Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
OJS: https://revistascientificas.uach.mx/index.php/economicus
ISSN: 3061-8169
Como citar / How to cite:
Torres-González, V. M. (2025). Analizando la correlación entre el mercado de criptomonedas y el mercado computacional.
Economicus Journal of Business and Economics Insights, 2(1), 61–71. https://doi.org/10.54167/ejbei.v2i1.1805
Este artículo está bajo los términos de la Licencia Creative Commons Atribución/Reconocimiento NoComercial 4.0 Internacional.
This article is under the terms of the Creative Commons Attribution-NonCommercial 4.0 Internacional License.
(https://creativecommons.org/licenses/by-nc/4.0/).
Artículo
Analizando la correlación entre el mercado de
criptomonedas y el mercado computacional
Analyzing the correlation between the cryptocurrency
market and the computational market
Víctor Manuel Torres-González 1
1 Secretaría de Innovación y Desarrollo Económico, Gobierno del Estado de Chihuahua, Chihuahua, México;
victor.torres@chihuahua.gob.mx; ORCID: 0009-0008-0281-4063
Recibido: 30/10/2024; Aceptado: 25/12/2024; Publicado: 13/01/2025.
DOI: https://doi.org/10.54167/ejbei.v2i1.1805
Resumen: Este estudio examina la relación entre las fluctuaciones de precios de la tarjeta gráfica RX 6700XT y la
criptomoneda Ethereum (ETH) durante un período de alta volatilidad en el mercado, desde abril de 2021 hasta
abril de 2022. Basándose en datos de precios de Estados Unidos, Alemania y Japón, el análisis se centra en la RX
6700XT debido a su popularidad entre los mineros de criptomonedas por su eficiencia energética y su alto hash rate,
una medida de rendimiento computacional. Ethereum, seleccionada como la criptomoneda más rentable para la
minería de datos con tarjetas gráficas (GPU) durante el período analizado, sirve como base para el análisis
metodológico. La metodología se basa en un análisis de series de tiempo, pruebas de estacionariedad, cointegración
y la estimación de un modelo de corrección de errores basado en el marco teórico de Gujarati y Porter (2010). Los
resultados presentan evidencia empírica de que existe una relación entre los precios de criptomonedas y las tarjetas
gráficas, señalando la interacción económica entre estos mercados.
Palabras clave: Ethereum, Criptomoneda, Tarjetas Gráficas, Minería, Fluctuaciones de Precios, Impacto
Tecnológico.
Clasificación JEL: E42, G13, O33.
Víctor Manuel Torres-González 62
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Abstract: This study examines the relationship between price fluctuations of the RX 6700XT graphics card and the
cryptocurrency Ethereum (ETH) during a period of high market volatility from April 2021 to April 2022. Drawing
on price data from the United States, Germany, and Japan, the analysis focuses on the RX 6700XT due to its
popularity among cryptocurrency miners for its energy efficiency and high hash rate—a measure of computational
performance. Ethereum, selected as the most profitable cryptocurrency for GPU-based mining during the observed
timeframe, serves as the basis for the methodological analysis. The study employs time series analysis, stationarity
tests, cointegration tests, and an error correction model based on the framework of Gujarati and Porter (2010). The
findings provide empirical evidence of a significant relationship between cryptocurrency prices and graphics card
prices, highlighting the economic interplay between these markets.
Keywords: Ethereum, Cryptocurrency, Graphic Processing Unit, Mining, Price Fluctuations, Technological Impact.
JEL Classification: E42, G13, O33.
1. Introducción
Este artículo analiza una relación entre precios de componentes relevantes en el área computacional
(tarjetas gráficas) y las criptomonedas en tiempos de volatilidad. Si bien el auge de las criptomonedas
surgió con la creación de la red de Bitcoin y su moneda BTC, el análisis de esta investigación se enfoca
en el Ethereum (ETH), debido a que el minado de BTC requiere hardware más complejo (Stepanova et
al., 2024); por tanto, minar ETH es menos volátil en cuestiones de rentabilidad de minado (Spurr &
Ausloos, 2021) y es viable minarlo con tarjetas gráficas. De este modo, el análisis del Ethereum presenta
una mejor aproximación al objetivo de investigación, el cual es identificar cómo el precio de la
criptomoneda ETH afecta al precio de las tarjetas gráficas. Para alcanzar el objetivo planteado, la
metodología analiza específicamente precios de la tarjeta gráfica RX 6700XT, ya que la empresa que las
fabrica, Advanced Micro Devices (AMD), muestra tener mayores rentabilidades por costo de energía en
precios de tarjetas gráficas más accesibles (Kalkanci et al., 2019).
