AI markeert verborgen risico’s in crypto futureshandel

Een Bitcoin (BTC ) De grafiek kan een bescheiden prijsbeweging laten zien terwijl de onderliggende markt steeds moeilijker te verhandelen wordt. Kopers kunnen beschikbare verkooporders consumeren, liquiditeitsverschaffers kunnen offertes intrekken, en gegeerde posities kunnen zich ophopen. Geen van die omstandigheden wordt volledig verklaard door de mate waarin de prijs is bewogen.

Een nieuw onderzoek van Suresh Rajendran en Divya Singaravelu, dat is geaccepteerd voor publicatie in International Review of Economics and Finance, onderzoekt die leemte.¹ Aan de hand van gegevens over perpetual futures op Bitcoin en Ether onderzoeken de onderzoekers of machine learning kortetermijnrisico’s door giftige orderstromen kan herkennen zonder rechtstreeks af te gaan op recente volatiliteit.

De bevindingen suggereren dat order‑flow‑signalen kunnen helpen bij het rangschikken van adverse‑selection‑risico. Hun bredere betekenis is dat het identificeren van grote prijsbewegingen en het identificeren van kostbare handelsomstandigheden verschillende taken zijn. Voor beleggers, handelaren en beursoperators biedt het begrijpen van dat verschil een betere manier om zowel de marktkwaliteit als financiële AI te beoordelen.

Wat order‑flow‑toxiciteit betekent in crypto‑handel

Market makers verschaffen liquiditeit door aan te bieden te kopen en te verkopen. Ze streven ernaar de spread tussen die prijzen te verdienen, terwijl ze de voorraad en het risico beheren dat prijzen na een transactie tegen hen bewegen.

Beschouw een vereenvoudigd voorbeeld. Een liquiditeitsverschaffer verkoopt Bitcoin tegen een geadverteerde prijs, maar koopdruk duwt de markt onmiddellijk daarna hoger. De verschaffer verkocht net voordat het activum duurder werd. Wanneer dit zich over vele transacties herhaalt, kunnen deze nadelige vulorders het inkomen uit spreads overweldigen.

Order‑flow‑toxiciteit beschrijft handelsomstandigheden die verband houden met dat adverse‑selection‑risico. De term betekent niet dat transacties frauduleus zijn of dat de betrokken handelaren vertrouwelijke informatie bezitten. Publiek nieuws, agressieve handel, liquidaties en andere drukfactoren kunnen schadelijke stromen veroorzaken.

Perpetuele futures maken dit vraagstuk bijzonder relevant. Deze derivaten hebben doorgaans geen vaste vervaldatum en gebruiken financieringsbetalingen om hun prijzen op het onderliggende activum af te stemmen. Hefboomwerking voegt een extra drukbron toe wanneer gedwongen positionele sluitingen orders op de markt sturen.

Hoe AI de order‑flow van Bitcoin en Ether analyseerde

De onderzoekers bestudeerden BTC/USDT- en ETH/USDT-perpetuele futures op Bybit met gegevens die lopen van 1 februari 2025 tot en met 16 februari 2026. Na de eerste 21 dagen te hebben gereserveerd voor de initiële training, evalueerden zij de modellen over 360 out‑of‑sample‑dagen.

Het primaire model maakte gebruik van gradient boosting, een machine‑learning‑methode die meerdere beslisbomen combineert. De 19 invoervariabelen beschreven omstandigheden zoals spreads, order‑book‑onevenwichtigheid, handelsactiviteit en passieve order‑intrekking. Directe gerealiseerde‑volatiliteitsinvoer werd uitgesloten om te testen of het model iets vastlegde dat verder ging dan recente prijs‑turbulentie.

Voorspellers gebruikten informatie die beschikbaar was tot de vorige seconde. De walk‑forward‑evaluatie trainde op eerdere observaties voordat latere werden gescoord, waardoor het risico werd verminderd dat het model toegang kreeg tot toekomstige informatie.

Het model genereerde een risico‑rangschikkingssignaal genaamd TailScore. De primaire vergelijking selecteerde de hoogste 1 % van de geëvalueerde seconden, aangeduid als een 1 %-poort. Dit was een retrospectieve evaluatiedrempel, in plaats van een volledig gespecificeerde live‑handelsregel.

De bovenstaande monetaire schattingen gelden voor het primaire model bij de 1 %-poort, met een veronderstelde vulratio van 25 %. Ze vertegenwoordigen gemodelleerde vermeden verliezen na aftrek van gemiste spread‑inkomsten, en niet van beleggingsrendementen of gerealiseerde handelswinsten.

Waarom betere volatiliteitsdetectie minder waarde kan opleveren

De meest bruikbare bevinding betreft de discrepantie tussen prestatiemaatstaven. Simpler modellen gebaseerd op rendementen, stromen of volatiliteit concentreerden over het algemeen extreme prijsbewegingen effectiever over de adequaat ondersteunde 1 % tot 5 %-poorten. Toch leverde het primaire model zonder directe volatiliteitsinvoer de hoogste illustratieve vermeden‑verlies‑puntenschattingen voor beide activa.

