본문으로 건너뛰기
라이브러리 문서 전체

암호화폐 트레이딩용 합성 시계열 벤치마크

기사 arXiv papers · 저자: Yihao Ang et al.
원문 읽기

요약

CTBench는 지속적인 거래, 높은 변동성, 빠른 레짐 변화가 나타나는 암호화폐 시장을 배경으로 합성 암호화폐 시계열을 평가하는 벤치마크입니다. 452개 토큰의 데이터를 모으고 네 가지 시장 레짐에서 대표 생성 모델 여덟 가지를 평가합니다. 13개 지표는 예측 정확도, 횡단면 순위, 트레이딩 결과, 위험, 계산 비용을 다룹니다.

벤치마크는 두 가지 과제를 사용합니다. 예측 효용 과제는 생성 데이터가 예측에 유용한 패턴을 보존하는지 테스트하고, 통계적 차익거래 과제는 재구성된 시계열이 평균회귀 트레이딩 신호를 뒷받침하는지 확인합니다. 보고된 분석은 통계적 충실도와 수익성 사이의 절충 관계를 찾고, 비교 순위와 모델 선택 지침을 제시합니다. 이 벤치마크는 합성 데이터를 평가하는 틀을 제공하지만, 결과는 선택한 모델, 지표, 시장 레짐 및 평가 전략에 따라 달라집니다. 합성 데이터가 실제 데이터와 매우 유사하다는 사실만으로 실거래 가치가 입증되지는 않습니다.

핵심 아이디어

  • CTBench는 생성된 암호화폐 시계열을 예측과 트레이딩 용도로 평가합니다.
  • 지표는 예측, 순위 충실도, 트레이딩 성과, 위험, 계산 효율성을 다룹니다.
  • 예측 효용 과제는 합성 데이터가 예측에 유용한 패턴을 보존하는지 테스트합니다.
  • 통계적 차익거래 과제는 평균회귀 트레이딩 신호를 뒷받침하는지 평가합니다.
  • 보고된 비교 결과는 통계적 충실도와 수익성이 서로 다를 수 있음을 보여줍니다.

태그

가상자산머신러닝통계백테스트평균 회귀
전문
# 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.

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

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