Como se mencionó anteriormente, la criptomoneda elegida para el análisis metodológico fue ETH,
a razón de que fue la más rentable durante el periodo en cuestiones de minado con tarjetas gráficas (GPU).
Considerando que la variación en estos precios se presenta de manera diaria, la metodología se basa en
un análisis de series de tiempo. Este análisis incluye pruebas de tendencia, la evaluación de si las series
son integradas de orden uno o cero (es decir, estacionariedad), búsqueda de evidencia de cointegración
entre las series y, finalmente, la estimación de un modelo de corrección de errores.
El documento se estructura de la siguiente manera: en primer lugar, se presenta una breve revisión
de la literatura relevante sobre las características de la criptomoneda Ethereum, el proceso de minería y
su relación con las tarjetas gráficas. A continuación, en la sección de metodología, se describen las
variables analizadas y las herramientas estadísticas empleadas en el estudio. En la cuarta sección, se
exponen los principales resultados obtenidos y finalmente, en la última sección, se ofrecen las
conclusiones derivadas del análisis.
2. Revisión de literatura
Adam Smith en su obra La Riqueza de las Naciones (1776), formula que, si hay una mayor demanda
de un producto X que de un producto Y, el precio del producto X tenderá a subir, por lo que el producto
Y será más atractivo posteriormente, porque será más económico que el X, llevando una autorregulación
en los precios (Smith, 2018). En el caso de la tarjeta gráfica (graphic processing unit - GPU) que es un
Analizando la correlación entre el mercado de criptomonedas y el mercado computacional 63
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
componente físico de un equipo de cómputo (Luebke et al., 2006; Wong et al., 2020), la demanda está
relacionada con aquella de los dispositivos de procesamiento sofisticado como el realizado en el minado
de criptomonedas.
De acuerdo con Hu et al. (2020), Ethereum es una plataforma descentralizada de software libre
publicada en 2014; ésta se ha formado como la plataforma descentralizada más grande actualmente
debido a los contratos inteligentes (smart contracts). Ethereum es la segunda plataforma blockchain con
mayor capitalización, siguiendo a Bitcoin (CoinMarketCap, 2024). Ethereum está dedicada a su
criptomoneda llamada Ether. El Ethereum puede ser intercambiado por otras criptomonedas; además de
poderse usar como método de pago por algunos desarrolladores para mantener sus aplicaciones,
incluyendo tarifas de transacciones y servicios computacionales (Chen et al., 2018). Otra característica
que posee Ethereum con respecto a Bitcoin es la introducción de Ethereum máquina virtual (Ethereum
virtual machine - EVM), se utiliza para el entorno de los contratos inteligentes (Solidity, 2019).
Por otro lado, durante la pandemia también se presentó la crisis de microchips, la cual representó
un problema que afectó a diversos sectores productivos. Durante 2021, la escasez de microchips provocó
una crisis que abarcó varios sectores industriales. La separación de las economías, los principales bloques
y la búsqueda de la autonomía estratégica por parte de cada uno de ellos volvió más complejo el entorno
de dependencias mutuas en el diseño y fabricación de microchips. La economía y la seguridad dependen
del rol que se tome sobre la cadena de suministros a nivel mundial (Feijóo, 2021).
Tal desabasto de semiconductores ocasionó afectaciones en los sectores automotriz,
electrodomésticos, robots, aviones, hardware encargado de inteligencia artificial y otras aplicaciones
relacionadas con la defensa nacional (Thorbecke, 2022). El sector automotriz es especialmente relevante
puesto que los vehículos a partir de 2021 presentan más computadoras que componentes mecánicos (Wu
et al., 2021). Principalmente en vehículos eléctricos (ej., Tesla), que han tenido varias marcas de hardware
computacional involucradas a lo largo de su fabricación, incluyendo NVIDIA, Intel y hasta AMD.
Horasia et al. (2021) efectuaron un estudio en Sydney, Australia acerca de la eficiencia energética y
la comparación del minado con energía solar entre una tarjeta gráfica RX 6800XT y un ASIC Antiminer
E9; sus resultados arrojan que es factible el minado con energía solar y que las tarjetas gráficas son un
buen método para minar gracias a que son más accesibles en comparación de costos con los ASICs;
mientras que los ASICs, a pesar de ser más costosos, la recuperación de la inversión es más rápida que la
de una tarjeta gráfica-GPU.
