Metodología de investigación
Haz que la afirmación sea fácil de cuestionar.
La investigación de mercados falsable con AI no consiste tanto en producir más ideas como en crear las condiciones para que una idea atractiva pueda fallar con claridad. Esta es la disciplina práctica que AUR usa para separar una pregunta de investigación de un resultado digno de confianza.
El ciclo de investigación de AUR
Un método es útil cuando otro investigador cuidadoso puede entender qué se preguntó, qué información estaba disponible, qué refutaría la afirmación y qué restricciones siguen importando. La secuencia siguiente explica públicamente esos estándares sin exponer detalles de implementación activa.
- 01
Pregunta si la información puede existir antes del precio
Empieza por un mecanismo, no por un patrón. ¿Qué podría observarse antes de la respuesta del precio y por qué estaría disponible para el sistema de investigación en ese momento?
- 02
Congela la hipótesis antes de revisar los resultados
Escribe la pregunta, las definiciones, el momento, el alcance y las condiciones de fallo antes de mirar el resultado que podría hacer persuasiva la idea. Un objetivo móvil no puede comprobarse con honestidad.
- 03
Haz explícito el momento causal
Separa cuándo estuvo disponible una observación de cuándo podría haberse tomado una decisión. Ten en cuenta el orden, los retrasos, las revisiones y cualquier transformación que pueda introducir información del futuro por accidente.
- 04
Intenta falsar la afirmación
Busca las condiciones que deberían romper el mecanismo propuesto. Cuestiona definiciones, explicaciones alternativas, cambios de régimen, datos ausentes y resultados que desaparecen al variar decisiones razonables.
- 05
Usa validación fuera de muestra o prospectiva
La evidencia debe probarse con información que no haya dado forma a la hipótesis. La evaluación fuera de muestra y la observación prospectiva reducen la tentación de tratar un ajuste dentro de muestra como un descubrimiento.
- 06
Incluye costes realistas y restricciones operativas
Considera comisiones, diferencial, deslizamiento, latencia, liquidez, disponibilidad, límites de posición y el trabajo práctico necesario para observar y actuar. Un resultado que solo funciona en un entorno idealizado no está completo.
- 07
Conserva un rastro de auditoría
Preserva la relación entre pregunta, datos, transformación, evaluación y conclusión. Los registros versionados permiten distinguir una prueba planificada de una explicación escrita después de los hechos.
- 08
Documenta los fallos y publica solo lecciones seguras
Las ideas fallidas forman parte del resultado de la investigación. AUR busca compartir lo que un fallo enseña sobre el método y el razonamiento, manteniendo fuera del registro público los parámetros sensibles, las señales activas y la infraestructura privada.
Qué significa este estándar en la práctica
Una explicación generada con fluidez por AI puede hacer que una hipótesis débil parezca inevitable. Por eso el sistema de investigación debe crear fricción: definiciones explícitas, preguntas fijas, controles de momento, revisión adversarial y evidencia más difícil de optimizar. AI puede ampliar la búsqueda y afinar el cuestionamiento, pero no reduce el estándar de prueba.
El método es compatible deliberadamente con la incertidumbre. Un resultado puede ser interesante sin ser duradero. Una prueba fallida puede ser valiosa sin ser publicable por completo. La investigación pública debe dejar a los lectores un mapa más exacto de lo intentado, lo que puede afirmarse y lo que sigue sin saberse.