1. Sistema de etiquetado narrativo: transformar el texto en “lenguaje de eventos agrupables”
El primer paso en la investigación narrativa consiste en mapear el contenido de noticias y redes sociales a un espacio de etiquetas unificado. El sistema de etiquetado debe cumplir tres requisitos:
- Equilibrio entre exclusividad mutua y exhaustividad: cubre los principales tipos de narrativas sin que se genere una proliferación de etiquetas;
- Transferibilidad entre plataformas: la misma etiqueta debe aplicarse a textos de diferentes fuentes;
- Rastreabilidad: cada etiqueta se puede rastrear hasta la evidencia original y la marca de tiempo.
En la práctica, suele emplearse una estructura de etiquetas de tres niveles:
Etiquetas de nivel 1 (nivel macro)
- Ejemplos: regulación, liquidez macro, riesgos geopolíticos, eventos de seguridad sistémica.
- Se usan para determinar si una narrativa tiene potencial de contagio a todo el mercado.
Etiquetas de nivel 2 (nivel sectorial)
- Ejemplos: ecosistemas de cadena pública, DeFi, NFT, GameFi, pagos, infraestructura, etc.
- Se utilizan para identificar los principales focos de rotación de capital.
Etiquetas de nivel 3 (nivel activo)
- Ejemplos: proyectos concretos, tokens, actualizaciones de protocolos.
- Se emplean para mapear narrativas a objetos negociables.
El valor de las etiquetas narrativas reside en convertir “historias” en “series temporales agrupables”, lo que permite analizar estadísticamente la fuerza, duración y correlación con activos de las narrativas.
2. Puntuación de sentimiento: evolución de “positivo/negativo” a “estructura de sentimiento”
El análisis de sentimiento tradicional suele arrojar un único resultado: positivo o negativo. En los mercados cripto, una sola puntuación puede inducir a error, ya que un mismo evento puede generar tanto codicia como miedo (por ejemplo, “claridad regulatoria = menos incertidumbre pero mayor presión vendedora a corto plazo”).
Un enfoque más robusto consiste en construir un “vector de estructura de sentimiento” con al menos cuatro dimensiones:
- Valencia: sesgo general alcista o bajista (−1 = fuertemente bajista, 0 = neutral, 1 = fuertemente alcista);
- Activación: intensidad de la discusión y agudeza emocional;
- Dispersión: grado de divergencia entre los puntos de vista de distintos grupos;
- Confianza: si la narrativa se presenta como “hecho establecido” o como “rumor/especulación”.
La dispersión suele pasarse por alto, pero a menudo explica mejor la volatilidad que la valencia:
Cuando una comunidad pasa de la divergencia al consenso, es más probable que las tendencias de precios se aceleren; cuando el consenso se fragmenta y surge divergencia, esas tendencias tienden a agotarse.
3. Puntuación de difusión: medir si una narrativa realmente “se está expandiendo” o simplemente es “hype artificial”
El hype en redes sociales puede manipularse fácilmente; por ello, la puntuación de difusión debe centrarse en la estructura antes que en el volumen total. Los principales indicadores estructurales incluyen:
- Radio de difusión: si la conversación se expande de los nodos centrales hacia una gama más amplia de cuentas;
- Resonancia multiplataforma: si la misma narrativa se intensifica de forma simultánea en varias plataformas;
- Tasa de nuevos participantes: si crece la proporción de usuarios nuevos que se unen a la discusión;
- Índice de homogeneidad: si la proporción de frases repetidas es anormalmente alta (indicando actividad de bots).
El punto clave en la puntuación de difusión es determinar si el mayor hype refleja un cambio genuino de atención.
Si solo aumenta el volumen total pero el radio de difusión no se amplía, probablemente la narrativa sea un pulso temporal—y las hipótesis de trading sobre su persistencia deben ajustarse a la baja.
4. Grafos de eventos: conectar “noticias aisladas” en una “red inferible”
El reto principal en el trading narrativo es la fragmentación de la información: un mismo tema aparece repetidamente en diferentes momentos y canales.
