Precisión de la valoración

Contexto de mercado: TGGI 108.87 ▲0.01% · 2026-11-03 · el índice

Todos los sitios de valoración dicen ser precisos. Casi ninguno publica una cifra que pueda avergonzarlo. Esta página es esa cifra: cuánto se alejan nuestras estimaciones de los precios reales de venta en Fragment, medida sobre ventas que el modelo nunca vio, con el tamaño de muestra y un intervalo del 95% junto a cada número. Donde somos malos, lo dice. Son estadísticas, no promesas.

Estadísticas, no promesas: un backtest no es un pronóstico, una estimación no es un precio y un buen mes no es una garantía.

Tres reglas gobiernan esta página

1. Solo fuera de muestra. Una cifra medida sobre los datos con los que se ajustó el modelo no es evidencia. La publicamos aparte, etiquetada como en muestra, y nunca como titular.
2. Una cifra se publica solo si es lo bastante precisa. Una proporción solo es titular cuando su intervalo del 95% mide como máximo 10 puntos porcentuales. Si no, se etiqueta preliminar y se muestra con su n.
3. Nada se rellena hacia atrás. Si una cifra empeora, cambia aquí, con fecha.

La versión corta

Si lees una sola línea: somos un modelo de suelo y comparables, no un oráculo. Por debajo de 10 GRAM somos más cercanos (12.5% de error mediano); por encima de 100 GRAM a menudo nos quedamos muy cortos, y explicamos por qué abajo.

Regalos: 16.7% de error mediano y un sesgo por encima de 10 GRAM

Qué se midió. 5,834 ventas reales pagadas en Fragment en 102 colecciones, recogidas el 2026-10-31. Cada venta se estima usando solo ventas estrictamente anteriores, con el artículo excluido. El suelo usado es el que publicó nuestro escáner el día anterior, nunca el del día de la venta. Ventana evaluada: 2026-10-20 .. 2026-10-31. Los parámetros se eligieron con datos hasta 2026-10-25 y luego se evaluaron una vez en el holdout, 2026-10-26 .. 2026-10-31.

La visión honesta. En el 31% de las ventas evaluadas el precio estaba dentro del 0,5% del suelo del día anterior y el suelo del día siguiente era más alto o había menos anuncios. En esas filas el «suelo» era casi con certeza el precio pedido por el propio regalo vendido. El sitio en vivo excluye el anuncio del propio artículo, así que esas filas favorecen al centro basado en el suelo. Las tablas de abajo las descartan: esa es la visión conservadora, y la que titulamos.

Por franja de precio: la tabla más útil de la página

Lee la columna de sesgo al pie de la letra: por encima de 10 GRAM nuestro centro basado en el suelo está sistemáticamente por debajo de lo que de verdad se pagan los regalos individuales. Un regalo de 199 GRAM con un fondo raro no vale el suelo de la colección, y el modelo sabe que se lo está perdiendo. Hasta que llegue una mejora hedónica, trata cualquier estimación por encima de 10 GRAM como un límite inferior con techo ancho, y la franja 100+ como un orden de magnitud, no un precio.

La cifra que nos negamos a titular

Si mantenemos las filas donde el suelo era probablemente el precio del propio artículo, el error mediano baja a 1.35% (n = 1,453). Parece espectacular. Es un artefacto de medir un precio contra sí mismo. Se queda en el archivo del backtest por transparencia y no aparecerá en un titular, un anuncio ni una presentación.

Usernames: 28.2% y la corrección que ya publicamos

Nuestro changelog público del modelo decía «error mediano 5.2%» para usernames. Esa cifra es en muestra: se midió sobre los últimos 90 días de ventas, exactamente la ventana donde se ajustaron los parámetros. No es evidencia de precisión futura, y se ha sustituido en /es/how-we-value con una nota fechada. La medición honesta es la ventana que el modelo nunca vio: error mediano 28.2% (IC 95% 21.8–42.8%), n = 170, 37.1% dentro de ±20% (30.2–44.5%). La cifra es preliminar: el intervalo supera los 10 puntos.

Un rango de 12.2× significa: para un nombre que valoramos en 100 GRAM, el rango honesto del 80% va de unos 29 a 350. No es un rango útil, así que no mostramos un rango calibrado para usernames. Un rango más ancho no es más honesto; es la misma conjetura con otro traje. Las estimaciones de usernames se quedan como están, con el rango que podemos defender, y el método corre en modo sombra a la espera de evidencia prospectiva.

Subsegmentos en el holdout, porque un promedio esconde el fallo

Qué dice el registro en vivo (nada, todavía)

Cada día congelamos una muestra estratificada de nuestras propias estimaciones y comparamos cada una con el precio real cuando el artículo se vende. Hoy: 9 liquidados, 141 abiertos. Nuestra regla es que la cifra en vivo aparece solo tras 30 estimaciones liquidadas, así que la página muestra un contador, no un porcentaje, y seguirá mostrando un contador hasta que la muestra sea lo bastante grande. El archivo en vivo es público: /data/valuation-accuracy.json. Podríamos publicar una cifra con 9 ventas. Se movería decenas de puntos con cada venta nueva. Eso no es informar de precisión; es ruido con decimales.

