Por qué el 90 % de los bots de trading cripto pierde dinero: anatomía forense de 7 modos de fallo
El 90 % de los bots de trading cripto pierde dinero, pero los modos de fallo son predecibles. Desglose forense de 7 asesinos de estrategia con fixes a nivel de código. Datos 2026.
La estadística "el 90 % de los traders pierde dinero" es uno de los números más citados en finanzas retail, y uno de los menos comprendidos. No proviene de un estudio sobre bots de trading cripto. Proviene de disclosures de brokers y datasets de trading retail que en su mayoría miden a humanos haciendo clic en botones. Cuando separas el rendimiento de bots retail del trading discrecional humano, sin embargo, la tasa de fallo cae aproximadamente en el mismo rango. Las causas son predecibles.
Este es un desglose forense de esas causas. No una lista de tópicos del estilo "controla tus emociones". Cada sección nombra un modo de fallo, muestra dónde aparece en el ciclo de vida del bot (backtest, ejecución en vivo, decay tras despliegue) y termina con un fix concreto que puedes implementar antes del próximo despliegue.
Si has visto una estrategia imprimir curvas de equity limpias en backtest y sangrar PnL en producción, ya has conocido al menos dos de los siete fallos siguientes.
De dónde viene realmente el "90 % pierde dinero"
El titular "el 90 % de los traders pierde dinero" no es trazable a un único estudio canónico. Es el consenso direccional que emerge cuando apilas tres flujos de evidencia independientes: disclosures obligatorios de brokers, estudios académicos revisados por pares y datos on-chain adyacentes. Ningún estudio publicado aísla específicamente el rendimiento retail de bots cripto. El rango, sin embargo, está bien establecido.
Empieza por los disclosures obligatorios de brokers. Desde 2018, la ESMA exige a los brokers de CFD regulados en la UE publicar advertencias estandarizadas mostrando el porcentaje de cuentas retail que pierde dinero. En toda la industria, esos disclosures se sitúan consistentemente en el rango 74–89 %. La filial UK de eToro, regulada por la FCA, divulga actualmente un 77 % de pérdidas retail; otros brokers UK están más arriba. Esos números son legalmente auditables y se actualizan trimestralmente.
El registro académico coincide. El estudio más riguroso de rentabilidad en day-trading retail es Chague, De-Losso y Giovannetti (2019), "Day Trading for a Living?", que examinó a cada individuo que comenzó a operar futuros sobre acciones brasileños entre 2013 y 2015 y persistió al menos 300 días. El resultado: el 97 % perdió dinero, solo el 1,1 % ganó más que el salario mínimo brasileño y solo el 0,5 % ganó más que el sueldo inicial de un cajero de banco. El paper no encontró evidencia estadística de "aprendizaje por experiencia". Trabajos anteriores de Barber, Lee, Liu y Odean sobre el mercado de futuros de Taiwán (1992–2006) llegaron a una conclusión similar: solo ~19 % de los day-traders intensivos obtuvo retornos anormales positivos netos de comisiones, lo que significa que aproximadamente el 80 % perdió dinero antes incluso de tener en cuenta el coste de oportunidad.
El tercer flujo son los datos adyacentes de trading automatizado. Las páginas públicas de rendimiento de marketplaces de bots (3Commas, Bitsgap, Cryptohopper) auto-reportan PnL agregado para las estrategias top, pero el usuario mediano es el benchmark relevante, no la estrategia top. Las páginas de rendimiento mediano, donde existen, muestran consistentemente retornos negativos en ciclo completo. Los análisis on-chain de comportamiento de wallets automatizados llegan a la misma conclusión desde otro ángulo: la rentabilidad se concentra en el 5–10 % superior de operadores, con la cola larga proporcionándoles liquidez.
Encajando estos flujos, las tasas de pérdida de operadores retail de bots cripto a lo largo de un ciclo completo de mercado se sitúan muy probablemente en el rango 75–90 %, acotadas por debajo por los disclosures retail al estilo ESMA y por arriba por los estudios académicos de day-trading retail.
El porcentaje exacto importa menos que el patrón detrás de él: los mismos siete errores de ingeniería se repiten en miles de estrategias, y explican casi todo sobre por qué los bots retail rinden por debajo.
Modo de fallo n.º 1: sesgo de supervivencia en el backtest
El sesgo de supervivencia es el error de testar una estrategia solo sobre activos que aún existen hoy. Las monedas que dejaron de listarse, perdieron el peg o resultaron ser un rug pull se excluyen silenciosamente del universo histórico, lo que infla los retornos del backtest al eliminar los peores trades que la estrategia habría tomado realmente.
