Ausreißererkennung in Bitcoin-Orderbüchern im Modellvergleich

Zusammenfassung

Diese Studie vergleicht dreizehn statistische und auf maschinellem Lernen basierende Modelle, um ungewöhnliche Beobachtungen in Bitcoin-Limit-Orderbuchdaten zu erkennen. Sie bewertet die Modelle in einem gemeinsamen Rahmen für die Erkennung von Anomalien in Echtzeit, der möglicherweise auch zur Untersuchung manipulativen Handels eingesetzt werden kann. Das laut Studie stärkste Modell, Empirical Covariance, übertraf in seinem Backtest eine Benchmark für Kaufen und Halten.

Die Belege beruhen auf 26,204 Datensätzen einer großen Börse. Die Autoren erörtern Zielkonflikte zwischen Modellkomplexität, Handelsfrequenz und Leistung und beschreiben die Ausreißererkennung als möglichen Beitrag zum Handel und Risikomanagement. Der Ausschnitt enthält kaum Angaben zum Datenzeitraum, zu Transaktionskosten, zur Konstruktion der Benchmark, zu Modelleinstellungen oder zu Validierungsverfahren. Daher sollte nicht angenommen werden, dass sich der berichtete Gewinn auf andere Handelsplätze oder Marktbedingungen übertragen lässt.

Kernaussagen

• Die Studie bewertet dreizehn Verfahren zur Erkennung von Ausreißern in Bitcoin-Limit-Orderbüchern.
• Empirical Covariance wird als leistungsstärkstes Modell im Backtest angegeben.
• Der Vergleich nutzt 26,204 Datensätze einer großen Börse.
• Modellkomplexität und Handelsfrequenz werden als relevante Zielkonflikte für die Leistung dargestellt.
• Der Ausschnitt enthält keine Angaben zu Kosten oder Validierungsdetails, die zur Beurteilung der Live-Anwendbarkeit nötig wären.

Schlagwörter

# A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books


# A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books









The detection of outliers within cryptocurrency limit order books (LOBs) is of paramount importance for comprehending market dynamics, particularly in highly volatile and nascent regulatory environments. This study conducts a comprehensive comparative analysis of robust statistical methods and advanced machine learning techniques for real-time anomaly identification in cryptocurrency LOBs. Within a unified testing environment, named AITA Order Book Signal (AITA-OBS), we evaluate the efficacy of thirteen diverse models to identify which approaches are most suitable for detecting potentially manipulative trading behaviours. An empirical evaluation, conducted via backtesting on a dataset of 26,204 records from a major exchange, demonstrates that the top-performing model, Empirical Covariance (EC), achieves a 6.70% gain, significantly outperforming a standard Buy-and-Hold benchmark. These findings underscore the effectiveness of outlier-driven strategies and provide insights into the trade-offs between model complexity, trade frequency, and performance. This study contributes to the growing corpus of research on cryptocurrency market microstructure by furnishing a rigorous benchmark of anomaly detection models and highlighting their potential for augmenting algorithmic trading and risk management.

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.