So sánh mô hình thống kê và máy học phát hiện điểm bất thường trong sổ lệnh Bitcoin

Tóm tắt

Nghiên cứu này so sánh mười ba mô hình thống kê và máy học để nhận diện các quan sát bất thường trong dữ liệu sổ lệnh giới hạn Bitcoin. Nghiên cứu đánh giá các mô hình trong một khuôn khổ chung hướng đến phát hiện bất thường theo thời gian thực, có thể được dùng để xem xét hành vi giao dịch thao túng. Mô hình được báo cáo mạnh nhất là Hiệp phương sai thực nghiệm; nghiên cứu cho biết mô hình này vượt chuẩn mua và nắm giữ trong kiểm thử lịch sử.

Bằng chứng dựa trên 26,204 bản ghi từ một sàn giao dịch lớn. Các tác giả thảo luận sự đánh đổi giữa độ phức tạp mô hình, tần suất giao dịch và hiệu quả, đồng thời xem phát hiện điểm ngoại lai là một đầu vào tiềm năng cho giao dịch và quản lý rủi ro. Trích đoạn cung cấp ít chi tiết về giai đoạn dữ liệu, chi phí giao dịch, cách xây dựng chuẩn đối chiếu, thiết lập mô hình hay quy trình kiểm định, nên không nên giả định mức tăng được báo cáo sẽ khái quát sang các địa điểm giao dịch hoặc điều kiện thị trường khác.

Ý chính

• Nghiên cứu đánh giá mười ba phương pháp phát hiện điểm ngoại lai trong sổ lệnh giới hạn Bitcoin.
• Hiệp phương sai thực nghiệm được báo cáo là mô hình có hiệu quả cao nhất trong kiểm thử lịch sử.
• Phép so sánh sử dụng 26,204 bản ghi từ một sàn giao dịch lớn.
• Độ phức tạp mô hình và tần suất giao dịch được xem là những yếu tố đánh đổi liên quan đến hiệu quả.
• Trích đoạn không mô tả chi phí hay chi tiết kiểm định cần thiết để đánh giá khả năng áp dụng vào giao dịch thực.

Thẻ

# 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.

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.