Comparaison de détecteurs statistiques et d’apprentissage automatique pour les carnets d’ordres Bitcoin

Résumé

Cette étude compare treize modèles statistiques et d’apprentissage automatique pour repérer les observations inhabituelles dans les données du carnet d’ordres à cours limité du Bitcoin. Elle évalue les modèles dans un cadre commun visant la détection d’anomalies en temps réel, avec une application potentielle à l’étude des comportements de trading manipulateurs. Le modèle le plus performant rapporté est Empirical Covariance, qui aurait dépassé un indice de référence achat-conservation dans son backtest.

Les éléments présentés proviennent de 26,204 enregistrements d’une grande plateforme d’échange. Les auteurs discutent des compromis entre la complexité du modèle, la fréquence de trading et les performances, et présentent la détection des valeurs aberrantes comme un apport possible au trading et à la gestion des risques. L’extrait donne peu de détails sur la période des données, les coûts de transaction, la construction de l’indice de référence, les paramètres du modèle ou les procédures de validation ; il ne faut donc pas supposer que le gain rapporté se généralise à d’autres plateformes ou conditions de marché.

Idées clés

• L’étude évalue treize méthodes de détection des valeurs aberrantes dans les carnets d’ordres à cours limité du Bitcoin.
• Empirical Covariance est présenté comme le modèle le plus performant dans le backtest.
• La comparaison utilise 26,204 enregistrements d’une grande plateforme d’échange.
• La complexité du modèle et la fréquence de trading sont présentées comme des facteurs de compromis sur les performances.
• L’extrait ne décrit pas les coûts ni les détails de validation nécessaires pour évaluer l’applicabilité en conditions réelles.

Étiquettes

# 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.

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.