El objetivo del grafo de eventos es estructurar la información aislada en una red conectada:
- Nodos: eventos (noticias, anuncios, publicaciones sociales clave, transferencias anómalas on-chain);
- Aristas: relaciones causales, secuencia temporal, similitud temática, asociación de entidades;
- Pesos: credibilidad de la fuente, grado de propagación, fuerza de correlación con capital.
Los grafos de eventos permiten tres capacidades clave:
- Fusión narrativa: consolidar información repetida y variantes en una sola narrativa para reducir el ruido;
- Identificación de forks narrativos: detectar caminos interpretativos alternativos sobre el mismo evento;
- Monitorización de la decadencia narrativa: cuando disminuyen las nuevas conexiones y aumenta el aislamiento de nodos, suele indicar agotamiento de la narrativa.
El valor de los grafos de eventos reside en convertir la “investigación textual” en “investigación dinámica de sistemas”, haciéndolos más adecuados como marcos de monitorización y alerta.
5. Capa de validación on-chain: alinear puntuaciones narrativas con la evidencia de capital
Sin validación on-chain, las puntuaciones narrativas pueden degenerar fácilmente en mera especulación textual. El método de alineación suele seguir un “doble umbral”:
- Umbral narrativo: la fuerza de la narrativa y su estructura de difusión alcanzan los mínimos exigibles para ser operativas;
- Umbral de capital: se observa alineación con estructuras on-chain o de trading (por ejemplo, entradas netas sostenidas, cambios en los patrones de comportamiento de las direcciones).
Solo cuando se cumplen ambas condiciones se procede al mapeo estratégico; si solo se cumple la capa narrativa, resulta más útil para observación de riesgos e investigación de eventos.
Este mecanismo transforma el trading narrativo de “creer historias” a “verificar si las historias tienen consecuencias de capital”.
6. Salida escalonada de sistemas de indicadores: señales de investigación frente a señales de trading
Para evitar el sobreajuste y el mal uso, las salidas deben estar claramente diferenciadas:
- Indicadores de investigación: sirven para interpretar el mercado, formular hipótesis y elaborar informes;
- Indicadores de monitorización: se utilizan para alertas tempranas, identificar cambios narrativos y detectar difusión anómala;
- Indicadores de trading: se emplean para activar reglas de posición y control de riesgos—estos deben ser más estrictos y sólidos.
Muchos errores se producen al utilizar directamente indicadores de investigación como si fueran de trading.
La salida escalonada reconoce que interpretar el mercado y generar beneficios constantes son objetivos diferentes que requieren distintos umbrales y estándares de validación.
7. Errores habituales: estructurado no significa “más complejo”
Los errores más frecuentes en métodos estructurados incluyen:
- Etiquetas demasiado detalladas: generan muestras dispersas y sobreajuste;
- Diccionarios de sentimiento estáticos: no se adaptan a nuevos memes, frases o plantillas narrativas;
- Ignorar la alineación temporal: tratar evidencia on-chain rezagada como si fuera un desencadenante inmediato;
- Confundir hype con alpha: asumir que más discusión implica mayor probabilidad de subida de precio.
El objetivo de la estructuración debe ser “mantenible”, no “todo abarcador”.
La viabilidad a largo plazo de un sistema de indicadores depende de mecanismos claros de actualización y monitorización, no del número de métricas.
8. Resumen de la lección
Esta lección marca un salto clave en la metodología de trading narrativo: pasar de recopilar información a sistematizar mediante indicadores.
Puntos clave:
- Establecer un sistema de etiquetado narrativo de tres niveles para que la información textual sea agrupable y estadísticamente analizable;
- Desarrollar la puntuación de sentimiento en vectores estructurales para explicar mejor la volatilidad y los cambios de tendencia;
- Utilizar métricas de estructura de difusión para distinguir entre hype genuino y hype manipulado;
- Integrar información fragmentada con grafos de eventos para fusión, forks y monitorización de la decadencia de narrativas;
- Alinear la puntuación narrativa con la evidencia de capital mediante validación on-chain, reduciendo el riesgo de trading basado solo en texto.
La próxima lección se centrará en la ejecución: mapear puntuaciones a operaciones, abordando cómo traducir métricas narrativas y de sentimiento en reglas de tamaño de posición, frecuencia y control de riesgos, gestionando al mismo tiempo los riesgos de ejecución derivados de operaciones saturadas y brechas de expectativas.
