Synthetische Zeitreihen für den Kryptohandel bewerten

Zusammenfassung

CTBench ist ein Benchmark zur Bewertung synthetischer Kryptowährungszeitreihen. Anlass sind der fortlaufende Handel, die hohe Volatilität und die schnellen Regimewechsel des Marktes. Der Benchmark bündelt Daten von 452 Tokens und bewertet acht repräsentative Erzeugungsmodelle über vier Marktregime hinweg. Die Kennzahlen umfassen insgesamt 13 Metriken zu Prognosegenauigkeit, Querschnittsrangfolge, Handelsergebnissen, Risiko und Rechenaufwand.

Der Benchmark umfasst zwei Aufgaben: Der prognostische Nutzen prüft, ob generierte Daten für Prognosen nützliche Muster bewahren; die statistische Arbitrage untersucht, ob rekonstruierte Reihen mittelwertrückkehrende Handelssignale unterstützen können. Die berichtete Analyse zeigt Zielkonflikte zwischen statistischer Treue und Profitabilität auf und bietet vergleichende Ranglisten sowie Hilfestellung bei der Modellauswahl. Der Benchmark liefert einen Rahmen zur Bewertung synthetischer Daten. Seine Ergebnisse hängen jedoch von den gewählten Modellen, Kennzahlen, Marktregimen und Bewertungsstrategien ab. Eine starke Ähnlichkeit synthetischer Daten mit realen Daten allein belegt keinen Nutzen im Live-Handel.

Kernaussagen

• CTBench bewertet generierte Krypto-Zeitreihen sowohl für Prognosen als auch für Handelszwecke.
• Die Kennzahlen decken Prognosen, Querschnittsrangfolge, Handelsperformance, Risiko und Recheneffizienz ab.
• Die Aufgabe zum prognostischen Nutzen prüft, ob synthetische Daten für Vorhersagen nützliche Muster bewahren.
• Die Aufgabe zur statistischen Arbitrage untersucht, ob die Daten mittelwertrückkehrende Handelssignale unterstützen.
• Die berichteten Vergleiche zeigen, dass statistische Treue und Profitabilität auseinanderfallen können.

Schlagwörter

# CTBench: Cryptocurrency Time Series Generation Benchmark


# CTBench: Cryptocurrency Time Series Generation Benchmark









Synthetic time series are essential tools for data augmentation, stress testing, and algorithmic prototyping in quantitative finance. However, in cryptocurrency markets, characterized by 24/7 trading, extreme volatility, and rapid regime shifts, existing Time Series Generation (TSG) methods and benchmarks often fall short, jeopardizing practical utility. Most prior work (1) targets non-financial or traditional financial domains, (2) focuses narrowly on classification and forecasting while neglecting crypto-specific complexities, and (3) lacks critical financial evaluations, particularly for trading applications. To address these gaps, we introduce \textsf{CTBench}, the first comprehensive TSG benchmark tailored for the cryptocurrency domain. \textsf{CTBench} curates an open-source dataset from 452 tokens and evaluates TSG models across 13 metrics spanning 5 key dimensions: forecasting accuracy, rank fidelity, trading performance, risk assessment, and computational efficiency. A key innovation is a dual-task evaluation framework: (1) the \emph{Predictive Utility} task measures how well synthetic data preserves temporal and cross-sectional patterns for forecasting, while (2) the \emph{Statistical Arbitrage} task assesses whether reconstructed series support mean-reverting signals for trading. We benchmark eight representative models from five methodological families over four distinct market regimes, uncovering trade-offs between statistical fidelity and real-world profitability. Notably, \textsf{CTBench} offers model ranking analysis and actionable guidance for selecting and deploying TSG models in crypto analytics and strategy development.

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.