Benchmark de séries temporais sintéticas para trading de criptomoedas

Resumo

CTBench é um benchmark para avaliar séries temporais sintéticas de criptomoedas, motivado pelo trading contínuo, pela alta volatilidade e pelas rápidas mudanças de regime do mercado. Ele reúne dados de 452 tokens e avalia oito modelos representativos de geração em quatro regimes de mercado. Suas 13 métricas abrangem precisão de previsão, classificação transversal, resultados de trading, risco e custo computacional.

O benchmark usa duas tarefas: utilidade preditiva, que verifica se os dados gerados preservam padrões úteis para previsão, e arbitragem estatística, que avalia se séries reconstruídas podem sustentar sinais de trading com reversão à média. A análise relatada encontra compensações entre fidelidade estatística e rentabilidade, além de oferecer classificações comparativas e orientações para seleção de modelos. O benchmark oferece uma estrutura para avaliar dados sintéticos, mas suas conclusões dependem dos modelos, métricas, regimes de mercado e estratégias escolhidos para a avaliação; a semelhança dos dados sintéticos, por si só, não demonstra valor para o trading ao vivo.

Ideias principais

• O CTBench avalia séries temporais sintéticas de cripto para usos preditivos e de trading.
• Suas métricas abrangem previsões, fidelidade de classificação, desempenho de trading, risco e eficiência computacional.
• A tarefa de utilidade preditiva verifica se os dados sintéticos preservam padrões úteis para previsões.
• A tarefa de arbitragem estatística avalia se os dados sustentam sinais de trading com reversão à média.
• As comparações relatadas mostram que fidelidade estatística e rentabilidade podem divergir.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.