Comparação de Detectores Estatísticos e de Aprendizado de Máquina para Livros de Ofertas de Bitcoin

Resumo

Este estudo compara treze modelos estatísticos e de aprendizado de máquina para identificar observações incomuns em dados do livro de ofertas com ordens limitadas de Bitcoin. Ele avalia os modelos em uma estrutura comum destinada à detecção de anomalias em tempo real, com possível uso na análise de comportamentos de trading manipulativos. O modelo com melhor resultado relatado é Empirical Covariance, que, segundo o estudo, superou uma referência de comprar e manter no backtest.

As evidências vêm de 26,204 registros de uma grande bolsa. Os autores discutem as compensações entre complexidade do modelo, frequência de trading e desempenho, e apresentam a detecção de valores atípicos como possível insumo para trading e gestão de risco. O trecho fornece poucos detalhes sobre o período dos dados, custos de transação, construção da referência, configurações dos modelos ou procedimentos de validação; portanto, não se deve presumir que o ganho relatado se generalize a outras plataformas ou condições de mercado.

Ideias principais

• O estudo avalia treze métodos para detectar valores atípicos em livros de ofertas com ordens limitadas de Bitcoin.
• Empirical Covariance é apontado como o modelo de melhor desempenho no backtest.
• A comparação usa 26,204 registros de uma grande bolsa.
• A complexidade do modelo e a frequência de trading são apresentadas como fatores relevantes de compensação no desempenho.
• O trecho não descreve os custos nem os detalhes de validação necessários para avaliar a aplicabilidade ao trading ao vivo.

Tags

# 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.

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.