Évaluer les séries synthétiques pour le trading de cryptomonnaies

Résumé

CTBench est un référentiel d’évaluation des séries temporelles synthétiques de cryptomonnaies, conçu en tenant compte du trading continu, de la forte volatilité et des changements rapides de régime du marché. Il rassemble des données de 452 jetons et évalue huit modèles représentatifs de génération dans quatre régimes de marché. Ses 13 métriques couvrent la précision des prévisions, le classement transversal, les résultats de trading, le risque et le coût de calcul.

Le référentiel comprend deux tâches : l’utilité prédictive, qui vérifie si les données générées conservent des motifs utiles aux prévisions, et l’arbitrage statistique, qui évalue si les séries reconstruites peuvent soutenir des signaux de trading à retour à la moyenne. L’analyse présentée met en évidence des compromis entre fidélité statistique et rentabilité, et propose des classements comparatifs ainsi que des repères pour choisir un modèle. Ce référentiel fournit un cadre d’évaluation des données synthétiques, mais ses résultats dépendent des modèles, métriques, régimes de marché et stratégies retenus ; le fait que les données synthétiques ressemblent fortement aux données réelles ne suffit pas à établir leur valeur en trading réel.

Idées clés

• CTBench évalue les séries temporelles crypto générées pour des usages prédictifs et de trading.
• Ses métriques portent sur les prévisions, la fidélité des classements, les performances de trading, le risque et l’efficacité de calcul.
• La tâche d’utilité prédictive vérifie si les données synthétiques préservent des motifs utiles aux prévisions.
• La tâche d’arbitrage statistique évalue si les données permettent de produire des signaux de trading à retour à la moyenne.
• Les comparaisons présentées montrent que fidélité statistique et rentabilité peuvent diverger.

Étiquettes

# 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.

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.