Esta es la razón individual más común por la que un backtest limpio muere en producción.
La mayoría de los frameworks retail de backtest tiran datos OHLCV históricos de CoinGecko, Binance o CCXT. Cada una de esas fuentes te da por defecto un universo curado por supervivencia. Si haces backtest de una estrategia de momentum sobre "las top 50 monedas por capitalización" usando las top 50 de hoy, estás testando una estrategia en un mundo donde Terra/LUNA nunca colapsó, FTT nunca fue a cero y cien altcoins del ciclo 2021 no perdieron el 99 % de su valor antes de ser deslistadas.
Una revisión de 2022 de backtests del mercado de acciones por AQR estimó que el sesgo de supervivencia añade 1–3 % por año a backtests de momentum solo-long. En cripto, donde la tasa de delisting y pérdida total es un orden de magnitud mayor que en acciones, el efecto es más severo. Las estrategias long/short cripto testadas sobre un universo de supervivientes han mostrado inflación de retorno anualizado de 10–20 % en walk-forwards académicos.
El fix es un universo point-in-time. En cada timestamp del backtest, el universo de trading disponible debería ser las monedas realmente listadas y tradeadas en ese momento, incluidas las que murieron después. Mantén un log de delistings. Si tu proveedor de datos no lo expone, puedes reconstruirlo haciendo snapshot mensual de los listings de Binance/Coinbase y persistirlos. Es tedioso. También es la diferencia entre un backtest que predice el rendimiento en vivo y uno que produce una historia.
Modo de fallo n.º 2: señales sin filtrar (sin gate de ML o estadístico)
Una estrategia pura de trigger por indicador dispara cada vez que su regla resuelve a verdadero. RSI cruza 30, MACD se da la vuelta, una divergencia se imprime, el bot abre una posición. El problema: la mayoría de esos triggers se disparan en regímenes de mercado donde la ventaja del indicador es estadísticamente cero o negativa.
El fix es un gate de señal, una capa de modelo o regla ligera que se sitúa entre la señal cruda y la orden. Su trabajo es rechazar señales que se parecen al pool histórico de pérdidas del indicador.
Aquí es donde el machine learning es realmente útil en trading, a pesar de ser mal usado en el 95 % del marketing copy de "AI trading". No necesitas ML para predecir el precio. Lo necesitas para hacer algo mucho más pequeño: clasificar cada señal candidata como "se parece a un setup históricamente rentable" o "se parece a un setup históricamente perdedor", usando features que el indicador solo no puede ver. Desequilibrio del libro de órdenes, estado del tape de BTC, régimen de volatilidad reciente, hora del día, tasa de funding, densidad previa de señales.
Un gate de señal bien afinado típicamente reduce el conteo de señales en 40–70 % mientras mejora la tasa de acierto en 5–15 puntos porcentuales y el Sharpe en 0,3–0,7. Esos son rangos conservadores de estudios cuantitativos retail divulgados públicamente y observables en cualquier sistema en producción que mantenga un dashboard de salud del gate.
El patrón de implementación no es glamuroso. Entrena un clasificador con boosting de gradiente (XGBoost o LightGBM) sobre señales históricas etiquetadas, donde la etiqueta es "¿esta señal alcanzó su take-profit antes que su stop-loss?". Usa 50–150 features, regulariza agresivamente y valida walk-forward sobre ventanas rolling de 3 meses. Trata el umbral del gate como un hiperparámetro afinable. En 0,5 aceptas demasiado. En 0,7 estrangulas la estrategia. En algún punto entre ambos está tu punto de operación.
El error que comete la mayoría de builders retail: o saltan el gate por completo (las señales inundan, la ventaja se diluye) o reemplazan toda la estrategia por el modelo (colapso por sobreajuste). El gate debe ser aditivo. Primero la señal, luego el gate, luego el trade.
Modo de fallo n.º 3: ignorar el régimen de mercado (el efecto del tape de BTC)
Las altcoins cripto no son activos independientes. Son apuestas apalancadas sobre el sentimiento de Bitcoin con ruido idiosincrático encima. Cuando BTC cae 4 % en 15 minutos, la matriz de correlación colapsa a ~1 en todo el mercado de altcoins, y cualquier señal de altcoin que se dispare en esa ventana es casi con seguridad un mal fill.
