Tener razón no basta: separar la tesis del momento en las decisiones con datos

Hiciste el trabajo. Miraste los datos, la tesis se sostiene, la decisión parecía la correcta. Y meses después el resultado no te da la razón. No es que te equivocaras en el análisis: es que hay dos maneras silenciosas en que un buen análisis termina en una mala decisión, y casi nunca las nombramos. La primera es confundir en qué crees con cuándo pasa. La segunda es fiarte de una regla porque suena razonable, sin haber comprobado nunca si de verdad funciona. Vamos a verlas con dos casos recientes, porque las dos duelen de un modo muy reconocible.

Sobre estos ejemplos. Uso datos públicos (Yahoo Finance) y un backtest propio para razonar sobre cómo se decide, no sobre qué comprar. Cada técnica lleva su porqué.

---

1. Tener razón demasiado pronto

La tesis es buena y está bien documentada: lo que frena hoy el despliegue de la inteligencia artificial no es el chip, es la electricidad. La Agencia Internacional de la Energía calcula que el consumo de los centros de datos se duplicará hacia 2030, y que Estados Unidos se lleva casi la mitad de ese aumento. Si el cuello de botella es la potencia, las compañías eléctricas que la suministran deberían ser las grandes ganadoras.

Pues bien: a seis meses fueron las grandes perdedoras. Cayeron entre un 7 % y un 37 %. Y no porque la tesis se rompiera —sigue en pie—, sino porque medio mundo ya la había comprado; el entusiasmo se adelantó y el precio corrigió. Esa sensación de tener razón y ver el número en rojo tiene nombre: te adelantaste. Y estar demasiado pronto se parece tanto a estar equivocado que es fácil rendirse justo antes de tiempo.

Aquí está lo útil para cualquiera que decida —invierta, reparta un presupuesto o apueste por un proyecto—: la convicción no es la entrada. Creer que algo pasará no dice cuándo pasará. Merece la pena separar las dos preguntas y contestarlas por separado, sin dejar que la fe en la primera te fije el calendario de la segunda: ¿es cierta la tesis? y, aparte, ¿es este el momento?.

Por qué importa esta distinción. Una probabilidad alta a largo plazo convive con una incertidumbre enorme a corto: la dirección puede ser la correcta y el camino, un zigzag que te saca del juego antes de llegar. Tratar la convicción como si marcara la fecha no es un fallo de los datos, es un fallo de encuadre —y esos no se arreglan con más análisis, se arreglan con honestidad sobre lo que sabes y lo que no.

Esa misma honestidad tiene una segunda cara, más incómoda: la de dudar de las reglas que a ti mismo te suenan bien.

---

2. Cuidado con lo que "tiene todo el sentido"

El segundo caso es una regla para etiquetar si el mercado está en modo de miedo o de calma, a partir de la volatilidad y de cómo se mueven los activos refugio. Sobre el papel tenía todo el sentido, y con la última semana acertaba. Hasta que la pusimos frente al espejo de la historia: aplicada a crisis que todos recordamos —el desplome de la COVID, el año malo de 2022, la caída de SVB, el susto del yen en 2024— la regla detectó peligro en cero de las cuatro. Una versión corregida, después de esa prueba, las detecta en las cuatro.

La primera regla no era mentira. Era plausible pero sin comprobar. Y ahí está la trampa: sonaba tan bien que daba confianza, que es exactamente lo que la hacía peligrosa. Cámbiale el nombre y es tu cuadro de mando, tu KPI favorito, esa regla del negocio que "siempre ha funcionado". Que algo tenga sentido no es lo mismo que haberlo mirado a los ojos contra la realidad. Sin ese contraste, una métrica puede fallar con total seguridad y con toda la apariencia de estar acertando.

Por qué importa comprobar. Lo que separa una intuición razonable de una regla en la que puedes apoyarte es haberla contrastado con lo que de verdad ocurrió —calibrarla, validarla fuera de la muestra con la que nació. La investigación sobre pronóstico muestra que el juicio mejora cuando se calibra contra desenlaces conocidos (Tetlock y Gardner, 2015), y que lo seguros que nos sentimos dice muy poco sobre si acertamos (Kahneman, 2011).

---

3. Tres costumbres que ahorran disgustos

De los dos casos salen tres costumbres que sirven mucho más allá de los mercados —en cualquier decisión que tomes con datos, tableros o modelos de IA:

1. Separa la tesis del momento. Primero si algo es cierto; luego, y aparte, si es la hora de actuar. Dos preguntas, dos respuestas, dos riesgos distintos.
2. Comprueba antes de confiar. Pon la regla o el indicador frente a casos que ya conoces. Lo que "suena bien" y nadie ha comprobado es donde se esconde el error caro.
3. Desconfía cuando todos ya están dentro. Si la tesis es consenso, el precio ya la incorpora: puede ser correcta y aun así la decisión, cara. La ventaja vive en lo que todavía no es evidente para todos.

Ninguna pide más datos ni un modelo más grande. Piden algo más incómodo y más barato: mirar la propia decisión con honestidad.

---

Alcance y calidad de los datos

Permiten estos datos	Requeriría más
Ilustrar la brecha tesis-momento y el valor de validar	Atribuir las causas del precio (flujos, posicionamiento)
Reproducir la validación del régimen contra episodios conocidos	Un modelo causal del régimen (fuera de alcance)

Los ejemplos son ilustrativos y están fechados; no son una recomendación ni un modelo predictivo.

---

Referencias

Fuentes primarias:

• Yahoo Finance — cierres ajustados (corte 23-08-2026).
• International Energy Agency (2025). Energy and AI. IEA, París.

Bibliografía:

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Tetlock, P. E. & Gardner, D. (2015). Superforecasting: The Art and Science of Prediction. Crown.

Nota: el backtest del régimen (0/4 vs 4/4) se genera con backtest_regimen.R del proyecto quasarTRADEPro; aquí se usa su resultado.

---

Cita: Gutierrez Miranda, J. M. (2026). Tener razón no basta: separar la tesis del momento en las decisiones con datos. TodoEconometria.