Por otra parte, Islam et al. (2021) realizaron un modelo acorde si el minado de criptomonedas es
rentable en un largo plazo. En este artículo los autores eligieron el minado de ETH, y calcularon el precio
de un rig de minería, que posee seis tarjetas gráficas RX 570, además de calcular un modelo de correlación
de los precios de la RX 570 (Y) y el precio de ETH donde se obtiene que: (X): Y = 0.2X, y un coeficiente de
determinación de 79.6%. Los datos de la relación fueron recabados de PCPARTIPICKER (Oberhaus,
2017). Posteriormente calcularon la tasa de hash que genera la RX 570 que dictamina la rentabilidad del
minado con esta tarjeta gráfica. El artículo concluye que el minado después de un año se vuelve difícil
para generar ganancias de acuerdo con el crecimiento orgánico.
3. Metodología
Para analizar la relación entre el precio de la tarjeta gráfica y el precio del Ethereum, se plantea la
estimación del modelo econométrico de la ecuación 1:
!𝑙𝑇𝐺!= 𝛽"+ 𝛽#𝑙𝑒𝑡ℎ!+ 𝑒! (1)
En donde 𝑙𝑇𝐺! es el logaritmo natural del precio de la tarjeta gráfica en el día t, 𝑙𝑒𝑡ℎ! es el logaritmo
natural del precio del Ethereum en el día t, y 𝑒! es el término de error.
Víctor Manuel Torres-González 64
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
En este sentido, Wooldridge (2016) menciona que, al tratarse de datos de series de tiempo, es
importante examinar si los datos presentan una tendencia o un comportamiento estacional, ya que de no
hacerlo se corre el riesgo de encontrar una relación espuria. De esta manera, primeramente se realiza un
análisis gráfico y de estadística descriptiva de las series.
Por otra parte, el mismo autor menciona que es necesario que las variables presenten cierta
estabilidad para que los estimadores de la ecuación 1 no muestren una relación espuria.
Por esta razón se realizan pruebas de raíz unitaria Phillips-Perron a las series y a sus primeras
diferencias, considerando el modelo de la ecuación 2:
𝑥!= 𝛼 + 𝜌𝑥!$" +𝛽𝑡 + 𝑢! (2)
La prueba Phillips-Perron calcula un estadístico de prueba para probar 𝐻𝑜: 𝜌 = 1 (raíz unitaria)
considerando rezagos Newey-West y posible tendencia. En este sentido, se establece el número de
rezagos con base en el criterio Schwarz-Bayesian y el término de tendencia con base en la significancia
de 𝛽.
A partir de los resultados de estas pruebas de raíz unitaria y la evidencia de que son I(1), se procede
a estimar el modelo 1 en primeras diferencias. Sin embargo, Wooldridge (2016) menciona que es posible
que existan fuerzas económicas que permitan una especificación estable o estacionaria de la relación entre
dos variables no estacionarias, es decir, que estén cointegradas. En este caso es posible recuperar
información de largo plazo de las variables.
De esta manera, después de realizar las pruebas de raíz unitaria se prueba si existe un parámetro
que brinde cointegración entre el precio del Ethereum y el precio de las tarjetas gráficas considerando la
metodología de Engel explicada en Wooldridge (2016). La prueba consiste en estimar el modelo 1 y
recuperar el residuo, de manera que se especifique la relación entre las variables con base en el parámetro
estimado y que se reexpresa en la ecuación 3:
𝐶𝐸!=𝑙𝑇𝐺!− 𝛽𝑙𝑒𝑡ℎ! (3)
En la ecuación 3 𝐶𝐸! representa al estimador del error 𝑒! de la ecuación 1, 𝛽 es el parámetro de
cointegración y que muestra la relación de largo plazo entre las variables, 𝑙𝑇𝐺! y 𝑙𝑒𝑡ℎ! representan las
mismas variables de la ecuación 1. Engel menciona que si 𝑙𝑇𝐺! y 𝑙𝑒𝑡ℎ! están cointegradas, entonces una
prueba de raíz unitaria a 𝐶𝐸! rechazaría la hipótesis nula de raíz unitaria a favor de estabilidad
(estacionariedad) en el término 𝐶𝐸!. Para ello se realiza la prueba Phillips-Perron a dicho término.