Qué muestra el historial de cacerías, y por qué no es una cifra de precisión

A 2026-11-02: 35 cacerías de más de 24 horas — 17 regalos, 7 usernames a precio fijo, 11 subastas de username. Resultados: 17 vendidas, 9 aún en venta, 9 desconocidas.

• Los regalos que se vendieron, se vendieron al precio pedido. En 6 de 6 casos el precio de venta fue el de la alerta o justo por debajo (ratio mediano 1.00; rango 0.91–1.00). La alerta era un anuncio real bajo el suelo; el comprador simplemente pagó lo pedido.
• En esas mismas 6 ventas nuestra estimación estaba un 25.3% mediano por encima del precio realizado (rango de +19.2% a +34.6%). La venta no validó nuestra estimación: la puso un techo.
• Las subastas de username son peores. En 11 subastas cerradas nuestra estimación fue 3.06× el precio final (mediana). Son nombres cortos y con patrón donde el modelo de clase casi no tiene evidencia comparable; la subasta encontró el precio real y era un tercio del nuestro.

La advertencia que hace estas cifras casi inútiles como medida de precisión: las cacerías son una muestra seleccionada, artículos que ya estaban anunciados por debajo de nuestra estimación. La selección garantiza que los precios realizados se agrupen en o bajo la estimación, así que este registro muestra qué pasó con lo que señalamos, pero no puede decir cuán preciso es el modelo en general. Solo el backtest de arriba y el registro prospectivo pueden hacerlo.

Lo que esta página no afirma

• No es un pronóstico. Una estimación habla de ventas comparables, no de lo que tu artículo logrará la semana que viene.
• No es una promesa. Las cifras en muestra no son una promesa, un backtest no es una promesa y un buen mes no es una promesa. Lo único que prometemos es publicar la cifra cuando empeore.
• No es un precio. No fijamos precios, no compramos y no garantizamos comprador en ningún nivel.
• No es todo el mercado. Cada venta aquí es de Fragment. Getgems, Portals, Tonnel y MRKT cotizan suelos distintos para la misma colección: el 2026-11-02, en 102 colecciones listadas a la vez en Fragment y Portals, la diferencia mediana fue −14,2% (Portals más barato) y 47 colecciones diferían un 15% o más. Una estimación basada en Fragment es una estimación basada en Fragment.
• No está auditada por terceros. El código, los datos y el método son nuestros. Publicamos el método, los tamaños de muestra y los intervalos para que puedas revisar el razonamiento en lugar de confiar en un logo.

Cómo comprobarnos

• Backtest: walk-forward con origen rodante sobre ventas reales de Fragment, sin fuga, parámetros congelados antes del holdout, intervalos bootstrap en medianas e intervalos de Wilson en proporciones. Ejecución 2026-10-31, método v2.
• Archivo de precisión en vivo: /data/valuation-accuracy.json — liquidados, abiertos, ventana y el changelog del modelo, legible por máquina.
• Historial: /es/track-record y /track-record.json — cada cacería con su enlace a Fragment, para comprobar cualquier resultado en la fuente.
• Método: /es/how-we-value para regalos y usernames, y /es/index para el índice de mercado.
• Correcciones: fechadas, nunca silenciosas. La corrección 5.2% → 28.2% de usernames ya está viva en /es/how-we-value con su nota fechada; esta página la repite en lugar de enterrarla.

Preguntas

¿Un error mediano del 16.7% es bueno?

Es honesto, no bueno. Significa que la mitad de nuestras estimaciones de regalos están más cerca del 16.7% y la otra mitad más lejos. Bajo 10 GRAM estamos en 12.5%; por encima de 100 GRAM en 73% (n = 31, preliminar). Quien da una sola cifra de precisión sin franjas está escondiendo la parte alta del mercado.

¿Por qué descartáis filas de vuestro propio backtest?

Porque en el 31% de las ventas evaluadas el suelo del día anterior era casi con certeza el precio pedido por el propio artículo, así que la estimación se medía contra sí misma. Mantenerlas daría un error mediano del 1.35%, que favorece al modelo. Publicamos ambos y titulamos el conservador.

¿Garantizáis una valoración?

No. Una estimación habla de ventas comparables, no es una promesa. No fijamos precios, no compramos y no garantizamos comprador en ningún nivel.

¿Dónde veo los números crudos?

El archivo de precisión en vivo es /data/valuation-accuracy.json, el historial es /track-record.json, y el conjunto de suelos diarios es CC BY 4.0 con DOI: 10.5281/zenodo.23897620.

Backtest: 2026-10-31 · Registro en vivo: 2026-11-02 · Página: 2026-11-03