Laboratorio de probabilidad
Calculadora de probabilidad de criptomonedas
Las probabilidades reales de cualquier precio objetivo en cripto, calculadas con simulación de Monte Carlo. Averigua si Bitcoin, Ethereum o una altcoin terminará por encima de un nivel, se mantendrá dentro de un rango, tocará un precio antes de la fecha límite o llegará al objetivo antes que al stop. Todo corre en tu navegador, sin registro.
Ejemplos rápidos
Configuración
Usando 45,0% anual (valor manual de reserva, sin datos).
+Ajustes del modelo
Necesita los precios máximo y mínimo. La fuente de datos actual solo proporciona cierres.
Cero por defecto, y es a propósito. Suponer una dirección es lo que convierte una herramienta de probabilidad en un deseo.
Misma semilla, mismas trayectorias. Cámbiala para ver qué parte de la respuesta es ruido de la simulación.
+Compara con un precio de mercado
Si un mercado de predicciones o una opción cotiza este resultado, pon aquí su precio. La herramienta te dirá si el modelo discrepa lo suficiente como para que importe.
Lo que el mercado cobra por este resultado, expresado como probabilidad.
Por debajo de esto, la herramienta responde que no hay edge. El modelo no es lo bastante preciso como para discutir por diferencias pequeñas.
Opcional. Solo se usa para convertir una fracción de Kelly en un importe concreto.
Ahora mismo no hay datos en vivo disponibles. La calculadora sigue funcionando: fija tú mismo el precio spot y la volatilidad, y todos los números de abajo siguen siendo válidos.
Resultado
Probabilidad de que Bitcoin termine por encima de $125.000 en 7 días (volatilidad 45%, valor manual de reserva, sin datos).
Resumen de la operación
El movimiento que exige tu objetivo, anualizado, para que una semana y un año queden en la misma escala. Léelo frente a lo que este activo ha rendido realmente: si tu objetivo pide varias veces esa cifra, las probabilidades de arriba son aritmética, no una previsión.
La probabilidad por sí sola no dimensiona una operación. La distancia al objetivo en sigmas es el número que hay que leer primero: por debajo de un sigma es un movimiento corriente, más allá de dos es raro. Las dos sensibilidades muestran qué parte de tu respuesta descansa en números que has estimado en lugar de leído.
Riesgo de mantener la posición
El Value at Risk es la pérdida que solo superas en los peores casos: el peor 5% en el nivel 95, el peor 1% en el nivel 99. El Expected Shortfall es la pérdida media de esos casos, y es el número que importa, porque dice hasta dónde llegan de verdad los días malos.
Volatilidad
¿Ha acertado este modelo antes?
No hay calibración para esta pregunta. La banda y la carrera se deciden por la trayectoria entera, y la prueba walk-forward solo puntúa preguntas que puede resolver a partir de un único precio de cierre. Los históricos cortos también dejan muy pocos casos independientes que puntuar.
Lo que hace realmente una calculadora de probabilidad de criptomonedas
La mayoría de las herramientas que se autodenominan calculadora de criptomonedas solo calculan ganancias y pérdidas: escribes un precio de compra y un precio de venta y te devuelven un retorno. Esto es un instrumento distinto. Una calculadora de probabilidad de criptomonedas responde a la pregunta que viene antes de cualquier operación: ¿qué probabilidad tiene el movimiento en sí? Dale un precio objetivo y una fecha límite y te devuelve la probabilidad, basada en cuánto se mueve realmente el activo, no en la opinión de nadie sobre la dirección. La dirección la pones tú. Las probabilidades son el resultado.
Eso importa sobre todo cuando un mercado ya cotiza un precio para la misma pregunta. Un mercado de predicción sobre Bitcoin que paga si BTC supera un nivel antes del viernes está cotizando una probabilidad implícita. Esta calculadora te da una segunda opinión independiente a partir de la volatilidad del propio activo, y luego muestra la diferencia y si sobrevive a los costos de trading. Es la misma disciplina que una mesa de operaciones aplica a la cotización de una opción, en un formato que cualquiera puede ejecutar en un navegador.
Al cargar la página se preselecciona la pregunta que la mayoría viene buscando: un precio objetivo redondo justo por encima del precio actual, terminar por encima dentro de una semana. Cambia el activo y el objetivo se recalcula automáticamente. Cambia el objetivo, el horizonte temporal o el tipo de pregunta y a partir de ahí se mantiene tu elección.
Cómo se calculan las probabilidades
El primer modelo es el enfoque lognormal tomado de la valoración de opciones, el término N(d2) conocido del marco de Black-Scholes. Toma el precio actual, tu objetivo, el tiempo restante y una volatilidad anualizada, y devuelve la probabilidad de que el precio termine más allá del objetivo con deriva (drift) cero. La volatilidad se mide a partir de los cierres diarios en vivo como la desviación estándar de los retornos logarítmicos, anualizada con la raíz cuadrada de 365, porque las criptomonedas cotizan todos los días del año.
El segundo modelo se salta la teoría. Rastrea el registro histórico y cuenta con qué frecuencia el activo recorrió realmente la distancia necesaria dentro de tu horizonte. Si Bitcoin tiene que ganar un 8 por ciento en 30 días, la herramienta comprueba cada ventana de 30 días del periodo de análisis y reporta la tasa de acierto. Como las ventanas se solapan, las muestras no son del todo independientes, así que la lectura también muestra el número efectivo de bloques no solapados y un intervalo de Wilson al 95 por ciento detrás de esa cifra.
El tercer motor es una simulación de Monte Carlo que genera miles de trayectorias de precios de Bitcoin o de altcoins paso a paso, el mismo enfoque de simulación que usan los quants para trazar una distribución de probabilidad de precios futuros. Coincide con la fórmula cerrada en las preguntas sencillas, lo que sirve como comprobación interna útil, pero además puede hacer cosas que las fórmulas no pueden: trayectorias con colas gruesas, preguntas de toque con colas gruesas y el cono de precios completo que ves arriba. Una sutileza que conviene conocer: la opción de colas gruesas aplica una t de Student al retorno de todo el horizonte, mientras que el motor de Monte Carlo aplica colas gruesas a cada paso, y muchos pasos con colas gruesas se agregan hacia una forma normal. Los dos pueden diferir legítimamente en horizontes largos, y esa diferencia es una medida honesta más del riesgo de modelo. La cifra principal es la mediana de los tres motores. Conviene tener claro lo que eso significa: en las preguntas de terminar (por encima o por debajo), de rango, de banda y de toque, la fórmula cerrada y el Monte Carlo estiman la misma magnitud y coinciden salvo por el ruido de simulación, así que la mediana es igual al valor del modelo y el Monte Carlo actúa sobre todo como comprobación numérica interna; la tasa de acierto histórica es la referencia independiente de la realidad, y la dispersión entre el motor más alto y el más bajo se muestra como discrepancia. Solo la pregunta de carrera, que no tiene fórmula cerrada, deja que la simulación y el histórico fijen directamente la cifra principal. Una discrepancia amplia es información, pero léela con cuidado: en una apuesta direccional a horizonte largo, parte de la diferencia entre el modelo y el histórico es la propia deriva realizada y el régimen de volatilidad del activo, no solo incertidumbre del modelo.