Una vez realizada la prueba de cointegración, Wooldridge (2016) menciona que es posible capturar
la dinámica de corto plazo entre las variables mediante la estimación de un modelo de corrección de
errores. De esta manera, se estima el modelo de la ecuación 4:
∆𝑙𝑇𝐺!= 𝛼"+ 𝛼#∆𝑙𝑒𝑡ℎ!+ 𝛼%𝐶𝐸!$" + 𝑣! (4)
En donde ∆𝑙𝑇𝐺! es la primera diferencia del logaritmo natural del precio de la tarjeta gráfica en el
día t, ∆𝑙𝑒𝑡ℎ! es la primera diferencia del logaritmo natural del precio del Ethereum en el día t, y 𝐶𝐸!$"
es el término de corrección de errores rezagado (día t-1). El coeficiente 𝛼% muestra cómo se recupera la
relación de largo plazo ante un shock en el equilibrio.
Los datos utilizados comprenden precios diarios de la tarjeta gráfica RX 6700XT de 12GB GDDR6
publicados por Amazon Estados Unidos (2022a), Amazon Alemania (2022b) y Amazon Japón (2022c) del
26 de abril de 2021 al 28 de abril de 2022; y los precios de Ethereum (CoinMarketCap, 2022), con los que
se contrasta a la GPU. Se usan los países de Estados Unidos, Alemania y Japón ya que son los mercados
importantes de Amazon en sus respectivos continentes. Además de ser más accesible la información de
estos países. Finalmente, la Tabla 1 describe las variables a utilizar en el análisis estadístico a mayor
detalle.
Analizando la correlación entre el mercado de criptomonedas y el mercado computacional 65
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Tabla 1. Descripción de las variables.
Variable
Descripción
ETH
Precio de ETH
USA
Precio de la RX 6700 XT en Estados Unidos en dólares americanos.
JAP
Precio de la RX 6700 XT en Japón en dólares americanos.
GER
Precio de la RX 6700 XT en Alemania en dólares americanos.
LETH
Logaritmo del precio de ETH
LUSA
Logaritmo del precio de la RX 6700 XT en Estados Unidos en dólares americanos.
LJAP
Logaritmo del precio de la RX 6700 XT en Japón en dólares americanos.
LGER
Logaritmo del precio de la RX 6700 XT en Alemania en dólares americanos.
Fuente: Elaboración propia.
4. Resultados
4.1. Análisis descriptivo
Para comenzar con el desarrollo de los resultados se efectuará un análisis de estadística descriptiva
como se indica en el apartado metodológico. Asimismo, se realiza un análisis gráfico de las variables con
el fin de previsualizar si las series presentan tendencia o estacionalidad, y si hay algún sentido
correlacional a simple vista, para así poder especificar de mejor manera el modelo econométrico
posterior.
La Tabla 2 muestra que el precio de la tarjeta gráfica RX 6700XT presentó algunas diferencias entre
países, mostrando el mayor promedio y rango en Alemania (USD $1,133.00 y USD $796.00 – USD
$1,893.00 respectivamente), pero el menor promedio en Japón (USD $880.00) y el menor rango en Estados
Unidos (USD $599.00 – USD $1,299.00). Las desviaciones estándar muestran que hubo una mayor
dispersión en la distribución de los precios en Japón (USD $272.00), y fue menor en Estados Unidos (USD
$169.00). Finalmente, el precio del Ethereum presentó una variación relativamente grande
(aproximadamente 22%) respecto a la media (desviación estándar de USD $711.00). Estas diferencias en
rangos y valores sugieren el uso de logaritmos en el análisis estadístico y econométrico posterior.
Tabla 2. Datos generales de las variables.
Promedio
Desv. Estándar
Mínimo
Máximo
3,182.48
711.71
1,786.28
4,810.07
997.61
169.08
599.00
1,299.00
880.13
272.98
630.76
1,499.07
1,133.26
204.6
796.84
1,893.68
Fuente: Estimación propia con datos de Amazon (2022a; 2022b; 2022c) y CoinMarketCap (2022).
En las siguientes gráficas de tendencia (Figuras 1, 2 y 3) se transforman los precios a sus logaritmos
naturales para cambiar la escala y que sean más apreciables los cambios y se comparen más fácilmente.
La línea roja mostrada en las tres figuras representa al logaritmo del precio del Ethereum, en la que se
observa mucha volatilidad, mientras que en las líneas azules están representadas por el logaritmo del
precio de las gráficas de cada país.
