Tự điều chỉnh có thể kiểm toán cho backtest hợp đồng tương lai vĩnh cửu crypto, có tính chi phí
Tóm tắt
Tài liệu trình bày AutoQuant, một khuôn khổ hỗ trợ ra quyết định dựa trên quy tắc để chọn cấu hình giao dịch hợp đồng tương lai vĩnh cửu tiền mã hóa. Khuôn khổ nêu rõ thời điểm khớp lệnh, cách xử lý funding, phí, trượt giá và các yêu cầu về tính khả thi, sau đó dùng tìm kiếm Bayes và sàng lọc theo từng giai đoạn qua các cửa sổ đánh giá và giả định chi phí. Kết quả xác định và các bước kiểm tra hạch toán nhằm giúp việc lựa chọn có thể truy nguyên và tái lập trong một nhóm tín hiệu đã định trước.
Trên các hợp đồng BTC, ETH, SOL và AVAX, nghiên cứu nhận thấy việc bỏ qua funding và trượt giá có thể khiến kết quả trông tốt hơn đáng kể so với mô phỏng đã tính đủ chi phí. Quy trình theo giai đoạn không bảo đảm lợi nhuận cao hơn; trong trường hợp tham chiếu BTC và một số lần tái lập, quy trình thay vào đó xác định các phương án có mức sụt giảm thấp hơn hoặc kết quả ít cực đoan hơn theo cùng quy tắc khớp lệnh. Các phép so sánh, phân tích loại bỏ thành phần, chẩn đoán, kiểm tra suy luận và đánh giá bằng phát lại củng cố vai trò của quy trình như một bước xác thực. Bằng chứng chỉ giới hạn ở mô phỏng tài khoản nhỏ sử dụng chi phí tuyến tính, không tính tác động thị trường hoặc các giới hạn năng lực ở quy mô tổ chức.
Ý chính
- Quy tắc khớp lệnh và funding được nêu rõ giúp làm sáng tỏ các giả định khi chọn cấu hình.
- Tìm kiếm Bayes được kết hợp với sàng lọc qua các cửa sổ và kịch bản chi phí giao dịch.
- Bỏ qua funding và trượt giá có thể phóng đại đáng kể hiệu suất mô phỏng.
- Sàng lọc theo giai đoạn có thể ưu tiên phương án có mức sụt giảm thấp hơn mà không bảo đảm lợi nhuận cao hơn.
- Kết quả đến từ mô phỏng tài khoản nhỏ, không tính tác động thị trường và giới hạn năng lực ở quy mô lớn.
Thẻ
Toàn văn
# 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.
Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0
Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.