Проверяемая настройка бэктестов бессрочных криптофьючерсов с учетом затрат

Сводка

В документе представлена AutoQuant — основанная на правилах система поддержки принятия решений для выбора торговых параметров на рынках бессрочных фьючерсов на криптовалюты. В ней явно заданы время исполнения, учет финансирования, комиссии, проскальзывание и требования к допустимости; затем применяются байесовский поиск и поэтапный отбор на разных окнах оценки и при разных предположениях о затратах. Детерминированные результаты и бухгалтерские проверки призваны сделать выбор прослеживаемым и воспроизводимым в рамках заранее заданного семейства сигналов.

На контрактах BTC, ETH, SOL и AVAX исследование показывает, что исключение финансирования и проскальзывания может заметно завысить результаты по сравнению с симуляциями, учитывающими все затраты. Поэтапный процесс не гарантирует более высокой доходности; вместо этого в эталонном случае BTC и некоторых повторениях он выявляет альтернативы с меньшими просадками или менее экстремальными результатами при тех же правилах исполнения. Сравнения, абляции, диагностика, статистические проверки и оценки на воспроизведении подтверждают его роль как процесса проверки. Данные ограничены симуляциями для небольших счетов с линейными затратами, без учета рыночного воздействия или ограничений пропускной способности институционального масштаба.

Ключевые идеи

• Явные правила исполнения и финансирования делают предположения при выборе параметров видимыми.
• Байесовский поиск сочетается с отбором на разных окнах и при разных сценариях транзакционных издержек.
• Игнорирование финансирования и проскальзывания может существенно завысить результаты симуляций.
• Поэтапный отбор может предпочесть альтернативы с меньшей просадкой, не гарантируя более высокой доходности.
• Результаты получены в симуляциях для небольших счетов; рыночное воздействие и ограничения пропускной способности крупного масштаба не учитываются.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.