En la Figura 1 se puede observar que en general parece haber una relación donde el precio de la
tarjeta gráfica sigue al Ethereum, y en el periodo de octubre 2021 a enero 2022 se ven muy similares en
precio. Sin embargo, a partir de abril 2022 se puede visualizar como el Ethereum sube, mientras que el
precio de la tarjeta gráfica baja. Por otra parte, anticipándose al análisis de estacionariedad, la Figura 1
parece sugerir que ambas series no son estacionarias, pues aunque en promedio no hay un cambio tan
Víctor Manuel Torres-González 66
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
marcado en el periodo analizado, parece que ambas presentan un comportamiento más bien aleatorio no
estable.
Figura 1. Logaritmo de ETH y logaritmo del precio de la tarjeta gráfica en USA.
Fuente: Elaboración propia con datos de Amazon (2022a) y CoinMarketCap (2022).
Figura 2. Logaritmo de ETH y logaritmo del precio de la tarjeta gráfica en JAP.
Fuente: Elaboración propia con datos de Amazon (2022b) y CoinMarketCap (2022).
En la Figura 2 se puede analizar cómo reaccionó el mercado de las tarjetas gráficas en Japón ante la
alza de precios del Ethereum, donde se observa en sus principales alzas en los precios (por ejemplo antes
de julio de 2021, y entre octubre de 2021 y enero de 2022) cómo la tarjeta gráfica le acompaña de manera
similar. Nuevamente se aprecia que ambas series parecen seguir un comportamiento de caminata
aleatoria (serie no estable).
Analizando la correlación entre el mercado de criptomonedas y el mercado computacional 67
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Figura 3. Logaritmo de ETH y logaritmo del precio de la tarjeta gráfica en GER.
Fuente: Elaboración propia con datos de Amazon (2022c) y CoinMarketCap (2022).
En la Figura 3 se ve más claramente que en las Figuras 2 y 3 como hay una mayor relación entre los
precios del Ethereum y de la tarjeta gráfica del mercado alemán, pues se observa cómo en el primer
trimestre (desde el inicio del periodo y agosto 2021) van en descenso ambas líneas. Posteriormente sufre
de un alza en los precios del periodo de agosto llegando a su cima entre noviembre y diciembre de 2021.
Para los últimos meses en la línea de la tarjeta gráfica se ve más estabilizada, con la excepción del periodo
de abril de 2022 que es la última alza del Ethereum del periodo analizado. Del mismo modo esta figura
presenta un comportamiento aleatorio (no estacionario) más claro del precio de la tarjeta gráfica,
mostrando una mayor posibilidad de que se deban transformar las variables a su primera diferencia para
el análisis econométrico.
4.2. Modelo econométrico
Como se explica en el apartado metodológico, para el análisis estadístico y econométrico se tienen
datos de precios para un periodo de un año de manera diaria, y también se disponen de datos de una
misma tarjeta gráfica, pero con diferentes precios acordes a su mercado (Estados Unidos, Japón y
Alemania). Por otro lado, dado que se tiene el precio de una criptomoneda cuyo precio no varía por país,
no es posible analizar un modelo de panel de datos longitudinal; sino, más bien se estiman tres modelos
de series de tiempo considerando el modelo de la ecuación 1.
4.2.1. Prueba de estacionariedad
Como se menciona en el apartado metodológico, se estima esta prueba para determinar que haya
una estabilidad a lo largo del tiempo, para ello se emplea la prueba de raíz unitaria a las variables en
nivel y en sus primeras diferencias; es decir, se prueba si las variables son o no integradas de orden 1 o
0, para poder hacer el análisis del modelo posterior. Para poder proseguir de la mejor manera se debe
especificar el número de rezagos que se presentan en la prueba de raíz unitaria; para ello, se usa el criterio
Schwarz-Bayesian para determinar el número de rezagos. Los resultados se muestran en la Tabla 3.
Víctor Manuel Torres-González 68
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Tabla 3. Pruebas de raíz unitaria Phillips-Perron.