Un gate de régimen es un filtro de nivel superior que desactiva o modifica el comportamiento de la estrategia según el estado del mercado más amplio, lo más común el estado del "tape" de BTC. El patrón es simple. Si BTC se ha movido más de un X % en los últimos N minutos (o si su volatilidad realizada de corto plazo cruza un umbral), suprime las entradas de la estrategia de altcoins.
Esto es no negociable para cualquier estrategia long/short de altcoins. Sin él, tu estrategia abrirá sistemáticamente posiciones durante exactamente los momentos en los que las liquidaciones de BTC están a punto de arrastrar a cada altcoin un 8–12 %.
La objeción ingenua es "pero mi estrategia ya tiene en cuenta la volatilidad vía ATR / sizing". No. ATR es una medida rezagada. Las cascadas de liquidación son eventos forward que ocurren a una escala más rápida de la que ATR puede adaptarse. Para cuando tu stop se ensancha, la cascada ya se está comiendo tu equity.
Concretamente, calcula una feature rodante de "estado del tape de BTC", por ejemplo el retorno absoluto en los últimos 5 minutos menos un baseline rolling. Cuando esa feature cruza un umbral, fija una bandera global que bloquee nuevas entradas en estrategias correlacionadas. No cierres las posiciones existentes con la bandera (eso crea su propia cascada de venta en tu portfolio). Solo deja de abrir nuevas.
El umbral en sí es empírico. Un punto de partida razonable: bloquea entradas de altcoins cuando el retorno absoluto de 5 minutos de BTC supere el 1,5 %, mantén el bloqueo durante 30–60 minutos tras el desencadenante y afina desde ahí.
Una variante útil para estrategias short es exigir una señal del tape de BTC como condición de entrada en lugar de solo suprimirla. "No te pongas short en altcoin a menos que BTC también esté debilitándose." Esto convierte un filtro de régimen en una confirmación de régimen, y suele bajar el conteo de trades en 60–80 % mientras mejora sustancialmente la tasa de acierto.
Modo de fallo n.º 4: sobreajuste por barridos históricos
El sobreajuste en backtest es la práctica de afinar parámetros de la estrategia hasta que la curva histórica de equity se ve genial, mientras se produce una estrategia que tiene cero poder predictivo sobre datos nuevos. Mata bots retail con más fiabilidad que cualquier otro modo de fallo, porque las herramientas que lo hacen posible (barridos de parámetros, grids de optimización, "auto-tune") son las mismas que cada framework comercializa como features.
El mecanismo: cualquier estrategia con K parámetros libres puede ajustarse a datos históricos con cherry-picking progresivamente mayor a medida que K crece. Si barres umbrales de RSI de 20 a 40 en pasos de 1, take-profit de 1 % a 5 % y stop-loss de 0,5 % a 3 %, has creado un espacio de búsqueda de 21 × 41 × 26 = 22.386 variantes de estrategia. La mejor de esas tendrá un Sharpe asombroso por puro azar, incluso sobre datos completamente aleatorios.
Un paper de 2014 de Bailey, Borwein, López de Prado y Zhu, "The Probability of Backtest Overfitting", formalizó esto. Demostraron que conforme crece el número de variantes de estrategia testadas, el Sharpe esperado fuera de muestra de la mejor variante in-sample cae por debajo de cero para cualquier tamaño de muestra realista. Cuanto más afinas, peor es tu PnL en vivo.
El fix no es "no afines". Es disciplina:
- Validación cruzada walk-forward, no un único backtest. Divide tu historia en 12+ ventanas rolling. Afina en cada fold de entrenamiento, evalúa en el fold de test correspondiente, promedia el rendimiento entre todos los folds de test. Los "mejores" parámetros elegidos en cada fold de entrenamiento deberían producir rendimiento estable en el fold de test. Si no, tu estrategia no es sólida.
- Penaliza el conteo de parámetros. Cada parámetro libre debería justificarse con una mejora significativa en métricas fuera de muestra, no in-sample. Akaike Information Criterion o una validación held-out simple ambos funcionan.
- Reality-check de la caída del IR. Una heurística común: espera que tu information ratio en vivo sea aproximadamente 1/3 del IR in-sample tras el despliegue. Si tu Sharpe in-sample es 3, probablemente vivirás con un Sharpe de 1, lo cual está bien. Si tu Sharpe in-sample es 0,9, vivirás con 0,3, que tras comisiones y slippage es un cara o cruz. Muchas estrategias retail fallan porque su ventaja in-sample no era lo bastante grande para sobrevivir al encogimiento del IR.
