본문으로 건너뛰기
라이브러리 문서 전체

비용을 반영한 가상자산 무기한 선물 백테스트 자동 조정

기사 arXiv papers · 저자: Kaihong Deng
원문 읽기

요약

이 문서는 가상자산 무기한 선물의 트레이딩 설정을 선택하기 위한 규칙 기반 의사결정 지원 프레임워크인 AutoQuant를 소개합니다. 체결 시점, 펀딩 처리, 수수료, 슬리피지, 실행 가능성 요건을 명시하고, 평가 구간과 비용 가정 전반에서 베이지안 탐색과 단계별 선별을 수행합니다. 결정론적 출력과 회계 검사는 사전에 정한 신호군 안에서 선택 과정을 추적하고 재현할 수 있도록 설계되었습니다.

BTC, ETH, SOL, AVAX 계약 전반에서 펀딩과 슬리피지를 제외하면 모든 비용을 반영한 시뮬레이션보다 결과가 상당히 좋아 보일 수 있다고 연구는 보고합니다. 단계별 절차가 더 높은 수익률을 보장하지는 않습니다. BTC 기준 사례와 일부 반복 실험에서는 같은 체결 규칙 아래 드로다운이 낮거나 결과가 덜 극단적인 대안을 찾습니다. 비교, 제거 분석, 진단, 추론 검정, 리플레이 평가는 검증 절차로서의 역할을 뒷받침합니다. 증거는 선형 비용을 적용한 소규모 계좌 시뮬레이션에 한정되며, 시장 충격이나 기관 규모의 수용 능력 제약은 반영하지 않습니다.

핵심 아이디어

  • 체결 및 펀딩 규칙을 명시해 설정 선택에 사용된 가정을 드러냅니다.
  • 베이지안 탐색을 구간별 선별 및 거래 비용 시나리오와 결합합니다.
  • 펀딩과 슬리피지를 무시하면 시뮬레이션 성과가 크게 부풀려질 수 있습니다.
  • 단계별 선별은 더 높은 수익을 보장하지 않으면서 드로다운이 낮은 대안을 선택할 수 있습니다.
  • 결과는 소규모 계좌 시뮬레이션에서 나온 것으로 시장 충격과 대규모 수용 능력 제약은 반영하지 않습니다.

태그

가상자산무기한 선물백테스트주문 집행리스크 관리포지션 규모 설정
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.