Variable
Estadístico
Tendencia
Rezagos
Valor crítico
5%
1%
lETH
-2.269
No
1
-2.87
-3.45
lUSA
-2.537
Si
2
-3.42
-3.98
lGER
-4.446**
No
2
-3.42
-3.98
lJAP
-3.482*
No
1
-3.42
-3.98
dlETH
-20.906**
No
0
-2.87
-3.45
dlUSA
-22.625**
No
2
-2.87
-3.45
dlGER
-23.662**
No
2
-2.87
-3.45
dlJAP
-19.694**
No
0
-2.87
-3.45
Fuente: Estimación con datos de Amazon (2022a; 2022b; 2022c) y CoinMarketCap (2022). Nota: * Significativo al 95%,
** significativo al 99%.
En las pruebas de raíz unitaria mostradas en la Tabla 3 se puede destacar que en la primera
diferencia todos los estadísticos son significativos al 99% (rechaza la presencia de raíz unitaria), y para el
caso del logaritmo del precio de la tarjeta en Alemania y Japón se rechaza la hipótesis nula de raíz unitaria
en su nivel al 99% y 95% de confianza respectivamente. Con estos resultados se puede decir que lETH y
lUSA son integradas de orden 1; además, las primeras diferencias de todas las variables son estables por
lo que se pueden utilizar en el análisis econométrico posterior.
4.2.2. Pruebas de cointegración de Engel
Debido a que los estadísticos de lETH y lUSA muestran que estas variables no son estables, en
primera instancia no se estima el modelo de la manera planeada, es decir, la ecuación 1, esto debido a
que realizarlo conllevaría a realizar un cálculo espurio. No obstante, si se determina que hay una
cointegración entre las variables, se puede decir que hay fuerzas económicas que determinan que haya
una relación entre los cambios en los precios de tarjetas gráficas y Ethereum en el largo plazo. Por esta
razón se hace la prueba de cointegración de Engel como se explica en el apartado metodológico. Los
resultados de las pruebas de cointegración entre el precio del Ethereum y el precio de la tarjeta gráfica
para cada país se muestran en la Tabla 4.
Tabla 4. Prueba de cointegración de Engel.
Variable
Estadístico
Tendencia
Rezagos
Valor crítico
5%
1%
Ce-usa
-3.2*
No
2
-2.87
-3.45
Ce-ger
-5.404**
No
2
-2.85
-3.45
Ce-jap
-4.745**
No
1
-2.85
-3.45
Fuente: Estimación con datos de Amazon (2022a; 2022b; 2022c) y CoinMarketCap (2022). Nota: * Significativo al 95%,
** significativo al 99%.
La Tabla 4 muestra que en los tres casos se estima que sí hay cointegración al 95% (al 99% en el caso
de Alemania y Japón), por lo que se determina que sí hay fuerzas económicas que influyen en la relación
estable de largo plazo entre la criptomoneda Ether y las tarjetas gráficas. Sin embargo, aún no se conoce
cuánto afecta en cada mercado en el corto plazo, es por ello que se estiman los modelos de corrección de
errores mostrados en la ecuación 4, utilizando los vectores de cointegración que determinan la fuerza con
la que las fuerzas económicas afectan la relación entre la criptomoneda Ether y las tarjetas gráficas. Los
vectores de cointegración para cada mercado se muestran en la Tabla 5.
Analizando la correlación entre el mercado de criptomonedas y el mercado computacional 69
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Tabla 5. Vectores de cointegración.
Variables explicativas
USA
JAP
lETH
0.3096**
0.6018**
t
-0.0012**
-0.001**
R2
0.5026
0.3381
F
186**
93.21**
Fuente: Estimación con datos de Amazon (2022a; 2022b; 2022c) y CoinMarketCap (2022). Nota: * Significativo al 95%,
** significativo al 99%.
Un vector de cointegración fundamenta cuánto afecta una variable a otra en el largo plazo, aun
cuando no hay estacionariedad en las variables. En la Tabla 5 se muestra que la relación entre el precio
del Ethereum y la tarjeta gráfica RX 6700XT es positiva y significativa en los tres mercados, controlando
por la tendencia. Específicamente, los coeficientes de cointegración indican que, si el precio del Ethereum
aumenta en 1%, en el largo plazo el precio de la tarjeta gráfica aumenta en promedio un 0.30%, 0.33% y
0.60% en Estados Unidos, Alemania y Japón respectivamente. Estos resultados son congruentes con la
teoría mostrando una relación positiva entre el precio del bien (expectativas) y el precio de insumos.
Los coeficientes de la tendencia indican que en el largo plazo el precio de las tarjetas ha disminuido.
Interesantemente, a pesar de que el análisis gráfico sugiere una mayor relación entre el precio del
Ethereum y de la tarjeta gráfica en Alemania, el modelo para el mercado de Estados Unidos muestra un
mejor ajuste (R2 = 0.50). Al utilizar estos vectores de cointegración como términos de corrección de errores
para los modelos de la ecuación 4, se tienen los resultados de la Tabla 6.
