Mesurer les conversions indirectes et l’arbitrage triangulaire sur Binance

Résumé

Cette étude élabore des méthodes pour repérer et mesurer l’activité de trading algorithmique dans les données historiques de transactions de Binance. Elle porte sur les conversions indirectes internes : un trader échange une cryptomonnaie contre une autre en passant par une cryptomonnaie intermédiaire, à un taux plus avantageux qu’en conversion directe. Les auteurs qualifient cette activité de sous-stratégie d’arbitrage triangulaire et en étudient la rentabilité et les risques, notamment deux moyens par lesquels les bots limitent les pertes.

Le taux de change rapporté est supérieur de 0.144%, soit 14.4 points de base, au taux direct, et la stratégie représenterait 2.71% de toutes les transactions sur Binance. Ces estimations décrivent l’activité sur une seule plateforme d’échange centralisée à partir de transactions historiques. L’extrait ne précise ni la période d’observation, ni les modalités de mise en œuvre, ni si l’avantage de prix mesuré reste rentable après frais, contraintes d’exécution et autres coûts.

Idées clés

• La conversion indirecte passe par une cryptomonnaie intermédiaire pour obtenir un meilleur taux qu’une transaction directe.
• L’étude considère ce comportement comme une sous-stratégie d’arbitrage triangulaire.
• Les auteurs utilisent les transactions historiques de Binance pour mesurer la fréquence, la rentabilité et les risques.
• Ils rapportent un avantage de taux de change de 0.144% et attribuent 2.71% des transactions à cette stratégie.
• L’extrait n’établit pas si l’avantage mesuré résiste aux coûts pratiques de trading et aux contraintes d’exécution.

Étiquettes

# Empirical Analysis of Indirect Internal Conversions in Cryptocurrency Exchanges


# Empirical Analysis of Indirect Internal Conversions in Cryptocurrency Exchanges









Algorithmic trading is well studied in traditional financial markets. However, it has received less attention in centralized cryptocurrency exchanges. The Commodity Futures Trading Commission (CFTC) attributed the $2010$ flash crash, one of the most turbulent periods in the history of financial markets that saw the Dow Jones Industrial Average lose $9\%$ of its value within minutes, to automated order "spoofing" algorithms. In this paper, we build a set of methodologies to characterize and empirically measure different algorithmic trading strategies in Binance, a large centralized cryptocurrency exchange, using a complete data set of historical trades. We find that a sub-strategy of triangular arbitrage is widespread, where bots convert between two coins through an intermediary coin, and obtain a favorable exchange rate compared to the direct one. We measure the profitability of this strategy, characterize its risks, and outline two strategies that algorithmic trading bots use to mitigate their losses. We find that this strategy yields an exchange ratio that is $0.144\%$, or $14.4$ basis points (bps) better than the direct exchange ratio. $2.71\%$ of all trades on Binance are attributable to this strategy.

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.