Panorama general: 10 blockchains, 29,317 registros

Costo por blockchain: panorama con intervalo de confianza

La tabla muestra el costo promedio de cada blockchain y el gap frente al envío tradicional (US$ por envío de $200), estimado con bootstrap (1000 iteraciones). El costo tradicional promedio es de $6.21 por envío, con un rango de $2.32 a $9.74 entre métodos. En las 10 chains el gap es estadísticamente positivo (el IC 90% excluye el cero).

¿Cuánto cuesta enviar dinero por blockchain?

Los costos varían drásticamente según la blockchain. La red más barata es Avalanche con $0.000203 por transacción, mientras que la más cara es Cardano con $0.0834. La diferencia de 410.7x refleja distintas arquitecturas: las chains con gas fees muy bajos (Avalanche, Solana, BNB Chain, Optimism, Base) operan con alta capacidad y tarifas cercanas a cero, mientras que Cardano y TRON tienen costos más altos por transferencia.

Para ponerlo en contexto: enviar $200.00 por transferencia tradicional cuesta en promedio 3.1% (unos $6.21), mientras que el gas fee por la blockchain más barata es $0.000203. La diferencia absoluta por transacción es de ~$6.21 — sin contar rampas ni spread FX (ver salvedad).

Incluso Ethereum, la red más utilizada, tiene un costo de $0.0211 por transferencia básica — muy por debajo del costo de cualquier método tradicional.

Costos por blockchain

La tabla muestra el costo promedio, desviación estándar, mínimo y máximo de cada blockchain durante el período analizado. Las chains están ordenadas de menor a mayor costo promedio.

Ahorro on-chain (solo gas fee): blockchain vs métodos tradicionales

La tabla muestra el ahorro en valor absoluto y porcentual al usar cada blockchain en lugar del método tradicional para una transferencia de $200.00. El ahorro absoluto va de ~$6.12 (Cardano) a ~$6.21 (Avalanche, Solana) por transacción: el gas fee es una fracción mínima del costo tradicional. Este ahorro es SOLO el componente on-chain; no incluye rampas ni spread FX (ver salvedad).

Eficiencia en transferencias internacionales

Comparamos el resultado neto de enviar $200.00 por cada método. Mientras que las blockchains entregan prácticamente el 100% del monto en minutos, los métodos tradicionales retienen comisiones de hasta 5.2% y pueden tardar varios días.

Ahorro real end-to-end: gas fee + conversión en destino (capa A+B)

El gas fee on-chain es solo un componente del costo. La capa A+B suma al gas fee (A) el costo de conversión a moneda local en destino (B). En los 5 corredores analizados, el costo total crypto es 57–72% menor que el del corredor tradicional. Este es el ahorro aproximado que ve el usuario final (aún sin incluir la rampa de entrada del exchange).

Modelo predictivo: como funciona y que tan confiable es

Para predecir la evolución de los costos de transacción, entrenamos un ensemble de 5 modelos de regresión (Ridge, Huber, RandomForest, GradientBoosting, HistGB) que aprenden de 23 features derivadas de los datos históricos. Cada modelo se entrena con validación cruzada temporal (TimeSeriesSplit) para respetar el orden cronológico. La arquitectura actual entrena un ensemble por blockchain (modelo per-chain) y lo compara contra su baseline de persistencia.

En validación cruzada temporal el R² pooled es −0.157: es un artefacto del target (costo = fee × precio) y de mezclar chains con tarifas muy distintas. La demostración está en la tabla de precisión: el ensemble por chain, con pesos optimizados por stacking (NNLS) sobre predicciones out-of-sample, supera al baseline de persistencia en las 10/10 blockchains, con R² vs naive ~1.0 y MAE prácticamente nulo: al recuperar la tarifa constante de cada red, el costo se predice como fee × precio del día. La métrica de bondad honesta es ese desempeño per-chain contra el baseline naive.

Limitación: el R² pooled negativo (−0.157) no significa que el modelo falle: refleja la heterogeneidad de tarifas entre chains y la dominancia del precio en el target. Frente a un baseline pooled (persistencia global) el modelo pooled queda por debajo (R² vs naive −312.3), porque el promedio global no captura las tarifas distintas por red. La decisión se toma con el modelo per-chain (10/10 redes), no con la métrica pooled; la decisión de negocio depende del costo total en destino (capa A+B).

Detalle del modelo

La tabla muestra el desempeño de cada modelo individual en validación cruzada temporal, junto con su peso en el ensemble final. Los pesos se optimizan por stacking (NNLS) sobre las predicciones out-of-sample de cada modelo: en la práctica el peso recae en el modelo lineal robusto (Huber), el más estable frente a outliers de tarifa.

Las features con más peso son las dummies de blockchain: chain_Cardano (importancia 0.0194) domina por el fee más alto de la muestra, seguida de chain_Base (0.0052) y chain_Arbitrum (0.0048); price_usd queda en 0.0016. La identidad de la chain (su tarifa) explica casi toda la varianza; dentro de cada red el costo es casi determinista (fee × precio). Las features de costo se eliminaron del dataset por colinealidad con el target (auditoría P0-1).

Precisión del modelo por blockchain

Cada chain tiene su propio ensemble (modelo per-chain) evaluado con validación temporal local. La columna clave es Mejora vs persistencia: cuánto reduce el modelo el error absoluto medio (MAE) frente a predecir "el costo de ayer". Con los pesos optimizados por stacking (NNLS), el modelo supera a la persistencia en las 10/10 blockchains, con R² vs naive ~1.0 y MAE prácticamente nulo: el costo on-chain es casi determinista (fee × precio) una vez recuperada la tarifa de cada red. El R² pooled (−0.157) no mide utilidad de negocio: mezcla chains con tarifas distintas.