Modo de fallo n.º 5: gating de risk-reward mal hecho
La mayoría de las estrategias retail fija un único umbral global de risk-reward (RR). "Solo tomo trades con al menos 2:1 reward-to-risk." Esto suena riguroso, pero filtra silenciosamente toda la población ganadora de ciertas familias de estrategias.
El error: el RR no es una propiedad de la estrategia en aislamiento. Es una propiedad de la tasa de acierto de la estrategia. Una estrategia con 70 % de hit rate y RR 1,2:1 tiene mayor expectancia que una con 35 % de hit rate y RR 2:1. Forzar a la estrategia de alto hit rate a buscar setups 2:1 significa esperar setups que no existen en su patrón nativo, y acabas con una estrategia perfectamente cerrada con tres trades al mes y sin significancia estadística.
El fix son umbrales de RR por estrategia, calibrados empíricamente. Para cada estrategia del sistema, mide la tasa de acierto histórica y calcula el RR de break-even (break_even_RR = (1 - hit_rate) / hit_rate). Fija el umbral de RR en producción a un margen defendible por encima del break-even, típicamente 1,2× a 1,5×, en lugar de copiar un 2:1 de manual.
(1 − hit_rate) / hit_rateUna estrategia de mean-reversion basada en divergencia puede correr rentable con min_RR = 1,2 porque su hit rate es 65 %. Una estrategia de breakout de tendencia necesita min_RR = 2,5+ porque su hit rate es 30 %. Forzar a ambas a la misma regla de RR mata a una de ellas.
Un segundo error relacionado es calcular el RR usando un stop estático y un objetivo estático, en lugar de calcular el RR en el momento de entrada a partir de la estructura real del mercado. Un RR 2:1 calculado contra un nivel estructural de soporte es una apuesta diferente de un RR 2:1 calculado contra un stop fijo del 1 %. Las estrategias que ignoran stops basados en estructura efectivamente se cierran sobre ruido en lugar de sobre la geometría del precio.
Modo de fallo n.º 6: puntos ciegos de slippage y latencia
Los backtests fillean al precio de cierre. El trading en vivo fillea con lo que el order book te dé. La brecha entre esos dos es la diferencia entre una estrategia rentable en papel y una máquina de pérdidas con dinero real.
Tres fuentes de slippage matan a los bots retail, en orden de severidad subestimada. (Para un desglose por venue de cada línea de coste que no aparece en el ticket de orden, como funding, spread mark, settlement dinámico y ADL, ver costes ocultos en Binance, Bybit, OKX.)
La primera es el cruce del spread. Tu backtest asume que compraste a $42.150. Tu orden en vivo es una orden de mercado que pega al ask a $42.158. Ocho dólares en una posición de $42K en BTC son aproximadamente 2 puntos básicos de slippage, en cada trade. En una estrategia que toma 200 trades al mes, eso son 4 % de drag anualizado, suficiente para borrar un alpha nominal del 6 %.
La segunda es el impacto de mercado. Esto es pequeño a tamaño retail para pares large-cap, pero en altcoins mid-cap, incluso una orden de mercado de $5K puede mover el order book de forma notable durante horas de baja liquidez. Si tu backtest usaba precios de cierre y tu ejecución en vivo barre tres niveles del libro, estás pagando decenas de puntos básicos por fill.
La tercera, y la sutil, es la microestructura en el momento de la decisión. Tu estrategia decidió entrar en el cierre de una vela. Entre la decisión y la llegada de la orden, el spread se ha movido, la cola se ha desplazado y el precio al que se llena ya no se corresponde con las condiciones que dispararon la decisión. El efecto compone en mercados rápidos, que son exactamente los mercados donde los bots retail toman más posiciones.
El fix es una captura sombra del estado del order book en el momento de la decisión, persistida junto al trade. Captura bid/ask top-of-book, spread en puntos básicos, profundidad a ±0,1 % / ±0,5 % / ±1 % y volumen taker en los 10 segundos previos. Compara estos con la calidad real del fill cuando el trade cierra. La brecha entre la calidad esperada y la realizada es tu presupuesto real de slippage, y rastrearlo explícitamente convierte un drag invisible en uno visible y arreglable.
Concretamente: los bots que ignoran la microestructura en el momento de la decisión típicamente pagan 15–40 puntos básicos más por round-trip que los bots que la modelan explícitamente. En una estrategia con 50 bps de ventaja bruta por trade, esa es la diferencia entre rentable y no.