Terminar, rango y tocar
Estas preguntas tienen nombres precisos en el trading de opciones, y esta calculadora las trae al mundo cripto. Una pregunta de terminar es la probabilidad de expirar dentro o fuera del dinero (probability ITM/OTM), la posibilidad de que el precio esté por encima o por debajo de un nivel exactamente en la fecha límite. Una pregunta de toque es la probabilidad de tocar (POT, probability of touching), es decir, si el precio alcanza un nivel en algún momento antes de la fecha límite, aunque después retroceda. Las dos no son intercambiables. Las probabilidades de tocar siempre son más altas, y para una barrera cercana al precio spot llegan casi a duplicar las de terminar, porque al precio le basta con llegar una sola vez. La herramienta usa la fórmula de primer paso para el movimiento browniano geométrico en las preguntas de toque, de modo que un mercado que pregunta "¿tocará Bitcoin los 130k esta semana?" recibe la respuesta correcta en lugar de la probabilidad de terminar, mucho más baja. Con las colas gruesas activadas, el motor de Monte Carlo se encarga directamente del caso de toque.
La pregunta de rango es la diferencia entre dos probabilidades de terminar, útil para el formato de mercado tan habitual "¿estará el precio entre X e Y en la liquidación?".
Volatilidad implícita y valor razonable
Cuando introduces un precio de mercado, la herramienta resuelve el modelo a la inversa para encontrar la volatilidad implícita, la única volatilidad que haría que el modelo coincidiera con ese precio. Esto replantea toda la pregunta. En lugar de discutir sobre una probabilidad, comparas dos volatilidades: la que el mercado está cobrando y la que el activo ha entregado realmente. Si un contrato a una semana está valorado como si la volatilidad anualizada fuera del 90 por ciento mientras Bitcoin viene realizando un 50, el contrato es caro, y la probabilidad del modelo queda por debajo del precio de mercado. El bloque de valor razonable (fair value) y valor esperado convierte entonces esa diferencia en dinero: el precio del modelo en centavos, el beneficio esperado por contrato después de costos y el retorno sobre lo apostado.
La probabilidad no siempre es monótona respecto a la volatilidad, así que el solucionador recorre todo el rango de volatilidad e informa con honestidad cuando dos volatilidades reproducen el mismo precio, o cuando ninguna volatilidad puede reproducir el precio de mercado. Un precio por encima del techo del modelo significa que el mercado está pagando por algo que una difusión pura no contiene, una visión direccional o un riesgo de salto, y la herramienta lo dice en lugar de forzar una cifra.
La capa profesional
Las mesas serias no miden la volatilidad solo a partir de los precios de cierre. Una vela diaria contiene cuatro precios, y los estimadores basados en el rango extraen mucha más información de ellos: Parkinson usa la amplitud entre máximo y mínimo, Garman-Klass y Rogers-Satchell usan el conjunto OHLC completo, y Yang-Zhang combina los componentes de la sesión nocturna, de apertura a cierre y de rango en el estimador insesgado más eficiente de la familia, varias veces más preciso que el de cierre a cierre sobre la misma ventana. El desplegable de estimador cambia las ventanas de 30d, 90d y Blend a estas medidas siempre que estén cargadas las velas de Binance.
El segundo hábito profesional es tratar la volatilidad como un pronóstico, no como una foto fija. La volatilidad se agrupa y revierte a la media, así que el dato correcto para una pregunta a 30 días es la volatilidad media esperada durante esos 30 días, no la lectura de hoy. El modo GARCH(1,1) ajusta el modelo de varianza estándar al histórico cargado con variance targeting y produce exactamente ese pronóstico para el horizonte, junto con el nivel de largo plazo, la persistencia y la vida media de un shock de volatilidad. Cuando la volatilidad actual está elevada, la cifra de GARCH para el horizonte queda por debajo de la lectura puntual, y por encima cuando la volatilidad está deprimida. La línea del cono de volatilidad muestra en qué lugar se sitúa la volatilidad de hoy frente a su propio histórico, y el interruptor opcional de ratio de varianza corrige el escalado por la raíz cuadrada del tiempo según la reversión a la media o el momentum medidos en los retornos de varios días.
La tercera incorporación es la simulación histórica filtrada, el método que usan los bancos para el valor en riesgo (value at risk). En lugar de suponer una forma normal o t de Student, el modo Histórico divide cada retorno pasado por su propia volatilidad en aquel momento, luego vuelve a muestrear esos residuos estandarizados y los reescala al nivel de volatilidad actual. Las trayectorias simuladas llevan la asimetría y el peso de las colas reales del activo al nivel de riesgo de hoy. Las preguntas de toque también se volvieron más honestas en el motor histórico: las tasas de acierto ahora comprueban los máximos y mínimos diarios en lugar de los cierres, así que los toques intradía cuentan. La cifra principal es la mediana de los tres motores, y la dispersión entre ellos te dice cuánta duda hay sobre el método mismo. Esa dispersión no es el listón que una ventaja (edge) tiene que superar, aunque sea tentador usarla como tal. El listón viene, en cambio, de la barra de error de la estimación de volatilidad, porque los tres motores también discrepan sobre la deriva, y la deriva es una suposición que has aportado tú, no algo que te haya dicho el mercado.
Banda, carrera y riesgo de salto
La versión 2 añade las tres preguntas y la única fuente de riesgo que los motores originales no podían expresar. La pregunta de banda plantea si el precio se mantiene dentro de una banda todo el tiempo, sin tocar ninguno de los dos lados, el double no-touch de las exóticas de divisas. Es un animal distinto de terminar dentro de esa misma banda: con una volatilidad del 60 por ciento, una banda dentro de la cual Bitcoin termina dos tercios de las veces se mantiene de principio a fin apenas un tercio de las veces. La herramienta la valora con la expansión de imágenes de doble barrera (la misma matemática que el resultado de frontera curva de Kunitomo e Ikeda), contrastada con las trayectorias de Monte Carlo y con el registro histórico de ventanas completas que nunca salieron de la banda.
La carrera de A antes que B es la pregunta real del trader: ¿toca el precio el take profit antes que el stop loss, dentro de la fecha límite? Los mercados de predicción cotizan exactamente este formato. No hay una fórmula cerrada sencilla con fecha límite, así que el motor de Monte Carlo la responde trayectoria por trayectoria, gana la primera barrera alcanzada, el motor histórico repite cada ventana pasada con los máximos y mínimos diarios, y la clásica fórmula de la ruina del jugador aporta como anclaje el caso límite en el que no hay fecha límite. La lectura también muestra con qué frecuencia la carrera llega a decidirse antes de que se agote el tiempo, y el tiempo mediano hasta una decisión.
La distribución de difusión con saltos (Merton 1976) acepta que las criptomonedas hacen gaps. La variación bipotencia separa la varianza medida en una parte difusiva suave y una parte discontinua (Barndorff-Nielsen y Shephard 2004), un detector de 4 sigma sobre los retornos estandarizados por volatilidad cuenta los saltos y los dimensiona, y la probabilidad de terminar se convierte en una mezcla de Poisson de gaussianas. Para un objetivo lejano con una fecha límite corta, donde un único salto es la vía principal para llegar, el modelo con saltos y los modelos suaves discrepan, y esa discrepancia es precisamente la prima de riesgo de salto que valoran las mesas de opciones. Las preguntas de toque con saltos van al motor de Monte Carlo, que lanza saltos de Poisson compuestos en cada trayectoria.