Tabla 6. Modelo de corrección de errores.
Variables explicativas
∆𝐔𝐒𝐀
∆𝐉𝐀𝐏
∆𝑙𝐸𝑇𝐻
.
0.0125
-0.0389
l.ce
-0.0772**
-0.109**
R2
0.044
0.0596
F
8.38**
11.54**
Fuente: Estimación con datos de Amazon (2022a; 2022b; 2022c) y CoinMarketCap (2022). Nota: * Significativo al 95%,
** significativo al 99%.
La Tabla 6 muestra que el término de corrección de errores es estadísticamente significativo y con el
signo esperado en los tres modelos; del mismo modo los tres modelos de corrección de errores resultan
estadísticamente significativos al 99%. Como se explica en el apartado metodológico, el coeficiente de
este término indica la dinámica de corto plazo entre las variables, es decir, cómo las fuerzas económicas
llevan la relación de largo plazo al equilibrio ante un shock.
De esta manera, los coeficientes de corrección de errores indican que si se sale del equilibrio en la
relación de largo plazo en un punto porcentual (causado por ejemplo por un incremento de un punto
porcentual en el precio de la tarjeta gráfica), en promedio toma 14, 7 o 10 días en volver al equilibrio en
Estados Unidos, Alemania y Japón respectivamente.
5. Conclusiones
Con los resultados obtenidos se puede determinar que hay suficiente evidencia para no rechazar
que la volatilidad de las criptomonedas afecta al mercado de las tarjetas gráficas, y el que todos los
mercados de nivel mundial que tienen la posibilidad de acceder a comprar una tarjeta gráfica pueden
pertenecer a la red de mineros que valida las transacciones de la criptomoneda. El alza en las
criptomonedas vuelve rentable minar, lo que crea una especie de burbuja que se va inflando conforme
Víctor Manuel Torres-González 70
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
aumenta el precio, y mientras la burbuja sea más y más grande, al igual será la rentabilidad de la minería
de criptomonedas; por tanto, mayor será la demanda de tarjetas gráficas.
Es interesante observar cómo se comportan estos dos mercados que en primera instancia no tiene
mucho sentido que estén relacionados y lo que se podría pensar que es una correlación espuria, resulte
en una correlación real entre las fuerzas económicas de ambos mercados en el largo plazo; sin embargo,
cuando se observan todas las implicaciones de la blockchain, sobre cómo trabajan los mineros para validar
las transacciones y el hardware que necesitan para llevar a cabo el minado es cuando hace sentido este
resultado.
Una posible alternativa para resolver este problema podría ser que las compañías creen modelos de
gráficas que se especialicen en la tarea del minado, para cuando ocurra otra burbuja de criptomonedas,
se tenga el inventario necesario y se pueda minimizar el problema de los precios; estas gráficas se podrían
reutilizar de gráficas defectuosas que no muestren video, pero que si sean capaces de procesar
información, por lo que podrían ser más rentables para las compañías.
Contribuciones de los autores según CRediT: “El autor ha leído y aprobado la versión publicada del manuscrito.”
Conflictos de Interés: “El autor declara no tener conflictos de interés.”
Referencias
Amazon (2022a). PowerColor Hellhound - Tarjeta gráfica AMD Radeon RX 6700 XT para juegos con memoria
GDDR6 de 12 GB, alimentada por AMD RDNA 2, Raytracing, PCI Express 4.0, HDMI 2.1, AMD Infinity Cache.
https://www.amazon.com/dp/B08Y93KQR4?psc=1
Amazon (2022b). PowerColor Hellhound AMD Radeon RX 6700 XT Gaming Grafikkarte mit 12 GB GDDR6 Speicher,
angetrieben von AMD RDNA 2, Raytracing, PCI Express 4.0, HDMI 2.1, AMD Infinity Cache AXRX 6700XT
12GBD6-3DHL. https://www.amazon.de/dp/B08Y93KQR4?psc=1
Amazon (2022c). Power Color AMD Radeon RX6700XT Graphics Board GDDR6 12 GB AXRX 6700XT 12GBD6-
3DHL. https://www.amazon.co.jp/dp/B08Y93KQR4?psc=1
Chen, T., Li, Z., Zhu, Y., Chen, J., Luo, X., Lui, J. C-S., Lin, X., & Zhang, X. (2020). Understanding Ethereum via Graph
Analysis. ACM Transactions on Internet Technology (TOIT), 20(2), 18, 1–32. https://doi.org/10.1145/3381036
CoinMarketCap. (2022). Ethereum. https://coinmarketcap.com/es/currencies/ethereum/
CoinMarketCap. (2024). Capitalización. https://coinmarketcap.com/
Feijóo, C. (2021). La dinámica de las relaciones internacionales en tecnología a través de la cadena de valor global de
la fabricación de sistemas microelectrónicos. Global Strategy Report, No. 33/2021. https://global-
strategy.org/relaciones-internacionales-microelectronicos/
Gujarati, D. N., & Porter, D. C. (2010). Econometría. McGraw Hill.
