Comparación de detectores estadísticos y de aprendizaje automático para libros de órdenes de Bitcoin

Resumen

Este estudio compara trece modelos estadísticos y de aprendizaje automático para identificar observaciones inusuales en datos del libro de órdenes limitadas de Bitcoin. Evalúa los modelos en un marco común diseñado para detectar anomalías en tiempo real, con posibles aplicaciones al análisis de conductas de negociación manipuladoras. El modelo con mejores resultados comunicados es Empirical Covariance, que, según el estudio, superó en su backtest a un referente de comprar y mantener.

Las pruebas proceden de 26,204 registros de una gran plataforma de intercambio. Los autores analizan las compensaciones entre la complejidad del modelo, la frecuencia de negociación y el rendimiento, y plantean la detección de valores atípicos como posible insumo para el trading y la gestión del riesgo. El fragmento ofrece pocos detalles sobre el periodo de los datos, los costes de transacción, la construcción del referente, la configuración de los modelos o los procedimientos de validación, por lo que no debe suponerse que la ganancia comunicada vaya a generalizarse a otras plataformas o condiciones de mercado.

Ideas clave

• El estudio evalúa trece métodos para detectar valores atípicos en libros de órdenes limitadas de Bitcoin.
• Según el informe, Empirical Covariance es el modelo con mejor rendimiento en el backtest.
• La comparación utiliza 26,204 registros de una gran plataforma de intercambio.
• La complejidad del modelo y la frecuencia de negociación se presentan como compensaciones relevantes para el rendimiento.
• El fragmento no describe los costes ni los detalles de validación necesarios para evaluar su aplicación al trading real.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.