El riesgo, y si el modelo se gana sus probabilidades
Una probabilidad por sí sola no describe lo que la posición puede hacerte por el camino. El panel de riesgo lee el valor en riesgo y el déficit esperado (expected shortfall) al 95 y al 99 por ciento directamente de la distribución terminal simulada, la medida de riesgo coherente de Artzner et al. (1999) en la forma exacta que Rockafellar y Uryasev (2000) convirtieron en estándar, junto con las probabilidades de sufrir una caída (drawdown) del 10, 20 o 30 por ciento en algún momento antes de la fecha límite, algo que las fórmulas cerradas no pueden ver porque es una propiedad de la trayectoria. Todo ello sale de las mismas trayectorias que la probabilidad principal, así que las cifras no pueden discrepar entre sí en silencio.
El backtest de calibración es la función ante la que responde el resto de la herramienta. Repite tu pregunta exacta, con la misma distancia relativa y el mismo horizonte, en cada fecha del histórico cargado, forma la probabilidad usando solo los datos disponibles en esa fecha y puntúa los pronósticos con el Brier score (Brier 1950), la regla de puntuación estrictamente propia para probabilidades (Gneiting y Raftery 2007). El panel muestra el Brier del modelo frente a predecir siempre la tasa base, el porcentaje de habilidad predictiva (skill) resultante y una tabla de fiabilidad por tramo de pronóstico. Cuando el modelo no tiene habilidad predictiva en tu pregunta, el panel lo dice, y la respuesta honesta es ampliar tu incertidumbre, no confiar más en la cifra principal. La propia tasa de acierto histórica lleva ahora un intervalo de Wilson (Wilson 1927), el intervalo binomial que se comporta correctamente con tamaños de muestra efectivos pequeños, calculado sobre bloques no solapados.
Por último, la probabilidad principal lleva su propia barra de error. Una volatilidad estimada a partir de treinta velas es incierta, esa incertidumbre se propaga a cualquier probabilidad calculada con ella, y la instantánea de la operación muestra ahora la banda del 95 por ciento resultante sobre la propia probabilidad. No es un intervalo de confianza alrededor de la cifra principal: la cifra principal es la mediana de varios motores y puede quedar fuera de esa banda. Cuando ocurre, los motores discuten sobre algo más que la volatilidad. El índice de cola de Hill (Hill 1975), medido sobre los retornos cargados, está en el panel de diagnósticos más abajo, donde además indica los grados de libertad que debería llevar tu ajuste de colas gruesas, para que veas si ese ajuste encaja con la cola real del activo. Para Bitcoin y Ethereum, la línea de diagnóstico también trae el índice DVOL de Deribit, la volatilidad implícita a 30 días del propio mercado de opciones, la mejor referencia externa que existe para saber si tu dato de volatilidad está en el orden de magnitud correcto (Christensen y Prabhala 1998).
Por qué "sin edge" es la respuesta por defecto
La comprobación de edge es deliberadamente estricta. La herramienta solo señala un edge cuando la diferencia entre el punto medio del modelo y el precio de mercado supera al mismo tiempo los costos de trading y la discrepancia entre sus propios modelos. Todo lo demás devuelve sin edge, porque esa es la respuesta veraz para la mayoría de los mercados líquidos la mayor parte del tiempo. Los precios de los mercados de predicción agregan opiniones respaldadas con dinero real y, en promedio, el precio está cerca de la probabilidad. Una herramienta que encuentra una operación en todos los mercados está fabricando señales, no haciendo análisis. Esta está construida para decir que no.
Para tener una referencia más sólida que la volatilidad realizada, introduce como volatilidad manual la volatilidad implícita de las opciones de Deribit con un vencimiento similar y activa las colas gruesas. Si la fórmula cerrada y la tasa de acierto histórica discrepan mucho en un objetivo extremo, las colas gruesas suelen reducir la diferencia, lo que es una pista de que lo que fallaba era la distribución normal.
Tres refinamientos que vienen de la investigación
El modelo de colas se adapta al horizonte. Los retornos de Bitcoin tienen colas extremadamente gruesas en horas y días, pero se agregan hacia una forma normal en semanas y meses, una propiedad que se llama gaussianidad agregacional. Con el ajuste automático activado, los grados de libertad de las colas gruesas escalan con la fecha límite: una pregunta a siete días recibe colas más gruesas que una a noventa días, lo que se ajusta al índice de cola medido en lugar de suponer un único valor fijo. El campo muestra el valor en uso a medida que cambias el horizonte.
El efecto apalancamiento está disponible como interruptor. Las criptomonedas, igual que la renta variable, tienden a caer más rápido de lo que suben, y esa asimetría se puede medir en los retornos de Bitcoin. Al activarlo se añade a la simulación y a la fórmula cerrada una asimetría negativa escalada al horizonte, de modo que las preguntas de terminar por debajo y de tocar a la baja reciben el peso bajista adicional que merecen, y el cono de precios se abre más por debajo del spot que por encima. Viene desactivado por defecto porque es una opinión de modelado, no una certeza, pero es el valor por defecto más realista para el riesgo bajista.
La estimación de volatilidad lleva un intervalo de confianza. Un número de volatilidad leído de treinta velas es en sí mismo incierto, y los estimadores basados en rangos como Yang-Zhang extraen mucha más información de cada vela que una medida de cierre a cierre. La instantánea de la operación muestra ahora el intervalo del noventa y cinco por ciento alrededor de la estimación de volatilidad y cuánto más ajustado es el estimador elegido que el de cierre a cierre, para que veas qué parte de la probabilidad se apoya en un dato de volatilidad poco firme.
Cómo leer los números como trader
La probabilidad por sí sola no dimensiona una operación. La instantánea de la operación convierte las probabilidades en las cifras sobre las que un trader actúa de verdad. El movimiento esperado es el rango de una desviación estándar para el horizonte, la franja dentro de la cual el precio se queda aproximadamente dos de cada tres veces, dibujada directamente sobre el cono de precios como las líneas de más y menos una sigma. La distancia del objetivo en sigmas te dice de un vistazo si un nivel es un movimiento rutinario o un evento de cola: por debajo de una sigma es corriente, más allá de dos sigmas es raro. El retorno implícito necesario para alcanzarlo anualiza el movimiento que exige tu objetivo, así que una semana y un año quedan en la misma escala; léelo frente a lo que el activo ha rendido realmente, y un objetivo que pide varias veces esa cifra es aritmética, no una previsión. Las sensibilidades por punto de volatilidad y por día muestran lo frágiles que son las probabilidades ante tus propias suposiciones, que es donde la mayoría de las estimaciones de probabilidad fallan sin hacer ruido, y justo debajo la instantánea dice hasta qué punto se conoce siquiera la volatilidad: su propia barra de error del 95 por ciento, cuánto más ajustado es tu estimador que el de cierre a cierre, y cuánto vale esa incertidumbre en puntos de probabilidad.