Pronóstico a 14 días: ¿hacia dónde van los costos?

Proyectamos los costos de transacción para los próximos 14 días usando el modelo per-chain, que supera al baseline de persistencia en las 10/10 redes. Los intervalos del 90% se generan con bootstrap sobre los residuos out-of-sample reales de cada chain. Alcance del modelo: el costo on-chain es casi determinista (fee × precio), por lo que este regresor solo sirve para el corto plazo (~14 días) y sigue al precio del token. Las proyecciones de largo plazo (adopción y sustitución) son escenarios ilustrativos con modelos distintos y NO son output de este regresor.

Ejercicio de Escenario: usuarios de cripto en remesas (hipótesis de trabajo)

Hipótesis de trabajo, sin fuente. Tabla bottom-up: ~12M de usuarios cripto en remesas en 2026 (1.5% de ~800M de remitentes globales) y una CAGR del 40% (central) → ~46M en 2030; con un rango conservador de CAGR 20-40% el escenario baja a ~25-46M en 2030. El ahorro anual por usuario ($33.81) es ilustrativo. Referencia top-down: los ~560M de usuarios cripto GLOBALES (todos los usos) son otra magnitud y NO corresponden a esta curva.

Sustitución de remesas FIAT → token: ¿cuándo alcanzará masa crítica?

Modelamos la adopción de cripto en remesas usando una curva S logística (basada en el modelo de difusión de Bass). Antes de proyectar, descontamos las fricciones reales del carril stablecoin: FX spread 1.0 pp, onboarding KYC 1.5 pp y penalidad de liquidez 1.0 pp (3.5 pp en total). El ahorro bruto derivado de la capa de decisión A+B es del 67.6% contra el costo real promedio de los corredores; con fricciones, el ahorro efectivo que impulsa la adopción es del 64.12%. Proyectamos tres escenarios:

• Conservador: Adopción lenta, cruce del 50% hacia 2031
• Moderado: Crecimiento constante, cruce del 50% alrededor de 2029
• Acelerado: Adopción rápida impulsada por mejoras regulatorias y de infraestructura, cruce en 2028

Escenario más probable (Moderado): las cripto superarían el 50% del mercado de remesas hacia 2029. Esto representaría un ahorro agregado de miles de millones de dólares anuales para los trabajadores migrantes y sus familias. Advertencia: el año de cruce es una banda ilustrativa (2028–2031 según los escenarios), no una fecha medida.

Análisis de sensibilidad: ¿qué variables impactan más?

Variamos los parámetros clave del modelo de sustitución para entender qué factores aceleran o retrasan la adopción. En el rango analizado, el año de cruce (50% del mercado) responde sobre todo a la saturación de mercado (60% → sin cruce; 95% → 2030) y a la tasa de adopción (k) (2031 → 2030); el ahorro porcentual y la fricción total (FX+KYC+liquidez, 0–8 pp) apenas mueven el cruce (2031/2030).

Sesgo del modelo

El análisis de sesgo detecta si el modelo comete errores sistemáticos que podrían llevar a decisiones incorrectas. Usa los residuos del modelo pooled (no el per-chain), que es donde quedan errores sistemáticos por chain. Evaluamos tres dimensiones: Arbitrum y Avalanche no se muestran por tener residuos prácticamente nulos.

• Error por blockchain: ¿el modelo favorece o perjudica a alguna red en particular?
• Tendencia temporal: ¿los errores aumentan o disminuyen con el tiempo?
• Heterocedasticidad: ¿el modelo es más impreciso cuando los costos son altos?

Visualizaciones

Los gráficos siguientes ilustran visualmente los hallazgos presentados en las secciones anteriores.

Metodología

• Datos blockchain: Precios históricos vía CoinGecko API (historial corto) y Binance klines para historial largo (hasta ~9 años; 29,317 registros). Tarifas de transacción reales obtenidas en vivo (RPCs EVM vía eth_gasPrice, constante on-chain de Solana, transacciones confirmadas de TRON, fórmula del protocolo de Cardano). Costo homogéneo = tarifa real × precio histórico del token; en L2s se suma el costo estimado de publicar datos en L1.
• Datos tradicionales: World Bank Remittance Prices Worldwide y reportes compilados del Banco Mundial (2024-2026).
• Modelo predictivo: Ensemble de 5 algoritmos (Ridge, Huber, RandomForest, GradientBoosting, HistGB) con validación cruzada temporal, un ensemble por blockchain (per-chain), y pesos optimizados por stacking con regresión de mínimos cuadrados no negativos (NNLS) sobre las predicciones out-of-sample de cada modelo (en la práctica el peso recae en el modelo lineal robusto, Huber). Sin features de costo (auditoría P0-1) y estandarizado ajustado dentro de cada fold (sin fuga). Métricas honestas: R² vs naive (persistencia) por chain; el modelo lo supera en 10/10 redes.
• Sustitución: Escenario ILUSTRATIVO: curva logística de adopción (Bass) con fricciones documentadas de on/off-ramps (FX + KYC/AML + liquidez local, 3.5 pp). Los años de cruce tienen incertidumbre alta y no son pronósticos medidos.
• Sesgo: Evaluación multidimensional: error por grupo (blockchain), tendencia temporal, heterocedasticidad y fairness entre chains.