Сравнение статистических и ML-моделей для поиска аномалий в стакане заявок Bitcoin

Сводка

В исследовании сравниваются тринадцать статистических моделей и моделей машинного обучения для выявления необычных наблюдений в данных стакана лимитных заявок Bitcoin. Модели оцениваются в общей среде для обнаружения аномалий в реальном времени, в том числе для возможного анализа манипулятивной торговли. Наиболее эффективной моделью названа эмпирическая ковариация; по данным исследования, в бэктесте она превзошла стратегию «купи и держи».

Данные включают 26,204 записей с крупной биржи. Авторы обсуждают компромиссы между сложностью модели, частотой торговли и результативностью, рассматривая выявление выбросов как возможный источник данных для торговли и управления рисками. В отрывке мало сведений о периоде данных, транзакционных издержках, построении бенчмарка, настройках модели и процедурах валидации, поэтому не следует считать, что заявленный результат применим к другим площадкам или рыночным условиям.

Ключевые идеи

• В исследовании оцениваются тринадцать методов обнаружения выбросов в стакане лимитных заявок Bitcoin.
• По результатам бэктеста лучшей названа модель эмпирической ковариации.
• Сравнение основано на 26,204 записях с крупной биржи.
• Сложность модели и частота торговли рассматриваются как важные компромиссы, влияющие на результативность.
• В отрывке нет данных об издержках и валидации, необходимых для оценки применимости в реальной торговле.

Теги

# 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.

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.