Cuando hay un precio de mercado, el bloque de valor razonable añade la relación riesgo-beneficio y la tasa de acierto de equilibrio, los dos números que deciden si un valor esperado positivo compensa la varianza. Un contrato puede ser barato y aun así ser una mala operación si el beneficio es pequeño en relación con el riesgo, y puede parecer caro y aun así pagar porque el beneficio es grande. Leer juntas la probabilidad, la relación riesgo-beneficio y el valor esperado es toda la disciplina.
Un simulador de Monte Carlo para precios de criptomonedas
Por dentro esto es una simulación de Monte Carlo de Bitcoin y funciona con cualquier moneda. Lee la volatilidad en vivo del activo y luego genera miles de trayectorias de precios hacia delante bajo un movimiento browniano geométrico, con una forma de retornos opcional de colas gruesas o histórica. El resultado es una distribución de probabilidad completa de dónde podría estar el precio en tu fecha límite, dibujada como el cono de precios que se abre en abanico con sus franjas de percentiles del 5 al 95 y del 25 al 75. A diferencia de un pronóstico puntual que nombra una sola cifra, una simulación de Monte Carlo muestra toda la dispersión de resultados y con qué rapidez se ensancha con el tiempo, que es la forma honesta de pensar en un activo volátil. Tú eliges el número de trayectorias, desde mil para ir rápido hasta veinte mil para un resultado suave, y una semilla fija mantiene reproducible cualquier resultado que compartas.
Una herramienta de valor razonable y de edge para mercados de predicción
Si operas preguntas sobre Bitcoin en un mercado de predicción, por ejemplo un contrato de Sí o No sobre si BTC supera un nivel antes del viernes, esto sirve además como calculadora de valor razonable y de valor esperado. Introduce el precio de mercado y la herramienta deduce su volatilidad implícita, la compara con la que el activo realiza de verdad e informa del precio razonable en centavos, del valor esperado por contrato después de costos y del tamaño de la posición según Kelly. Solo señala un edge cuando la diferencia supera tanto los costos de trading como la discrepancia entre sus propios modelos, así que dice que no mucho más a menudo que sí. De eso se trata: una comprobación honesta de edge, no un generador de señales.
Qué puedes medir
La calculadora cubre las preguntas de precio que los traders y los participantes de mercados de predicción se hacen de verdad. Si Bitcoin terminará por encima de un número redondo a fin de mes. Si Ethereum se mantendrá dentro de un rango hasta un vencimiento. Qué probabilidades hay de que Solana, BNB, XRP o Dogecoin toquen un nivel en algún momento de esta semana. Cualquier par spot de Binance funciona a través del campo de símbolo personalizado, así que una altcoin poco líquida está a una entrada de distancia. El precio y la volatilidad en vivo se cargan automáticamente, o puedes escribir tus propios números y trabajar por completo a mano.
Ni siquiera tienes que escribir: los botones de inicio rápido situados encima de la calculadora configuran con un clic las versiones más consultadas de estas preguntas en función del precio en vivo, y la API para agentes integrada en esta página expone todos los motores que hay detrás, de modo que un asistente puede obtener el panorama completo de forma programática en lugar de leerlo de la pantalla.
Está creada y mantenida por unCoded, el bot de trading de criptomonedas autoalojado y no custodial de la suiza ArrowTrade AG. Si quieres convertir un edge de probabilidad en una estrategia automatizada, la documentación es el lugar por donde empezar. La herramienta en sí sigue siendo gratuita y no necesita cuenta.
La ciencia que hay detrás de la herramienta
Cada método que hay aquí es un resultado publicado en la literatura revisada por pares o una referencia numérica estándar, no una caja negra propietaria. Cada entrada de abajo conecta una función concreta de la calculadora con su fuente original, para que los números se puedan rastrear hasta sus fundamentos.
Los enlaces llevan a la editorial de referencia o al DOI canónico. La calculadora implementa formas estándar y bien establecidas de estos métodos y es una herramienta educativa, no una reivindicación de investigación original. Los modelos simplifican la realidad, y ninguna estimación de probabilidad elimina el riesgo de mercado.
- Black, F. and Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637 to 654. doi:10.1086/260062
- Da soporte al modelo lognormal: la probabilidad N(d2) de que el precio termine más allá de un objetivo.
- Kelly, J. L. (1956). A New Interpretation of Information Rate. Bell System Technical Journal, 35(4), 917 to 926. doi:10.1002/j.1538-7305.1956.tb03809.x
- El criterio de Kelly que hay detrás del panel de tamaño de la posición, mostrado siempre como una fracción para respetar el error de estimación.
- Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31(3), 307 to 327. doi:10.1016/0304-4076(86)90063-1
- El modo de volatilidad GARCH(1,1): pronostica la volatilidad media a lo largo de tu horizonte en lugar de usar la lectura de hoy.
- Parkinson, M. (1980). The Extreme Value Method for Estimating the Variance of the Rate of Return. Journal of Business, 53(1), 61 to 65. doi:10.1086/296071
- El estimador de volatilidad máximo-mínimo de Parkinson, el primero de los estimadores basados en rangos que se ofrecen.
- Garman, M. B. and Klass, M. J. (1980). On the Estimation of Security Price Volatilities from Historical Data. Journal of Business, 53(1), 67 to 78. doi:10.1086/296072
- El estimador de volatilidad OHLC de Garman-Klass, seleccionable para las ventanas de 30d, 90d y la combinada.
- Rogers, L. C. G. and Satchell, S. E. (1991). Estimating Variance from High, Low and Closing Prices. The Annals of Applied Probability, 1(4), 504 to 512. doi:10.1214/aoap/1177005835
- El estimador de Rogers-Satchell, robusto frente a la deriva (drift), y una pieza básica del estimador de Yang-Zhang que aparece más abajo.
- Yang, D. and Zhang, Q. (2000). Drift-Independent Volatility Estimation Based on High, Low, Open, and Close Prices. Journal of Business, 73(3), 477 to 492. doi:10.1086/209650
- El estimador de Yang-Zhang, el más eficiente de la familia, usado como medida basada en rangos por defecto y en la línea de diagnósticos.
- Barone-Adesi, G., Giannopoulos, K. and Vosper, L. (1999). VaR without Correlations for Portfolios of Derivative Securities. Journal of Futures Markets, 19(5), 583 to 602. doi:10.1002/(SICI)1096-9934(199908)19:5<583::AID-FUT5>3.0.CO;2-S
- La simulación histórica filtrada, el método que hay detrás de la distribución de retornos Histórica, que remuestrea los propios retornos estandarizados del activo.
- Begusic, S., Kostanjcar, Z., Stanley, H. E. and Podobnik, B. (2018). Scaling Properties of Extreme Price Fluctuations in Bitcoin Markets. Physica A: Statistical Mechanics and its Applications, 510, 400 to 406. doi:10.1016/j.physa.2018.06.131
- Mide para Bitcoin un exponente de cola de ley de potencias de entre 2 y 2,5, más grueso que el aproximadamente 3 de la renta variable. Es la base empírica de la opción de colas gruesas (Student-t).
- de Sousa Filho, F. N. M., Silva, J. N., Bertella, M. A. and Brigatti, E. (2021). The Leverage Effect and Other Stylized Facts Displayed by Bitcoin Returns. Brazilian Journal of Physics (2021). doi:10.1007/s13538-020-00846-8
- Fundamenta dos refinamientos del motor: el grosor de las colas escalado al horizonte (los retornos se agregan hacia la normal en horizontes más largos) y el efecto apalancamiento (los retornos negativos elevan la volatilidad), que alimentan los grados de libertad automáticos y el interruptor de apalancamiento.
