueba final, el equipo tuvo que limpiar sus datos cuidadosamente. Descubrieron que su colección inicial de documentos estaba contaminada con errores: aproximadamente una cuarta parte de los archivos eran descargas rotas o, en algunos casos sorprendentes, documentos totalmente erróneos, como un archivo etiquetado como "Cosmos" que era en realidad el libro blanco de una red diferente llamada Binance Smart Chain. Una vez eliminados estos errores y verificados los documentos para asegurar que fueran genuinos, comenzó el análisis.

Los resultados del estudio fueron sorprendentemente discretos. Cuando los investigadores alinearon el mapa de las afirmaciones con el mapa del comportamiento del mercado, no encontraron ninguna conexión significativa. Los patrones en los libros blancos no predijeron cómo se movieron los tokens en el mercado. Para poner esto en perspectiva, si el mercado fuera un reflejo perfecto de las promesas de los libros blancos, los dos mapas habrían coincidido estrechamente; en cambio, eran esencialmente independientes. Los investigadores explicaron cuidadosamente que esto no demuestra que las historias sean irrelevantes, sino que su prueba específica no pudo encontrar un vínculo. El estudio se vio limitado por el pequeño número de proyectos disponibles y la dificultad de utilizar software de lenguaje para capturar con precisión los matices técnicos y complejos de los documentos cripto. El software utilizado para leer los libros blancos no era perfectamente fiable, lo que dificultó la detección incluso de una conexión débil si existía una. El estudio fue lo suficientemente potente como para descartar un vínculo fuerte y obvio entre el texto y el mercado, pero no pudo determinar definitivamente si existe una conexión sutil y oculta o si los dos son completamente distintos.

Una parte particularmente instructiva de la investigación involucró una falsa alarma que ocurrió durante el proceso de limpieza de datos. En la versión inicial y no verificada de los datos, los investigadores creyeron ver un patrón claro: los tokens especializados con usos estrechos parecían alinearse con su comportamiento de mercado, mientras que los tokens de infraestructura amplia no lo hacían. Sin embargo, este patrón desapareció por completo una vez que se limpiaron los datos. El patrón aparente había sido una ilusión creada por los archivos contaminados; los tokens "especializados" que parecían alinearse se basaban en realidad en los documentos incorrectos. Este hallazgo sirve como una advertencia para futuras investigaciones, mostrando con qué facilidad se puede fabricar un resultado espurio si no se verifican los documentos fuente. La conclusión final es que, si bien los libros blancos de estos cuarenta y tres proyectos están llenos de afirmaciones, dichas afirmaciones no parecen verse reflejadas en la estructura del mercado durante el periodo estudiado. El mercado parece estar impulsado por otras fuerzas, o la conexión es demasiado tenue para que los métodos actuales la detecten, dejando la relación entre las narrativas cripto y la realidad del mercado como una pregunta abierta.

Resumen Técnico: "¿Se reflejan las afirmaciones de los Whitepapers en la estructura del mercado? Un pipeline consciente de la contaminación y un nulo limitado por la potencia"

Planteamiento del Problema
El artículo investiga si las narrativas funcionales articuladas en los whitepapers de criptomonedas corresponden al comportamiento real del mercado de sus tokens. Mientras que la teoría de los mercados eficientes sugiere que las narrativas informativas se incorporan rápidamente a los precios, la economía de la narrativa postula que las historias pueden desacoplar los precios de los fundamentos. La investigación previa se ha centrado principalmente en predecir el éxito de la emisión o los retornos post-listado basados en la calidad del whitepaper. Este estudio desplaza el enfoque hacia la prueba de la correspondencia estructural contemporánea entre dos espacios representacionales: las afirmaciones semánticas de los whitepapers y las estadísticas de mercado transversales de los tokens.

Metodología
El autor desarrolla un pipeline de tres etapas, consciente de la contaminación, para medir la alineación estructural:

