Сравнение синтетических временных рядов для торговли криптовалютами

Сводка

CTBench — бенчмарк для оценки синтетических временных рядов криптовалют, созданный с учётом круглосуточной торговли, высокой волатильности и быстрой смены режимов на этом рынке. В него входят данные по 452 токенам; восемь типичных генеративных моделей оцениваются в четырёх рыночных режимах. В бенчмарке используются 13 метрик для оценки точности прогнозирования, кросс-секционного ранжирования, результатов торговли, риска и вычислительных затрат.

В бенчмарке используются две задачи: прогностическая полезность проверяет, сохраняют ли сгенерированные данные закономерности, полезные для прогнозирования; статистический арбитраж — позволяют ли восстановленные ряды строить торговые сигналы, рассчитанные на возврат к среднему. В анализе обнаружены компромиссы между статистическим сходством и прибыльностью; также приводятся сравнительные рейтинги и рекомендации по выбору модели. Бенчмарк предлагает методику оценки синтетических данных, однако результаты зависят от выбранных моделей, метрик, рыночных режимов и стратегий, используемых при оценке. Само по себе высокое сходство синтетических данных с реальными не подтверждает их ценность для торговли на реальном счёте.

Ключевые идеи

• CTBench оценивает сгенерированные временные ряды криптовалют для прогнозирования и торговли.
• Метрики охватывают прогнозирование, точность ранжирования, торговые результаты, риск и вычислительную эффективность.
• Задача прогностической полезности проверяет, сохраняют ли синтетические данные закономерности, полезные для прогнозирования.
• Задача статистического арбитража оценивает, подходят ли данные для торговых сигналов на возврат к среднему.
• Согласно приведённым сравнениям, статистическое сходство и прибыльность могут не совпадать.

Теги

# 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.

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.