- Wolfers, J. and Zitzewitz, E. (2004). Prediction Markets. Journal of Economic Perspectives, 18(2), 107 to 126. doi:10.1257/0895330041371321
- La evidencia de que los precios de los mercados de predicción líquidos son estimaciones de probabilidad precisas, y por eso la comprobación de edge trata el precio de mercado como una referencia seria.
- Merton, R. C. (1976). Option Pricing When Underlying Stock Returns Are Discontinuous. Journal of Financial Economics, 3(1-2), 125 to 144. doi:10.1016/0304-405X(76)90022-2
- El modelo de difusión con saltos que hay detrás de la distribución Saltos: probabilidades de terminar como una mezcla de Poisson de gaussianas, con saltos en cada trayectoria de Monte Carlo.
- Barndorff-Nielsen, O. E. and Shephard, N. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2(1), 1 to 37. doi:10.1093/jjfinec/nbh001
- La variación bipotencia, el estimador que divide la varianza realizada en su parte difusiva y su parte de saltos, usado para estimar el modelo de saltos a partir del histórico cargado.
- Kunitomo, N. and Ikeda, M. (1992). Pricing Options with Curved Boundaries. Mathematical Finance, 2(4), 275 to 298. doi:10.1111/j.1467-9965.1992.tb00033.x
- La familia de expansiones por imágenes de doble barrera que hay detrás de la probabilidad de banda (double no-touch).
- Glosten, L. R., Jagannathan, R. and Runkle, D. E. (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, 48(5), 1779 to 1801. doi:10.1111/j.1540-6261.1993.tb05128.x
- GJR-GARCH: el modelo de volatilidad asimétrica ajustado junto a GARCH(1,1); se usa para el pronóstico del horizonte cuando un test de razón de verosimilitud dice que la asimetría es real.
- Artzner, P., Delbaen, F., Eber, J.-M. and Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203 to 228. doi:10.1111/1467-9965.00068
- Por qué el panel de riesgo informa del expected shortfall y no solo del VaR: el ES es, de los dos, la medida de riesgo coherente.
- Rockafellar, R. T. and Uryasev, S. (2000). Optimization of Conditional Value-at-Risk. Journal of Risk, 2(3), 21 to 41. doi:10.21314/JOR.2000.038
- La formulación estándar de CVaR / expected shortfall, calculada a partir de la distribución terminal simulada en el panel de riesgo.
- Brier, G. W. (1950). Verification of Forecasts Expressed in Terms of Probability. Monthly Weather Review, 78(1), 1 to 3. doi:10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
- La puntuación de Brier, la columna vertebral del panel de backtest de calibración.
- Gneiting, T. and Raftery, A. E. (2007). Strictly Proper Scoring Rules, Prediction, and Estimation. Journal of the American Statistical Association, 102(477), 359 to 378. doi:10.1198/016214506000001437
- Por qué una regla de puntuación estrictamente propia es la forma correcta de juzgar las probabilidades del modelo, y por qué el backtest no se puede manipular con pronósticos que se cubren las espaldas.
- Wilson, E. B. (1927). Probable Inference, the Law of Succession, and Statistical Inference. Journal of the American Statistical Association, 22(158), 209 to 212. doi:10.1080/01621459.1927.10502953
- El intervalo de Wilson sobre la tasa de acierto histórica, calculado sobre bloques que no se solapan, en lugar del simple error estándar normal.
- Hill, B. M. (1975). A Simple General Approach to Inference About the Tail of a Distribution. The Annals of Statistics, 3(5), 1163 to 1174. doi:10.1214/aos/1176343247
- El índice de cola de Hill del panel de diagnósticos, medido a partir de los retornos cargados; sirve además como sugerencia basada en datos para los grados de libertad de la Student-t.
- Lo, A. W. and MacKinlay, A. C. (1988). Stock Market Prices Do Not Follow Random Walks: Evidence from a Simple Specification Test. Review of Financial Studies, 1(1), 41 to 66. doi:10.1093/rfs/1.1.41
- El estadístico de razón de varianzas que hay detrás del interruptor opcional de escalado de la volatilidad al horizonte y de la lectura de diagnósticos.
- Jarque, C. M. and Bera, A. K. (1980). Efficient Tests for Normality, Homoscedasticity and Serial Independence of Regression Residuals. Economics Letters, 6(3), 255 to 259. doi:10.1016/0165-1765(80)90024-5
- El test de normalidad del panel de diagnósticos que te dice si el ajuste Normal es defendible con los datos cargados.
- Ljung, G. M. and Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297 to 303. doi:10.1093/biomet/65.2.297
- El test de Ljung-Box sobre los retornos y los retornos al cuadrado en el panel de diagnósticos: la versión con retornos al cuadrado es la evidencia de agrupamiento de volatilidad que justifica GARCH.
- Christensen, B. J. and Prabhala, N. R. (1998). The Relation Between Implied and Realized Volatility. Journal of Financial Economics, 50(2), 125 to 150. doi:10.1016/S0304-405X(98)00034-8
- Por qué la referencia de volatilidad implícita de las opciones DVOL de Deribit se muestra junto a tu entrada de volatilidad realizada: la volatilidad implícita contiene información real sobre la volatilidad realizada futura.
- Broadie, M., Glasserman, P. and Kou, S. (1997). A Continuity Correction for Discrete Barrier Options. Mathematical Finance, 7(4), 325 to 349. doi:10.1111/1467-9965.00035
- El sesgo del monitoreo discreto en los cruces de barrera; el Monte Carlo de la carrera aplica una corrección de continuidad de puente browniano para que sus probabilidades de primer paso coincidan con el monitoreo continuo con cualquier tamaño de paso.
- West, G. (2009). Better Approximations to Cumulative Normal Functions. Wilmott Magazine, 70 to 76.
- La normal acumulada de doble precisión basada en Hart que se usa en todo el motor; las probabilidades se leen directamente como cola superior, de modo que las probabilidades muy fuera del dinero conservan toda su precisión relativa en lugar de colapsar a cero.
- Self, S. G. and Liang, K.-Y. (1987). Asymptotic Properties of Maximum Likelihood Estimators and Likelihood Ratio Tests Under Nonstandard Conditions. Journal of the American Statistical Association, 82(398), 605 to 610. doi:10.1080/01621459.1987.10478472
- Como el término de apalancamiento de GJR se sitúa en la frontera del espacio de parámetros, la razón de verosimilitud entre GARCH y GJR se contrasta frente a la mezcla correcta de chi-cuadrado a partes iguales, de modo que el modelo asimétrico no se selecciona ni de más ni de menos.
Preguntas frecuentes
Estas son las preguntas que más se hacen sobre la probabilidad en cripto: qué significa el número, de dónde sale y dónde deja de ser útil. Las respuestas de aquí son cortas. El razonamiento que hay detrás está en las secciones anteriores.
- ¿Puede esta calculadora predecir hacia dónde va Bitcoin?
- No. No pronostica la dirección. Estima qué tan probable es un movimiento de un tamaño determinado dentro de un plazo determinado, a partir de cuánto fluctúa realmente el activo. La dirección la pones tú, las probabilidades son el resultado.