Extracción de Afirmaciones mediante PLN (NLP):
- Datos: 43 whitepapers verificados de contenido (que abarcan activos como BTC, ETH, ADA, etc.) recolectados de fuentes oficiales. Un paso crítico consistió en la detección de "contaminación del corpus", donde una versión anterior del conjunto de datos contenía fragmentos de descargas fallidas y archivos de documentos erróneos (por ejemplo, una entrada de Cosmos que contenía texto de Binance Smart Chain).
- Clasificación: El texto del whitepaper se segmenta en fragmentos de 500 palabras y se clasifica en 10 categorías semánticas (por ejemplo, Reserva de Valor, DeFi, Privacidad) mediante clasificación zero-shot usando BART-large-MNLI.
- Verificación de Fiabilidad: El estudio mide explícitamente la fiabilidad inter-método, comparando BART-NLI contra DeBERTa-v3 y un LLM local. La correlación media de pares ( $\rho$ ) es aproximadamente 0.31, con algunos pares mostrando una concordancia cercana a cero, identificando al instrumento de texto como una restricción vinculante para la potencia estadística.
Construcción de Estadísticas de Mercado:
- Datos: Datos OHLCV horarios de Binance para 49 activos (enero 2023–diciembre 2024), lo que genera 17,543 marcas de tiempo.
- Características: Se computan siete métricas financieras transversales para cada activo: retorno medio, volatilidad, ratio de Sharpe, drawdown máximo, volumen promedio, vol-of-vol (volatilidad de la volatilidad) y tendencia de precio.
Alineación e Inferencia:
- Alineación: La matriz de afirmaciones ( $C \in \mathbb{R}^{43 \times 10}$ ) y la matriz de estadísticas de mercado ( $S \in \mathbb{R}^{43 \times 7}$ ) se alinean utilizando la rotación de Procrustes Ortogonal para encontrar la rotación óptima que minimiza la norma de Frobenius.
- Métrica: La similitud estructural se mide utilizando el coeficiente de congruencia de Tucker ( $\phi$ ), que es igual a la similitud de coseno sin centrado de media.
- Gestión de Dimensiones: Se utilizan dos estimadores: una variante de "relleno de ceros" (rellenando la matriz de mercado de 7D a 10D, lo que mecánicamente limita el $\phi$ máximo posible a 0.70) y una variante de "dimensiones coincidentes" (reduciendo la matriz de afirmaciones de 10D a 7D mediante SVD), que permite un $\phi$ teórico de 1.0.
- Análisis de Potencia: Una simulación de Monte Carlo de control positivo inyecta congruencia conocida en la matriz de factores del mercado real para determinar el efecto mínimo detectable (MDE). El estudio encuentra que, debido a la baja fiabilidad del instrumento de texto ( $\rho \approx 0.31$ ), el MDE realista para una potencia del 80% es $\phi \approx 0.66$ .

Resultados Clave

Artefacto de Contaminación del Corpus:
- Un análisis inicial de un corpus contaminado ( $n=37$ ) sugirió un ordenamiento estructural donde los tokens "especializados" (por ejemplo, privacidad, DeFi) se alineaban más fuertemente con la estructura del mercado que los tokens de "infraestructura".
- Tras la verificación de contenido y la eliminación de fragmentos/documentos erróneos, este ordenamiento colapsó. En el corpus limpio ( $n=43$ ), ningún token registra una contribución significativa para ayudar o perjudicar la alineación, y la división aparente entre especializados vs. infraestructura desaparece. Esto se reporta como un diagnóstico de contaminación en lugar de un hallano.
Nulo Limitado por la Potencia:
- Estimación Primaria: La alineación de dimensiones coincidentes arroja $\phi = 0.303$ ( $p=0.353$ ). La estimación conservadora de relleno de ceros es $\phi = 0.223$ ( $p=0.459$ ).
- Interpretación: Ambos estimadores están muy por debajo del umbral de similitud moderada de 0.65.
- Restricciones de Potencia: La simulación de control positivo confirma que el pipeline es sensible (recuperando con precisión las señales inyectadas). Sin embargo, debido a la baja fiabilidad del instrumento de PLN, el estudio tiene más del 80% de potencia solo para detectar una alineación fuerte ( $\phi \ge 0.70$ ). Carece de la potencia para distinguir entre una alineación débil ( $\phi \approx 0.3$ ) y la ausencia de alineación.
- Conclusión: El resultado es una "ausencia de evidencia" de una alineación fuerte, no una "evidencia de ausencia". Los datos son inconsistentes con un fuerte acoplamiento entre narrativa y mercado, pero no pueden descartar un acoplamiento débil.
Robustez:
- El resultado nulo se mantiene a través de ventanas temporales rodantes, remuestreo de submuestras, pruebas jackknife y métricas de alineación alternativas (coeficiente RV, correlación de distancia, CCA, PLS).
- Bitcoin, a pesar de su dominio en el mercado, tiene un impacto insignificante en la métrica de alineación ( $\Delta \phi = -0.001$ ).

Significancia y Contribuciones
El artículo enmarca su contribución como un marco metodológico y una advertencia para la economía de la narrativa basada en texto:

Contribución Metodológica: Introduce un pipeline reproducible y consciente de la contaminación para comparar espacios representacionales de texto y mercado, junto con un aparato de control positivo que establece explícitamente qué puede detectar tales comparaciones.
Hallazgo Empírico: Reporta un no-detección de alineación entre afirmaciones y mercado en un corpus limpio, limitada por la potencia. El autor enfatiza que, si bien se descarta una alineación fuerte, el estudio no puede adjudicar entre una alineación débil y la ausencia de alineación debido al ruido del instrumento.
Advertencia: El estudio demuestra cómo la contaminación no detectada del corpus (por ejemplo, archivos de documentos erróneos) puede fabricar señales transversales espurias. Argumenta que la verificación a nivel de contenido (conteo de palabras, comprobación de procedencia) es una condición previa necesaria para el análisis de texto-mercado.
Limitaciones: El autor establece explícitamente que los hallazgos no autorizan la afirmación de que el análisis de whitepapers ofrece un "valor limitado" o que las narrativas son secundarias. Los resultados están limitados por el tamaño de la muestra ( $n=43$ ), la baja fiabilidad de los clasificadores zero-shot estándar en el dominio cripto y el desajuste temporal entre los whitepapers de la era fundacional y los datos de mercado de 2023–2024.

El artículo concluye que la cuestión de si las afirmaciones de los whitepapers reflejan la estructura del mercado permanece abierta, requiriendo corpora más grandes, clasificadores adaptados al dominio y datos narrativos con marca de tiempo para ir más allá del actual "nulo limitado".

Más como este