AI flagger skjulte risici i kryptofutureshandel

En Bitcoin (BTC ) Diagrammet kan vise beskeden prisbevægelse, mens markedet nedenunder bliver stadig sværere at handle i. Købere kan forbruge tilgængelige salgsordrer, likviditetsudbydere kan trække tilbud tilbage, og gearede positioner kan akkumulere. Ingen af disse forhold forklares fuldstændigt af, hvor meget prisen er flyttet.

Et nyt studie af Suresh Rajendran og Divya Singaravelu, som er antaget til publicering i International Review of Economics and Finance, undersøger denne mangel.¹ Ved hjælp af data om perpetual futures på Bitcoin og Ether undersøger forskerne, om maskinlæring kan identificere kortsigtet toksicitet i ordrestrømmen uden direkte at basere sig på den seneste volatilitet.

Resultaterne tyder på, at order‑flow‑signaler kan hjælpe med at rangere risikoen for adverse selection. Deres bredere betydning er, at identifikation af store prisbevægelser og identifikation af omkostningstunge handelsforhold er forskellige opgaver. For investorer, handlende og børsoperatører giver forståelsen af denne forskel en bedre måde at vurdere både markeds kvalitet og finansiel AI på.

Hvad order‑flow‑toxicitet betyder i kryptohandel

Market makers leverer likviditet ved at tilbyde at købe og sælge. De søger at tjene spreaden mellem disse priser, mens de håndterer lagerbeholdning og risikoen for, at priserne bevæger sig imod dem efter en handel.

Overvej et forenklet eksempel. En likviditetsudbyder sælger Bitcoin til en annonceret pris, men købspres får markedet til at stige umiddelbart derefter. Udbyderen solgte lige før aktivet blev dyrere. Gentaget over mange handler kan disse ugunstige udfyldninger overvælde indtægten fra spreaden.

Order‑flow‑toxicitet beskriver handelsforhold forbundet med den adverse‑selection‑risiko. Udtrykket betyder ikke, at transaktionerne er svigagtige eller at de ansvarlige handlende besidder fortrolige oplysninger. Offentlige nyheder, aggressiv handel, likvidationer og andre pres kan skabe skadelige flows.

Perpetual futures gør dette problem særligt relevant. Disse derivater har generelt ingen fastsat udløbsdato og bruger finansieringsbetalinger til at hjælpe med at justere deres priser i forhold til det underliggende aktiv. Gearing tilføjer en yderligere pressource, når tvungne positionslukninger sender ordrer ind i markedet.

Hvordan AI analyserede Bitcoin‑ og Ether‑order‑flow

Forskerne studerede BTC/USDT- og ETH/USDT-perpetual futures på Bybit ved hjælp af data fra 1. februar 2025 til 16. februar 2026. Efter at have afsat de første 21 dage til indledende træning, evaluerede de modellerne over 360 out‑of‑sample‑dage.

Den primære model anvendte gradient boosting, en maskinlæringsmetode, der kombinerer flere beslutningstræer. Dens 19 input beskrev forhold som spreads, ubalance i ordrebogen, handelsaktivitet og passiv ordre‑tilbagetrækning. Direkte realiseret‑volatilitet‑input blev udeladt for at teste, om modellen opfangede noget ud over den nylige pris‑turbulens.

Forudsigere brugte information tilgængelig gennem det foregående sekund. Walk‑forward‑evalueringen trænede på tidligere observationer, før de blev scoret på senere, hvilket reducerer risikoen for, at modellen får adgang til fremtidig information.

Modellen genererede et risikorangsignal kaldet TailScore. Den primære sammenligning udvalgte de højst scorerende 1 % af de evaluerede sekunder, beskrevet som en 1 % gate. Dette var en retrospektiv evalueringsgrænse snarere end en fuldt specificeret live‑handelsregel.

De ovenstående monetære estimater gælder for den primære model ved 1 % gate, med en antaget udfyldningsrate på 25 %. De repræsenterer modellerede undgåede tab efter fradrag for tabt spread‑indkomst, ikke investeringsafkast eller realiseret handelsprofit.

Hvorfor bedre volatilitetssporing kan give mindre værdi

Den mest nyttige opdagelse vedrører uoverensstemmelsen mellem præstationsmål. Enklere modeller baseret på afkast, flows eller volatilitet koncentrerede generelt ekstreme prisbevægelser mere effektivt på tværs af de tilstrækkeligt understøttede 1 % til 5 % gates. Alligevel leverede den primære model uden direkte volatilitet‑input de højeste illustrerede point‑estimater for undgået tab for begge aktiver.

Det fastslår ikke, at den entydigt overgik alle alternativer. Ved den primære Bitcoin‑gate overlappede dens konfidensinterval dem for den lineære model og modellen, der inkluderede volatilitet. Det viser, hvorfor valg af en finansiel model baseret på én imponerende metrisk kan være vildledende.

Et system, der genkender turbulente perioder, kan hjælpe med at reducere den samlede eksponering. Et system, der er beregnet til at beskytte passive tilbud, skal besvare et snævrere spørgsmål: hvilke potentielle udfyldninger sandsynligvis vil blive kostbare, og er det værd at undgå dem på bekostning af den indtægt, der ofres?

