La industria de activos digitales ha construido su propuesta de valor sobre la premisa de que los mecanismos de mercado descentralizados pueden superar a las instituciones centralizadas en eficiencia y precisión. Los datos empíricos acumulados durante el ciclo 2025-2026 ofrecen una validación concreta de esta tesis en un dominio específico: la predicción de resultados económicos y corporativos.
La evidencia empírica: números que no admiten interpretación
El estudio “Beating the Earnings Game: Why Do Prediction Markets Outperform Professional Analysts?”, publicado en abril de 2026 por investigadores de la National University of Singapore, analizó 469 contratos en Polymarket que cubrían 383 empresas estadounidenses entre septiembre de 2025 y febrero de 2026. La metodología comparó la probabilidad implícita en el precio de cierre del mercado de predicción con el consenso de analistas del Institutional Brokers’ Estimate System (IBES), verificando posteriormente contra el resultado real.
Los resultados son categóricos: los mercados de predicción acertaron el 78.5% de los eventos de beat/miss de earnings, frente al 43.7% del consenso de analistas de Wall Street. Esta diferencia de 35 puntos porcentuales no es un margen estadístico menor: sitúa a los analistas profesionales en un nivel apenas superior al azar (50%), mientras que los mercados de predicción operan en un régimen de precisión sustancialmente más alto.
Wolfe Research corroboró estos hallazgos con datos adicionales. Cuando los usuarios de Polymarket apostaban a que una empresa incumpliría las expectativas de earnings, la tasa de acierto alcanzaba el 44%, más del doble del 18% de la tasa histórica de incumplimiento. Cuando los operadores expresaban alta confianza en que una empresa superaría las expectativas, la precisión escalaba al 90%, frente al 81% del promedio de la industria.
El London Business School y Yale University publicaron un working paper en abril de 2026 que refuerza estas conclusiones: los mercados de predicción integran nueva información más rápidamente que los analistas y evitan sesgos estructurales inherentes a las previsiones de Wall Street.
La validación de la Reserva Federal
El respaldo más significativo para la industria proviene de la Reserva Federal. El working paper “Kalshi and the Rise of Macro Markets”, de Anthony Diercks (Federal Reserve Board), Jared Katz (Northwestern University) y Jonathan Wright (Johns Hopkins University y NBER), evaluó el desempeño de Kalshi en la predicción de indicadores macroeconómicos.
Las conclusiones: las predicciones de Kalshi para la tasa de fondos federales fueron aproximadamente tan precisas como las de encuestas profesionales, incluyendo la Survey of Market Expectations del Federal Reserve Bank of New York. En las reuniones del FOMC, la moda de la distribución de Kalshi mostró un error absoluto medio de cero el día de la reunión, superando tanto a las encuestas como a los futuros de fondos federales. El caso más ilustrativo fue la reunión de septiembre de 2024, donde Kalshi asignó mayor peso al recorte de 50 puntos básicos —el que finalmente ocurrió— mientras otros instrumentos se dividían entre 25 y 50 puntos.
Para el IPC de EE.UU., el error absoluto medio de Kalshi el día de publicación fue de 7 puntos básicos, frente a los 8 puntos básicos del consenso de Bloomberg. Para la inflación subyacente y el desempleo, el desempeño fue estadísticamente comparable y, en algunos casos, superior al consenso de Bloomberg. Los autores destacan que Kalshi proporciona una lectura de expectativas para publicaciones mensuales con mucha antelación al consenso de Bloomberg.
El paper concluye que las distribuciones de probabilidad implícitas en los mercados de Kalshi “asignan masa de probabilidad de manera que puede reflejar mejor el rango de resultados macroeconómicos plausibles que los derivados financieros tradicionales o las predicciones basadas en encuestas”.
El rendimiento histórico de los analistas de Wall Street
Para contextualizar estos resultados, es necesario examinar el registro histórico de los expertos de Wall Street. CXO Advisory Group analizó 6,582 predicciones de 68 gurús de inversión entre 1998 y 2012. La tasa de acierto promedio fue del 47% —inferior al lanzamiento de una moneda. Solo el 6% de los predictores superó el 70% de precisión, y la distribución general seguía una curva en forma de campana consistente con resultados aleatorios.
El análisis de Bloomberg sobre las predicciones anuales del S&P 500 reveló que el error promedio de las firmas de Wall Street era 2.5 veces la apreciación anual promedio del índice. Los sesgos estructurales son bien conocidos en la literatura académica: los analistas tienden al optimismo sistemático, al comportamiento de manada y a la lentitud en la incorporación de nueva información. Como señaló John Maynard Keynes, “la sabiduría mundana enseña que es mejor para la reputación fracasar de manera convencional que triunfar de manera no convencional”.
Mecanismos de ventaja: por qué funcionan los mercados de predicción
La superioridad empírica de los mercados de predicción se explica por varios mecanismos operativos.
Incentivos económicos alineados: los participantes arriesgan capital real, lo que crea un filtro de calidad en la información incorporada. Los analistas, en cambio, enfrentan incentivos que pueden desalinearse con la precisión: necesidad de mantener relaciones con la gerencia de las empresas que cubren, presiones de sus empleadores y el costo reputacional de desviarse del consenso.
Agregación de información dispersa: el marco teórico se remonta a Friedrich Hayek (1945), quien argumentó que el conocimiento está disperso entre los participantes del mercado y que el sistema de precios es el mecanismo más eficiente para recopilarlo. Los mercados de predicción trasladan este principio a la predicción de eventos discretos, permitiendo que información privada de fuentes diversas se agregue en un precio único que refleja la probabilidad colectiva.
Actualización en tiempo real: a diferencia de las encuestas periódicas, los contratos de los mercados de predicción reaccionan instantáneamente a comunicados de datos económicos y declaraciones de autoridades.
Ventaja en entornos de alta incertidumbre: la investigación de Kalshi demostró que cuando los datos reales se desvían significativamente de las expectativas, la precisión de los mercados de predicción supera al consenso de Wall Street en hasta un 67%. La ventaja se amplifica precisamente cuando predecir es más difícil.
Implicaciones para el ecosistema crypto
Los mercados de predicción basados en blockchain representan una aplicación concreta de la tesis descentralizadora con validación empírica. Polymarket, el mayor mercado de predicción basado en blockchain, ha demostrado capacidad para superar a instituciones centralizadas con presupuestos de investigación de seis cifras.
Intercontinental Exchange (ICE) —propietaria de la Bolsa de Nueva York— invirtió USD 2,000 millones en Polymarket, valorando la plataforma en USD 8,000 millones pre-inversión. Kalshi aseguró USD 300 millones con respaldo de Sequoia, AI6Z y Paradigm. Las dos plataformas combinaron USD 1,440 millones en volumen durante septiembre de 2025.
La infraestructura técnica evoluciona hacia modelos nativos de blockchain. Hyperliquid ha lanzado mercados de predicción gobernados por sus 24 validadores, eliminando la dependencia de oráculos externos como Chainlink o Pyth. Polymarket utiliza el Optimistic Oracle de UMA para la resolución de disputas.
Sin embargo, persisten limitaciones que la industria debe reconocer. Los contratos de earnings en Polymarket representaban apenas USD 795,315 en volumen semanal, el 0.03% del volumen total de la plataforma. La investigación del Centre for Economic Policy Research ha identificado evidencia de “favorite-longshot bias” en los mercados de Kalshi: los operadores tienden a sobrevalorar resultados improbables y subvalorar favoritos. Un estudio de 2024 sobre las elecciones presidenciales de EE.UU. observó una precisión del 78% en Kalshi y del 67% en Polymarket.