Modo de fallo n.º 7: decay silencioso de la estrategia (sin monitorización en vivo)
Las estrategias decaen. No porque los mercados cripto sean únicamente crueles (cada estrategia en cada mercado decae), sino porque la ventaja de alpha que un bot retail explota tiene una vida media medida en meses, a veces semanas. La industria cuant tiene un término para esto: alpha decay.
El modo de fallo no es el decay en sí. Es que los builders retail despliegan una estrategia, la observan dos semanas, ven PnL verde y dejan de mirar. Seis meses después miran la cuenta, el equity está por debajo del baseline de despliegue y la estrategia ha estado silenciosamente sin ser rentable la mayor parte de esa ventana.
Tres artefactos de monitorización capturan esto antes de que el equity se desangre.
Primero, detección de drift de la tasa de acierto. Rastrea la tasa de acierto rolling de 30 días contra la tasa de acierto esperada de su periodo de calibración. Cuando la cifra rolling cae más de 1,5 desviaciones estándar por debajo del baseline durante dos semanas consecutivas, la estrategia está en decay. Pásala a pausa y vuelve a calibrar el gate antes de redeplegar.
Segundo, monitorización de acuerdo del gate. Si tu estrategia usa un gate de ML o estadístico, rastrea el acuerdo entre las predicciones del gate y los resultados reales del trade. Cuando el acuerdo cae, el gate ya no es informativo. El régimen de mercado ha cambiado fuera de la distribución de entrenamiento del gate. Esto suele preceder al drift de la tasa de acierto en 1–2 semanas, lo que te da aviso anticipado.
Tercero, drift de slippage. La captura de microestructura en el momento de la decisión del modo de fallo n.º 6 también debería monitorizarse en el tiempo. Spread creciente, profundidad de libro cayendo y slippage realizado creciente todos indican que las ventanas de ejecución preferidas de la estrategia se están encareciendo, a menudo porque más bots han llegado al mismo trade.
Una regla práctica: cualquier estrategia en vivo durante más de 90 días sin un dashboard de monitorización rastreando estos tres artefactos está sangrando sin saberlo. El fix no es teórico. Configura un informe diario, incluso un email en texto plano, mostrando cada métrica contra su baseline. El coste es un día de ingeniería. El ahorro es todo lo que habrías perdido entre la detección y la próxima explosión.
El 10 % que sí funciona: checklist de 12 puntos antes del despliegue
Las estrategias que sobreviven a un ciclo de mercado completo (alcista, bajista y lateral) comparten un pequeño conjunto de propiedades estructurales. Usa esta checklist antes de desplegar cualquier nuevo bot a producción.
Backtest integrity
Signal quality
Execution realism
Live monitoring
Una estrategia que satisfaga las doce no está garantizada de ser rentable. Los mercados siguen siendo mercados. Pero una estrategia que falle en tres o más de estas está estadísticamente destinada a unirse al 90 % que pierde dinero, normalmente en 6–12 meses tras el despliegue.
Preguntas frecuentes
¿Son rentables los bots de trading cripto?
Una minoría lo es. Triangulando los disclosures de brokers de la ESMA (tasas de pérdida del 74–89 % en retail), estudios académicos revisados por pares de day-traders retail (Chague et al. 2019: 97 % pierde dinero en futuros brasileños; Barber et al.: ~80 % en Taiwán) y análisis on-chain de wallets de bots, la rentabilidad de los bots cripto retail a lo largo de un ciclo de mercado completo se concentra muy probablemente en el 10–25 % superior de operadores. No hay estudio revisado por pares que aísle el número específico de bots cripto con más precisión.
¿Qué porcentaje de bots de trading cripto pierde dinero?
Aproximadamente 75–90 % a lo largo de un ciclo de mercado completo, según el mismo stack de evidencia: disclosures obligatorios de tasas de pérdida en brokers de CFD, estudios académicos de rentabilidad en day-trading retail (Chague, De-Losso y Giovannetti 2019; Barber, Lee, Liu y Odean) y datos públicos de marketplaces de bots. Ningún estudio aísla específicamente a los bots cripto, pero los modos de fallo que producen ese número (overfitting, sesgo de supervivencia, ceguera ante régimen, drag por slippage) son observables y cuantificables en cualquier estrategia individual.
¿Por qué mi bot de trading cripto pierde dinero aunque el backtest se vea bien?