Denne sondring strækker sig ud over kryptovaluta. Finansiel AI bør evalueres i forhold til den økonomiske beslutning, den understøtter. Klassifikationsnøjagtighed, ekstreme bevægelsesdetektion, udførelsesomkostninger og rentabilitet måler forskellige ting. At forbedre én betyder ikke automatisk, at de andre også forbedres.

Hvorfor et stille kryptomarked stadig kan bære risiko

Nylige markedsobservationer illustrerer, hvorfor prisadfærd bør læses sammen med positionering. Coinbase Institutionals august 2026 market positioning report beskrev stigende derivatåben interesse sammen med faldende spot- og perpetual-handelsvolumen i juli. Den rapporterede også svagere likviditet på bud-siden af ordrebogen.

Disse observationer bekræfter ikke denne studies model. De illustrerer et separat punkt: udestående eksponering, handelsaktivitet og tilgængelig likviditet kan bevæge sig i forskellige retninger. Et roligere marked indeholder ikke nødvendigvis mindre risiko.

Likviditet har også forskellige betydninger. Securities.io’s analyse af global liquidity and crypto returns vedrører kapitaltilgængelighed på tværs af det finansielle system. Likviditet i ordrebogen handler om de ordrer, der er tilgængelige til at absorbere transaktioner til bestemte priser. Mere kapital i systemet garanterer ikke dyb udførbar likviditet på hver handelsplads.

Hvad dette betyder for almindelige handlende

Studiet leverer ikke en færdiglavet detailhandelsindikator. Dets praktiske bidrag er at opfordre til et bredere syn på udførelseskvalitet:

• Vurder tilgængelig markedsdybde sammen med den citerede spread.
• Skeln mellem stigende åben interesse og stigende handelsvolumen.
• Vurder udførelsesomkostninger sammen med enhver models forudsigelsesnøjagtighed.

Der er også en potentiel spænding for børser. Hvis risikodetektion hjælper likviditetsudbydere med at identificere farlige perioder, kan de reducere noteringsstørrelser eller trække ordrer tilbage. Det kan beskytte deres balancer, mens andre deltagere får mindre tilgængelig likviditet. Bedre individuel risikostyring skaber ikke automatisk et mere robust marked som helhed.

Hvad studiet ikke fastslår

Beviserne dækker to aktiver på én børs over cirka et år. Det kan ikke fastslå, at de samme sammenhænge gælder på andre handelspladser, mindre tokens eller i forskellige markedsregimer.

Studiets toksicitetslabel kombinerer ordrestrøm med femsekunders prisindvirkning. Det er en konstrueret proxy, snarere end bevis på privat information. Efter at have matchet begivenheder på relevante markedsforhold, fandt forskerne ingen statistisk signifikant vedvarende fordel for modeludvalgte begivenheder ved de testede horisonter.

De økonomiske estimater udelader gebyrer, glidning, finansieringsbetalinger, hedgeomkostninger, køposition og overlappende eller korrelerede positioner. En live-implementering ville også kræve tærskler kalibreret udelukkende med information, der var tilgængelig på tidspunktet. Disse udeladelser forhindrer, at resultaterne kan fortolkes som en demonstreret profitabel strategi.

Begge forfattere oplyser, at de er medstiftere af Alphashots.AI, en kvantitativ forsknings- og handels-teknologivirksomhed. Denne tilknytning er relevant kontekst, når man vurderer potentielle kommercielle anvendelser.

CME Group og udvidelsen af kryptorisikostyring

Den bredere mulighed vedrører infrastruktur, der gør det muligt for deltagere at handle og håndtere eksponering mod digitale aktiver. Securities.io’s dækning af real-world asset perpetuals udforsker, hvordan derivatambitioner udvider sig ud over konventionelle kryptomarkeder. Efterhånden som produkterne udvides, bliver udførelseskvalitet i stigende grad afgørende.

For investorer, der er interesserede i eksponering mod denne infrastruktur gennem aktier, er CME Group relevant via sin markedsplads for derivater. I juni 2026 annoncerede virksomheden lanceringen af handel med kryptovalutafutures og -optioner døgnet rundt. Virksomheden introducerede også futureskontrakter baseret på Nasdaq CME Crypto Index og udvidede dermed sit produktsortiment med diversificeret kryptoeksponering.

CME giver en måde at undersøge forretningsaspektet af handelsinfrastruktur på i stedet for blot at vælge en kryptovaluta. Relevante overvejelser inkluderer vedvarende kundedeltagelse, produktadoption, konkurrence og omkostningerne ved at understøtte kontinuerlige markeder. Deres bredere forretning spænder også over flere aktivklasser.

Bybit-resultaterne fastslår ikke, at CME bruger denne model, eller at resultaterne overføres til deres kontrakter. Forbindelsen er den voksende betydning af sofistikeret risikostyring. Udviklingen af kryptomarkedet afhænger af mere end at tiltrække kapital: deltagerne har også brug for pålidelige måder at udføre handler, afdække eksponering og vurdere, hvad deres risikoværktøjer faktisk opnår.

Referencer:

¹ Rajendran, S. og Singaravelu, D. (2026). Toksicitet i ordrestrømmen på kryptovalutaers perpetuelle futures: Signaler fra ordrestrømmen, vedvarende priseffekt og begrænsningerne ved volatilitetsbaserede målinger. International Review of Economics and Finance. Forhåndspubliceret online. https://doi.org/10.1016/j.iref.2026.105876