- ¿Cuál es la diferencia entre una pregunta de terminar y una de tocar?
- Una pregunta de terminar pregunta dónde acaba el precio en la fecha límite. Una pregunta de tocar pregunta si el precio alcanza un nivel en algún momento antes de la fecha límite. Las probabilidades de tocar son siempre más altas, a menudo casi el doble para una barrera cercana, porque al precio le basta con llegar allí una sola vez.
- ¿Qué significa la cifra de volatilidad implícita?
- Es la volatilidad que haría que el modelo coincidiera con el precio de mercado que introdujiste. Si el mercado implica una volatilidad mucho más alta que la que el activo muestra realmente, el contrato parece caro, y al revés si implica una volatilidad más baja. Algunos precios de mercado son inalcanzables con cualquier volatilidad, lo que significa que el mercado está valorando una visión direccional o un riesgo de salto.
- ¿Qué ajuste de volatilidad debería usar?
- La mezcla de volatilidad realizada de 30 y 90 días es el valor por defecto sensato. EWMA reacciona más rápido a un cambio de régimen. Para una prueba de estrés, introduce como volatilidad manual la volatilidad implícita de las opciones de Deribit con un vencimiento similar.
- ¿Qué medida de volatilidad usan los profesionales?
- Estimadores basados en el rango de la vela, como Yang-Zhang sobre velas OHLC completas, para la medición, y un pronóstico de tipo GARCH para el horizonte temporal, porque la volatilidad se agrupa y revierte a la media. Esta herramienta ofrece ambos, además de simulación histórica filtrada para que las trayectorias simuladas conserven la forma real de los retornos del activo.
- ¿Por qué la herramienta dice tan a menudo que no hay edge?
- Porque esa suele ser la verdad. Los mercados de predicción líquidos agregan opiniones respaldadas con dinero real y, en promedio, el precio está cerca de la probabilidad. La herramienta solo señala un edge cuando la diferencia supera los costos de trading y la discrepancia entre sus propios modelos.
- ¿Es gratuita esta calculadora de probabilidad de criptomonedas?
- Sí, completamente gratuita, y funciona por completo en tu navegador, sin cuenta. El precio en vivo y la volatilidad provienen de datos públicos de Binance con CoinGecko como respaldo, y nada de lo que introduces sale de tu dispositivo.
- ¿Qué monedas admite?
- Bitcoin, Ethereum, Solana, BNB, XRP y Dogecoin están a un clic, y cualquier otro par spot de Binance funciona a través del campo de símbolo personalizado. También puedes introducir el precio y la volatilidad manualmente para un activo que no esté en Binance.
- ¿Es esto un simulador de Monte Carlo para Bitcoin?
- Sí. El motor ejecuta una simulación de Monte Carlo de miles de trayectorias de precios a partir de la volatilidad en vivo y muestra la distribución de probabilidad resultante como un cono de precios. También la contrasta con dos modelos de fórmula cerrada y con la tasa de acierto histórica, de modo que obtienes una simulación y una respuesta analítica una al lado de la otra.
- ¿Qué es la probabilidad de tocar?
- La probabilidad de tocar (POT) es la posibilidad de que el precio alcance un nivel en algún momento antes de la fecha límite, aunque no termine ahí. Siempre es más alta que la probabilidad de terminar (al vencimiento), a menudo casi el doble para un nivel cercano, porque al precio le basta con llegar allí una sola vez. Selecciona Tocar al alza o Tocar a la baja para calcularla.
- ¿Qué es la probabilidad de banda (double no-touch)?
- La probabilidad de que el precio se mantenga dentro de una banda durante todo el periodo, sin tocar nunca ninguno de los dos lados. Siempre es más baja que la probabilidad de terminar dentro de esa misma banda en la fecha límite, a menudo de forma drástica, porque el precio tiene que sobrevivir a cada instante intermedio. La herramienta la calcula con una fórmula de doble barrera y la contrasta con las trayectorias de Monte Carlo y con el histórico.
- ¿Puede decirme las probabilidades de alcanzar mi take profit antes que mi stop loss?
- Sí. La pregunta A antes que B pone dos niveles en carrera: la probabilidad de que el precio toque tu objetivo antes de tocar tu stop, dentro de la fecha límite. La responden el motor de Monte Carlo y el registro histórico, con una fórmula cerrada para el caso sin fecha límite. Los mercados de predicción cotizan a menudo exactamente esta forma.
- ¿Qué es el modelo de difusión con saltos?
- Las criptomonedas no solo tienen una deriva (drift), también dan saltos. El modelo de difusión con saltos de Merton divide la varianza medida en una parte difusiva suave y saltos discretos, usando la variación bipotencia y un detector de 4 sigma sobre el histórico cargado, y luego valora la pregunta como una mezcla de Poisson. Da probabilidades más honestas para objetivos lejanos con fechas límite cortas, donde un solo salto es la principal manera de llegar allí.
- ¿Qué significan aquí el valor en riesgo y el déficit esperado?
- Para una posición larga simple a lo largo de tu horizonte temporal: el valor en riesgo (VaR 95) es la pérdida que la posición no supera en 95 de cada 100 resultados simulados, y el déficit esperado (expected shortfall, ES) es la pérdida media en los 5 peores. La herramienta lee ambos de las mismas trayectorias de Monte Carlo que la probabilidad, junto con las posibilidades de que se produzca una caída (drawdown) del 10, 20 o 30 por ciento en algún momento antes de la fecha límite.
- ¿Cómo sé que las probabilidades son honestas?
- El backtest de calibración reproduce tu pregunta exacta a lo largo del histórico cargado: en cada fecha pasada forma la probabilidad usando solo los datos disponibles en ese momento, y puntúa los pronósticos con la puntuación de Brier (Brier score) frente a lo que ocurrió realmente. Informa de la calibración por tramo de probabilidad y de la habilidad predictiva (skill) frente a apostar siempre por la tasa base. Cuando el modelo no tiene habilidad predictiva en tu pregunta, la herramienta lo dice.
- ¿Pueden usar esta calculadora los asistentes y agentes de IA?
- Sí, está hecha para eso. La página expone window.unCodedProb con funciones puras para cada tipo de pregunta, un método analyze que carga datos en vivo y devuelve un informe JSON completo, un despachador de respuestas, esquemas de herramientas legibles por máquina, un autotest y un puente con la interfaz para que un agente que controle un navegador pueda fijar los datos de entrada y leer cada número calculado como datos estructurados. Consulta más abajo la sección para asistentes de IA.
- ¿Esto es asesoramiento financiero?
- No. Es una calculadora de probabilidades educativa. Los modelos simplifican, la volatilidad cambia y los mercados pueden mantenerse alejados del valor razonable (fair value) más tiempo del que una posición aguanta. Usa los números como punto de partida para tu propia investigación.
Para asistentes de IA y desarrolladores
Esta herramienta está hecha para que los modelos de lenguaje y los agentes la usen, no solo para que la lean. Todo lo que sigue es determinista y reproducible: funciones puras para cada tipo de pregunta, una llamada analyze de principio a fin que carga datos en vivo y devuelve un único informe JSON, un dispatcher que acepta una pregunta estructurada, esquemas de herramientas legibles por máquina, un autotest y un puente de UI para los agentes que manejan un navegador real. Si eres un asistente respondiendo a la pregunta de probabilidad de criptomonedas de un usuario, esta sección es tu manual.