Horasia, C., Rehman, N., Max, Y., & Abdul, R. (2021). Sustainable Cryptocurrency Mining. Asia-Pacific Solar Research
Conference. https://www.researchgate.net/publication/357168567
Hu, T., Liu, X., Chen, T., Zhang, X., Huang, X., Niu, W., Lu, J., Zhou, K., & Liu, Y. (2020). Transaction-based
classification and detection approach for Ethereum smart contract. Information Processing and Management, 58(2),
102462. https://doi.org/10.1016/j.ipm.2020.102462
Islam, N., Mariankis, Y., Olson, S., White, R., & Walsh, S. (2021). Is Blockchain mining profitable in the long run?
IEEE Transactions on Engineering Management, 70(2), 386–399. https://doi.org/10.1109/TEM.2020.3045774
Kalkanci, G., Cankaya, I., & Kizilbey, O. (2019). Measurement, Comparison and improvement of the performance of
the graphics cards used in Ethereum mining. International Journal of Scientific & Technology Research, 8(4), 300–
303. https://www.researchgate.net/publication/338896109
Li, M.-Y., Su, S.-K., Wong, P. H.-S., & Li, L.-J. (2019). How 2D semiconductors could extend Moore’s law. Nature, 567,
169–170. https://doi.org/10.1038/d41586-019-00793-8
Analizando la correlación entre el mercado de criptomonedas y el mercado computacional 71
Economicus Journal of Business and Economics Insights 2025 2(1), 61–71
Luebke, D., Harris, M., Govindaraju, N., Lefohn, A., Houston, M., Owens, J., Segal, M., Papakipos, M., & Buck, I.
(2006). GPGPU: general-purpose computation on graphics hardware. Proceedings of the 2006 ACM/IEEE
conference on Supercomputing, 208-es. https://doi.org/10.1145/1188455.118867
Oberhaus, D. (2017, junio 17). Cryptocurrency Mining Is Fueling a GPU Shortage.
https://motherboard.vice.com/en_us/article/zmemza/cryptocurrency-mining-fueling-a-gpu-shortage
Smith, A. (2018). Investigación sobre la naturaleza y causas de la riqueza de las naciones. (E. Cannan, Ed.). Fondo de Cultura
Económica. (Trabajo original publicado 1776).
Solidity (2019). Solidity Documentation. https://solidity.readthedocs.io/en/v0.5.11/index.html
Spurr, A., & Ausloos, M. (2021). Challenging practical features of Bitcoin by the main altcoins. Quality & Quantity,
55, 1541–1559. https://doi.org/10.1007/s11135-020-01062-x
Stepanova, D., Yousif, N. B., Karlibaeva, R., & Mikhaylov, A. (2024). Current analysis of cryptocurrency mining
industry. Journal of Infrastructure, Policy and Development, 8(7), 4803. https://doi.org/10.24294/jipd.v8i7.4803
Thorbecke, W. (2022). The Semiconductor Industry in the Age of Trade Wars, COVID-19, and Strategic Rivalries.
RIETI Discussion Paper Series 21-E-064. https://www.rieti.go.jp/jp/publications/dp/21e064.pdf
Wong, P.-S.P., Akarvardar, K., Antoniadis, D., Bokor, J., Hu, C., King-Liu, T.-J., Mitra, S., Plummer, J. D., &
Salahuddin, S. (2020). A Density Metric for Semiconductor Technology. Proceedings for the IEEE, 108(4), 478–
482. https://doi.org/10.1109/JPROC.2020.2981715
Wooldridge, J. M. (2016). Econometric analysis of cross section and panel data (5a. Edición). MIT Press.
Wu, X., Zhang, C., & Du, W. (2021). An Analysis on the Crisis of "Chips shortage" in Automobile Industry. Journal of
Physics: Conference Series, 1971, 012100. https://doi.org/10.1088/1742-6596/1971/1/012100