Réglage auditable des backtests de contrats perpétuels crypto intégrant les coûts

Résumé

Le document présente AutoQuant, un cadre d’aide à la décision fondé sur des règles pour choisir des configurations de trading sur contrats à terme perpétuels de cryptomonnaies. Il explicite le calendrier d’exécution, le traitement du financement, les frais, le glissement de prix et les exigences de faisabilité, puis utilise une recherche bayésienne et un filtrage par étapes selon les fenêtres d’évaluation et les hypothèses de coûts. Les résultats déterministes et les contrôles comptables visent à rendre la sélection traçable et reproductible au sein d’une famille de signaux prédéfinie.

Sur les contrats BTC, ETH, SOL et AVAX, l’étude constate que ne pas tenir compte du financement et du glissement de prix peut faire paraître les résultats sensiblement meilleurs que dans des simulations intégrant l’ensemble des coûts. Le processus par étapes ne garantit pas des rendements supérieurs ; dans le cas de référence BTC et certaines réplications, il repère plutôt des solutions de remplacement avec des baisses depuis un sommet plus faibles ou des résultats moins extrêmes, selon les mêmes règles d’exécution. Des comparaisons, ablations, diagnostics, contrôles inférentiels et évaluations par rejeu étayent son rôle de processus de validation. Les éléments présentés se limitent à des simulations de petits comptes avec des coûts linéaires, sans impact de marché ni contraintes de capacité à l’échelle institutionnelle.

Idées clés

• Des règles explicites d’exécution et de financement rendent visibles les hypothèses de sélection des configurations.
• La recherche bayésienne est combinée à un filtrage sur plusieurs fenêtres et scénarios de coûts de transaction.
• Ne pas tenir compte du financement et du glissement de prix peut fortement surestimer les performances simulées.
• Un filtrage par étapes peut privilégier des solutions de remplacement présentant une baisse depuis un sommet plus faible, sans garantir des rendements supérieurs.
• Les résultats proviennent de simulations de petits comptes et excluent l’impact de marché et les limites de capacité à grande échelle.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.