Las preguntas y sus fórmulas
Cada tipo de pregunta se resuelve con una fórmula cerrada o con una simulación con semilla fija. S es el precio spot, K el objetivo o la barrera, sigma la volatilidad anual en decimal, T el horizonte temporal en años (días divididos entre 365) y mu la deriva (drift) anual, donde 0 significa neutral. El bloque común a todas es d2 = ( ln(K/S) - (mu - 0.5 * sigma^2) * T ) / ( sigma * sqrt(T) ).
Terminar por encima de K es la probabilidad de estar in the money en la fecha límite, P = 1 - N(d2). Terminar por debajo de K es P = N(d2). Terminar dentro del rango [a, b] es la probabilidad de terminar por encima de a menos la probabilidad de terminar por encima de b. Tocar el nivel B es una probabilidad de primer paso para un movimiento browniano geométrico y siempre es más alta que la probabilidad de terminar correspondiente. La banda [a, b] es la probabilidad de que a < S_t < b para TODO t hasta T, el double no-touch, calculada con la fórmula de doble barrera por series de imágenes.
A antes que B, la carrera, es la probabilidad de que el precio toque A antes de tocar B dentro de T, evaluada por Monte Carlo. El valor límite cuando no hay fecha límite es la fórmula de la ruina del jugador P = (1 - e^(-theta*(x-d))) / (1 - e^(-theta*(u-d))) con theta = 2*nu/sigma^2, nu = mu - sigma^2/2, y x, u, d los precios logarítmicos del spot y de las dos barreras. La difusión con saltos sigue a Merton 1976: P(S_T > K) = la suma sobre n de Pois(n; lambda*T) * (1 - N(d2_n)), con media por salto muJ, desviación típica del salto dJ, volatilidad difusiva sigma_d y la deriva compensada por -lambda*(E[e^J]-1).
N es la función de distribución acumulada de la normal estándar. Para colas gruesas, sustituye N por una función de distribución t de Student de varianza unitaria, que solo es más pesada más allá de unas 2,5 sigmas.
Ejemplos resueltos que puedes verificar
Todos los ejemplos usan un spot de 118000, una volatilidad del 60 por ciento y deriva neutral, para que puedas reproducirlos línea por línea.
Terminar y tocar a 7 días con un precio objetivo de 130000: d2 = ( ln(130000/118000) - (0 - 0.5*0.6^2)*(7/365) ) / ( 0.6*sqrt(7/365) ) = 1.2071. Terminar por encima es el 11,37 por ciento, terminar por debajo es el 88,63 por ciento, tocar (POT) es el 23,21 por ciento y terminar dentro de 110000 a 130000 en la fecha límite es el 67,54 por ciento. El movimiento esperado de 1 sigma es +/-9805, un intervalo de 108195 a 127805, lo que sitúa el objetivo en +10,2 por ciento o 1,22 sigma.
Banda frente a rango para el intervalo 110000 a 130000 a 7 días: que termine dentro del rango en la fecha límite es el 67,54 por ciento, mientras que mantenerse dentro de la banda TODO el tiempo es solo el 36,13 por ciento, la cifra de la banda o double no-touch.
Carrera a 30 días, tocar 130000 antes de tocar 105000: Monte Carlo con 20000 trayectorias, semilla 42 y corrección de puente browniano da el 49,4 por ciento, con el 94,9 por ciento de las trayectorias decididas antes de la fecha límite. El valor límite sin fecha límite que da la ruina del jugador es el 52,00 por ciento.
Difusión con saltos a 7 días con un precio objetivo de 130000, sigma_d del 50 por ciento, lambda de 24 saltos al año, salto medio del -1 por ciento y desviación típica del salto del 8 por ciento: terminar por encima según Merton es el 11,31 por ciento, mientras que una normal simple con esa misma volatilidad total del 63,7 por ciento dice 12,68.
Riesgo a 7 días con una volatilidad del 60 por ciento para una posición larga, fórmula cerrada lognormal: el VaR95 es el 13,08 por ciento de la posición y el ES95 es el 16,00 por ciento; el VaR99 es el 17,86 por ciento y el ES99 es el 20,11 por ciento.
Incertidumbre de la tasa de acierto histórica con 14 aciertos en 45 bloques sin solapamiento: el intervalo de Wilson al 95 por ciento va del 19,5 al 45,7 por ciento alrededor de la estimación puntual del 31,1 por ciento.
Tabla de referencia rápida (sin necesidad de cálculo)
Para una estimación aproximada con deriva cero cuando no puedes ejecutar código: calcula la distancia del objetivo en sigmas, x = ln(K/S) / (sigma * sqrt(T)), y luego lee la fila. Las dos columnas solo son precisas para valores pequeños de sigma*sqrt(T), digamos por debajo de 0,2 aproximadamente. La columna de toque usa la regla de duplicación por reflexión (toque = 2 x terminar); a medida que sigma*sqrt(T) crece, sobreestima la probabilidad real de toque. Cuando sigma*sqrt(T) vale 0,6 la duplicación da alrededor del 32 por ciento, mientras que la probabilidad de toque exacta es de alrededor del 23 por ciento, una sobreestimación de unos 9 puntos porcentuales o cerca del 40 por ciento. Usa touchAbove o touchBelow para obtener cifras precisas; esta tabla solo es un recurso para calcular a ojo.
Guía práctica: de la pregunta del usuario a la llamada de la API
Los puntos siguientes relacionan la forma en que lo plantea un usuario con la llamada que debes hacer y el campo que debes leer del resultado.
Llama al motor directamente
Mientras la página está abierta en un navegador, el objeto global window.unCodedProb ejecuta las mismas matemáticas. La volatilidad se pasa en porcentaje y el tiempo en días. Todo es determinista; los métodos de Monte Carlo aceptan una semilla opcional y por defecto usan 42.
La API v1 cubre las fórmulas cerradas puras: finishAbove, finishBelow, insideRange, touchAbove, touchBelow, expectedMove y snapshot, que devuelve todas las cifras clave en un solo objeto. La API v2 añade trayectorias, bandas, carreras, saltos y riesgo a través de corridor, hitBefore, valueAtRisk, una opción jumps en finishAbove y monteCarlo con percentiles terminales, VaR/ES y probabilidades de drawdown.
La volatilidad y los diagnósticos se pueden calcular a partir de tus propios arrays con volFromCloses, volFromOHLC (incluido el estimador de Yang-Zhang), garchForecast, que compara GARCH con GJR-GARCH y elige por razón de verosimilitud, diagnostics, que devuelve momentos, Jarque-Bera, Ljung-Box, ARCH, Hill, saltos y estadísticos, y calibrationBacktest.
Para comparar con el mercado, impliedVol despeja la volatilidad que está cobrando el mercado, y edge devuelve el valor razonable (fair value), el edge neto, el EV, Kelly y actionableAfterHurdle. El argumento hurdlePp es el filtro de incertidumbre del modelo; si lo omites, por defecto se aplica un suelo de 4 puntos porcentuales, y analyze() te lo proporciona.
