比特币限价订单簿异常检测：统计模型与机器学习模型的比较分析
交易与市场微观结构
2025-07-22 v1 人工智能
机器学习
统计理论
统计理论
摘要
检测加密货币限价订单簿（LOB）中的异常值对于理解市场动态至关重要，尤其是在高度波动和监管环境不成熟的环境中。本研究在统一的测试环境——AITA Order Book Signal（AITA-OBS）中，对稳健统计方法和先进机器学习技术进行全面比较，以识别最适用于实时异常识别的模型。通过在来自主要交易所的 26,204 条记录的回测测试，实证结果表明，表现最佳的模型——经验协方差（Empirical Covariance, EC）实现了 6.70% 的收益，显著优于标准的买入持有基准。这些发现凸显了基于异常值的策略有效性，并提供了模型复杂度、交易频率与绩效之间的权衡见解。本研究为日益增长的加密货币市场微结构研究提供了严谨的基准，突出了异常检测模型在算法交易和风险管理中的潜在价值。
引用
@article{arxiv.2507.14960,
title = {A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books},
author = {Ivan Letteri},
journal= {arXiv preprint arXiv:2507.14960},
year = {2025}
}