Nachvollziehbares Auto-Tuning für kostenbewusste Krypto-Perpetual-Futures-Backtests

Zusammenfassung

Das Dokument stellt AutoQuant vor, ein regelbasiertes Entscheidungsunterstützungs-Framework zur Auswahl von Trading-Konfigurationen für Krypto-Perpetual-Futures. Es legt Ausführungszeitpunkt, Funding-Behandlung, Gebühren, Slippage und Machbarkeitsanforderungen offen und nutzt anschließend Bayes-Suche sowie ein stufenweises Screening über Bewertungszeiträume und Kostenannahmen hinweg. Deterministische Ergebnisse und Buchhaltungsprüfungen sollen die Auswahl innerhalb einer vorab festgelegten Signalfamilie nachvollziehbar und reproduzierbar machen.

Über die Kontrakte BTC, ETH, SOL und AVAX hinweg stellt die Studie fest, dass das Weglassen von Funding und Slippage Ergebnisse deutlich besser erscheinen lassen kann als vollständig kostenbereinigte Simulationen. Das stufenweise Verfahren garantiert keine höheren Renditen; im BTC-Referenzfall und in einigen Wiederholungen identifiziert es stattdessen Alternativen mit geringerem Drawdown oder weniger extremen Ergebnissen bei denselben Ausführungsregeln. Vergleiche, Ablationen, Diagnosen, inferenzstatistische Prüfungen und Replay-Bewertungen stützen seine Rolle als Validierungsverfahren. Die Evidenz beschränkt sich auf Simulationen mit kleinen Konten und linearen Kosten; Marktauswirkungen und Kapazitätsgrenzen institutioneller Größenordnungen werden nicht berücksichtigt.

Kernaussagen

• Explizite Ausführungs- und Funding-Regeln machen die Annahmen bei der Auswahl von Konfigurationen sichtbar.
• Bayes-Suche wird mit einem Screening über Zeitfenster und Transaktionskostenszenarien kombiniert.
• Das Ignorieren von Funding und Slippage kann die simulierte Performance erheblich überzeichnen.
• Ein stufenweises Screening kann Alternativen mit geringerem Drawdown bevorzugen, ohne höhere Renditen zu garantieren.
• Die Ergebnisse stammen aus Simulationen mit kleinen Konten und berücksichtigen weder Marktauswirkungen noch Kapazitätsgrenzen bei großem Umfang.

Schlagwörter

# 2512.22476


# AutoQuant: An Auditable Expert-System Framework for Execution-Constrained Auto-Tuning in Cryptocurrency Perpetual Futures









Backtests of cryptocurrency perpetual futures are sensitive to execution timing, funding alignment, trading costs, and reuse of evaluation windows during parameter search. In high-friction markets, attractive results may therefore reflect hidden implementation choices as much as signal quality. Using BTC/USDT, ETH/USDT, SOL/USDT, and AVAX/USDT perpetual contracts, this study examines whether an auditable execution-aware configuration-selection pipeline can reduce performance overestimation and expose parameter fragility more clearly than naive one-stage tuning. This paper proposes AutoQuant, an expert-system-style decision-support framework for configuration selection. AutoQuant encodes strict execution timing, funding visibility, cost realism, and feasibility constraints as explicit rules; combines Bayesian search with two-stage screening across windows and cost scenarios; and exports deterministic artifacts with accounting-invariant checks for traceability. The resulting governance protocol selects and documents configurations within a pre-specified signal family under strict semantics. Empirically, fee-only and zero-cost backtests materially inflate apparent performance relative to fully costed runs with funding and slippage. Two-stage screening does not guarantee higher returns; in the BTC anchor case and several replications, it more often surfaces lower-drawdown or less extreme alternatives under identical strict semantics. Same-budget optimizer comparison, module and screening-policy ablations, funding-rule diagnostics, inferential checks, cross-asset replications, and third-party replay checks position AutoQuant as auditable validation infrastructure for configuration selection under explicit execution and cost assumptions. The experiments use small-account simulations under linear costs and exclude market impact and institutional capacity constraints.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.