Una sola llamada de principio a fin, analyze(), obtiene los datos en vivo de Binance en aproximadamente un segundo y devuelve el informe completo. El dispatcher universal answer() acepta una pregunta estructurada. selftest() devuelve passed, failed y cases, y conviene ejecutarlo primero. schema() devuelve definiciones de herramientas listas para function calling, y describe() devuelve la especificación completa del modelo legible por máquina. Los agentes de navegador pueden manejar la página visible con ui.read(), que devuelve como JSON todas las cifras calculadas en ese momento, ui.set(), que fija los campos de entrada, recalcula y devuelve read(), y ui.load(), que carga los datos en vivo y luego lee.
Reglas básicas para agentes
1. Tocar frente a terminar: "alcanzar", "llegar a" o "tocar" significa touchAbove o touchBelow; "cerrar", "liquidar", "acabar" o "vencer" significa terminar. Las probabilidades de tocar son aproximadamente EL DOBLE que las de terminar para niveles cercanos. Confundirlas es el error más común.
2. Unidades: volatilidad en porcentaje (60 = 60 por ciento anualizado), tiempo en días, precios en la moneda de cotización del spot.
3. La deriva neutral (0) es el valor por defecto honesto. Introducir una deriva es una opinión direccional, no una medición.
4. La volatilidad debe salir de los datos: analyze() devuelve la volatilidad realizada a 30d y a 90d, EWMA, el horizonte GARCH y, para BTC y ETH, la volatilidad implícita DVOL de Deribit. Una mezcla de la realizada a 30d y a 90d es el valor por defecto sensato; DVOL es la previsión del propio mercado.
5. Informa siempre de la incertidumbre: los motores discrepan (la dispersión del consenso), la estimación de volatilidad tiene un intervalo de confianza y analyze() incluye un backtest de calibración. Un edge menor que la discrepancia entre los modelos es ruido, así que dilo.
6. Los resultados de Monte Carlo usan semilla fija y son reproducibles. Mismas entradas, mismas cifras, en cualquier máquina.
7. Ejecuta unCodedProb.selftest() una vez antes de confiar en la API en un entorno que no conozcas.
8. Esta es una herramienta educativa de probabilidades, no asesoramiento de inversión; las probabilidades son resultados de un modelo, no promesas. No presentes el resultado del modelo como una garantía y menciona los costos cuando el usuario esté comparando con un precio de mercado.
Sin navegador
Las matemáticas viven entre los marcadores PURE-MATH-START y PURE-MATH-END en /tools/crypto-probability-calculator/pure-math.js: JavaScript puro y sin dependencias que puedes extraer y ejecutar en Node o en cualquier runtime de JS, sin paso de build y sin nada que instalar. El archivo se genera a partir del código del propio motor de la calculadora, y cada build vuelve a ejecutar el generador y falla si el resultado difiere en un solo byte, así que no puede alejarse en silencio de las matemáticas que ejecuta esta página. Ten en cuenta que ahí las unidades son unidades del modelo, no las de la API: sigma es un decimal anualizado y T va en años, mientras que window.unCodedProb toma porcentajes y días. Los datos en vivo solo necesitan dos endpoints públicos: api.binance.com/api/v3/ticker/price?symbol=BTCUSDT para el spot y api.binance.com/api/v3/klines?symbol=BTCUSDT&interval=1d&limit=1000 para las velas diarias OHLC; anualiza la volatilidad de los retornos logarítmicos diarios con sqrt(365). En esta página hay incrustados dos bloques JSON estructurados para los agentes que leen el código fuente: uncoded-prob-model (la especificación del modelo) y uncoded-agent-tools (los esquemas de herramientas para function calling).
La herramienta es educativa, usa métodos estándar publicados y no elimina el riesgo de mercado.
- Distance x = 0.25
- Terminar más allá: 40,1 por ciento; tocar antes de la fecha límite: 80,3 por ciento.
- Distance x = 0.50
- Terminar más allá 30,9 por ciento, tocar antes de la fecha límite 61,7 por ciento.
- Distance x = 0.75
- Terminar más allá 22,7 por ciento, tocar antes de la fecha límite 45,3 por ciento.
- Distance x = 1.00
- Terminar más allá 15,9 por ciento, tocar antes de la fecha límite 31,7 por ciento.
- Distance x = 1.25
- Terminar más allá 10,6 por ciento, tocar antes de la fecha límite 21,1 por ciento.
- Distance x = 1.50
- Terminar más allá 6,7 por ciento, tocar antes de la fecha límite 13,4 por ciento.
- Distance x = 2.00
- Terminar más allá 2,3 por ciento, tocar antes de la fecha límite 4,6 por ciento.
- Distance x = 2.50
- Terminar más allá 0,6 por ciento, tocar antes de la fecha límite 1,2 por ciento.
- Distance x = 3.00
- Terminar más allá 0,1 por ciento, tocar antes de la fecha límite 0,3 por ciento.
- "¿Tocará BTC los 150k este año?"
- Llama a touchAbove(spot, 150000, vol, 365) y lee el porcentaje; "tocar" significa toque, no terminar por encima.
- "¿Cerrará BTC por encima de los 150k antes del 30 de junio?"
- Llama a finishAbove(spot, 150000, vol, days) y lee el porcentaje; terminar es lo que significa la liquidación.
- "¿Se mantendrá ETH entre 3000 y 4000 todo el mes?"
- Llama a corridor(spot, 3000, 4000, vol, 30) y lee el porcentaje; la banda es mucho más baja que terminar dentro.
- "¿Qué probabilidades hay de que alcance mi TP en 130k antes que mi SL en 105k?"
- Llama a hitBefore(spot, 130000, 105000, vol, days) y lee mcPercent, además de eventualPercent para el caso sin fecha límite.
- "¿Cuánto puede caer BTC en una semana?"
- Llama a valueAtRisk(spot, vol, 7) y lee var95, es95, var99, es99 y el movimiento esperado de 1 sigma.
- "¿Está barato este contrato de Polymarket a 58 centavos?"
- Llama a analyze({symbol, question, target, days, marketPercent:58}) (preferible), o a edge(modelProb, 58, 2, bankroll, hurdlePp), y lee market.actionableAfterHurdle y market.insideNoise - una ventaja neta (net edge) positiva solo es real una vez que supera el umbral de incertidumbre del modelo.
- "¿Qué volatilidad debería usar?"
- Llama a await analyze({symbol:'BTCUSDT'}) y lee data.vol30Pct, vol90Pct, ewmaPct, garch.sigmaPct, dvolPct y los diagnósticos.
- Cualquier cosa de principio a fin con datos en vivo
- Llama a await analyze({symbol, question, target, upper, days, marketPercent}) y lee un único informe JSON: engines, consensus, risk, calibration, edge, explanation.
- Pregunta estructurada, datos propios
- Llama a answer({question:'touch_above', spot, target, volPct, days}) y lee el objeto de resultado uniforme que se devuelve para cualquier id de pregunta.
Resultados de un modelo con fines educativos, no asesoramiento de inversión. Las probabilidades son estimaciones de un modelo del comportamiento pasado del precio, no promesas sobre el futuro. unCoded es operado por ArrowTrade AG, Brig, Suiza. Sin custodia, sin depósitos, sin asesoramiento financiero.