La causa más frecuente es el sesgo de supervivencia en el backtest combinado con slippage no modelado en ejecución en vivo. Los backtests obtenidos de fuentes de datos por defecto solo incluyen monedas que han sobrevivido y asumen fills al precio de cierre, lo que infla los retornos del backtest entre 5 y 20 % anualizado. Añade overfitting y la falta de filtros de régimen, y un backtest con Sharpe 3 se convierte en un PnL en vivo de Sharpe 0,2.
¿Funcionan realmente los bots de trading cripto en 2026?
Sí, pero solo cuando se construyen con defensas explícitas contra los siete modos de fallo. Los bots que combinan universos point-in-time, gating de señales, filtrado por régimen, umbrales de RR calibrados, captura de slippage en el momento de la decisión y monitorización en vivo siguen produciendo retornos ajustados al riesgo positivos en 2026. Los bots que se saltan dos cualquiera de estos típicamente rinden peor que un simple buy-and-hold de BTC después de comisiones.
¿Cuánto tarda un bot de trading cripto en empezar a funcionar?
Un bot bien construido debería estar en positivo neto en los primeros 60–90 días de despliegue en vivo. Si no lo está, el backtest in-sample probablemente estaba sobreajustado. Las estrategias con una ventaja real tienden a mostrar rendimiento out-of-sample estadísticamente significativo en 100–300 trades, según la tasa de acierto. Más allá de ese horizonte, las afirmaciones de "necesita más tiempo para converger" suelen indicar una estrategia sin ventaja real.
¿Es mejor construir un bot de trading cripto o comprar uno?
Construir es más caro en tiempo pero más barato en coste de fallo. Los bots prefabricados de marketplaces sufren casi universalmente los mismos problemas de overfitting y ceguera ante régimen, porque el incentivo del marketplace es publicar estrategias que se ven bien históricamente, que es exactamente el tipo de estrategia más propenso al sobreajuste. Un bot personalizado con la checklist de doce puntos aplicada tiene probabilidades medibles mejores que un bot top-rated de marketplace.
Conclusión
La cifra del 90 % es el resultado acumulativo de siete errores de ingeniería específicos, repetidos en miles de sistemas de trading retail. Cada error tiene un fix. La mayoría de los fixes no son técnicamente difíciles; son tediosos, y exigen una disciplina contra la que el marketing copy de cada "AI trading platform" trabaja activamente.
Si estás construyendo un bot, tu ventaja no está en encontrar un mejor indicador. El universo de indicadores está agotado; cada ventaja retail que cabe en un hilo de Twitter ya está siendo arbitrada. Tu ventaja viene de no cometer los siete errores anteriores. Esa es una afirmación más pequeña y más honesta que la que hace la mayor parte del contenido cripto retail, y es la única afirmación coherente con los datos.
Empieza con la checklist de doce puntos antes de escribir una sola línea de código de estrategia. Las horas que pases construyendo un universo point-in-time, gates de señal, filtrado por régimen y monitorización en vivo se sentirán lentas en comparación con la dopamina de afinar indicadores. También son la parte del trabajo que separa al 10 % del 90 %.
Fuentes y lecturas adicionales
- Chague, F., De-Losso, R., Giovannetti, B. (2019). Day Trading for a Living? University of São Paulo / FGV-EESP Working Paper. SSRN: 3423101. Hallazgo: el 97 % de los day-traders de futuros brasileños que persistieron >300 días perdió dinero; sin evidencia de aprendizaje por experiencia.
- Barber, B., Lee, Y.-T., Liu, Y.-J., Odean, T. (2014). The Cross-Section of Speculator Skill: Evidence from Day Trading. Journal of Financial Markets. Hallazgo: ~19 % de los day-traders intensivos de Taiwán obtuvo retornos anormales positivos netos de comisiones.
- Bailey, D., Borwein, J., López de Prado, M., Zhu, Q. J. (2015). The Probability of Backtest Overfitting. Journal of Computational Finance. SSRN: 2326253. Demostración formal de que la búsqueda de estrategias infla el Sharpe in-sample a costa del rendimiento fuera de muestra.
- ESMA, Product Intervention Measures on CFDs (renovadas 2018–presente). Mandato de divulgación para tasas de pérdida retail en CFD. Rango industria: 74–89 %.
- eToro, General Risk Disclosure y divulgación obligatoria FCA UK (actualmente 77 % UK; 51 % global). etoro.com/customer-service/general-risk-disclosure.
- Glassnode / Kaiko, análisis públicos on-chain de rentabilidad de wallets de MEV y bots de arbitraje (2023–2024). La rentabilidad se concentra en el 5–10 % superior de operadores.