Dat bewijst niet dat het beslist elke alternatieve overtrof. Bij de primaire Bitcoin‑poort overlapt het betrouwbaarheidsinterval van het lineaire model en het model dat volatiliteit omvatte. Het toont wel waarom het kiezen van een financieel model op basis van één indrukwekkende metriek misleidend kan zijn.

Een systeem dat turbulente periodes herkent, kan helpen de algehele blootstelling te verminderen. Een systeem dat bedoeld is om passieve offertes te beschermen, moet een specifiekere vraag beantwoorden: welke potentiële vulorders waarschijnlijk kostbaar worden, en is het vermijden daarvan de opgeofferde inkomsten waard?

Dit onderscheid reikt verder dan crypto. Financiële AI moet worden geëvalueerd aan de hand van de economische beslissing die ze ondersteunt. Classificatienauwkeurigheid, detectie van extreme bewegingen, uitvoeringskosten en winstgevendheid meten verschillende zaken. Het verbeteren van één aspect verbetert niet automatisch de andere.

Waarom een rustige cryptomarkt nog steeds risico kan dragen

Recente marktobservaties illustreren waarom prijsgedrag naast positionering gelezen moet worden. Coinbase Institutional’s augustus 2026 marktpositioneringsrapport beschreef een stijgende open interest in derivaten naast dalende spot- en perpetual-handelsvolumes in juli. Het meldde ook zwakkere liquiditeit aan de biedzijde van het orderboek.

Die observaties bevestigen het model van deze studie niet. Ze illustreren een afzonderlijk punt: uitstaande exposure, handelsactiviteit en beschikbare liquiditeit kunnen in verschillende richtingen bewegen. Een rustigere markt bevat niet per se minder risico.

Liquiditeit heeft ook verschillende betekenissen. Securities.io’s analyse van globale liquiditeit en crypto‑opbrengsten betreft de beschikbaarheid van kapitaal in het financiële systeem. Orderboek‑liquiditeit heeft betrekking op de orders die beschikbaar zijn om transacties tegen specifieke prijzen op te nemen. Meer kapitaal in het systeem garandeert niet dat er overal diepe uitvoerbare liquiditeit is.

Wat dit betekent voor gewone handelaren

De studie levert geen kant‑klaar retail‑indicator. De praktische bijdrage is om een bredere kijk op uitvoeringkwaliteit aan te moedigen:

• Evalueer de beschikbare marktdiepte naast de genoteerde spread.
• Maak onderscheid tussen stijgende open interest en stijgend handelsvolume.
• Beoordeel uitvoeringskosten naast de voorspellingsnauwkeurigheid van elk model.

Er is ook een potentiële spanning voor beurzen. Als risicodetectie liquiditeitsverschaffers helpt gevaarlijke periodes te identificeren, kunnen zij de grootte van hun offertes verminderen of orders intrekken. Dat kan hun balansen beschermen, maar laat andere deelnemers met minder beschikbare liquiditeit achter. Betere individuele risicobeheer leidt niet automatisch tot een veerkrachtigere markt als geheel.

Wat de studie niet vaststelt

Het bewijs bestrijkt twee activa op één beurs gedurende ongeveer één jaar. Het kan niet aantonen dat dezelfde relaties gelden op andere beurzen, voor kleinere tokens of in verschillende marktregimes.

Het toxiciteitslabel van de studie combineert order‑flow met een prijsimpact van vijf seconden. Het is een geconstrueerde proxy, geen bewijs van privé‑informatie. Na het matchen van gebeurtenissen op relevante marktomstandigheden vonden de onderzoekers geen statistisch onderscheidbare persistentie‑voordeel voor model‑geselecteerde gebeurtenissen op de geteste tijdshorizonten.

De economische schattingen sluiten kosten, slipage, financieringsbetalingen, hedge‑kosten, wachtrijpositie en overlappende of gecorreleerde posities uit. Een live‑implementatie zou bovendien drempels vereisen die alleen met informatie die op dat moment beschikbaar is, worden gekalibreerd. Deze weglatingen voorkomen dat de resultaten kunnen worden geïnterpreteerd als een bewezen winstgevende strategie.

Beide auteurs geven aan dat ze mede‑oprichters zijn van Alphashots.AI, een kwantitatief onderzoeks‑ en handelstechnologiebedrijf. Die affiliatie is relevante context bij het beoordelen van mogelijke commerciële toepassingen.

CME Group en de uitbreiding van crypto‑risicobeheer

De bredere kans betreft infrastructuur die deelnemers in staat stelt digitale activapositie te verhandelen en beheren. Securities.io’s verslag over perpetuals voor reële activa onderzoekt hoe de ambities van derivaten zich uitbreiden buiten de conventionele cryptomarkten. Naarmate producten groeien, wordt uitvoeringkwaliteit steeds belangrijker.

Voor beleggers die via aandelen willen beleggen in deze infrastructuur, biedt CME Group via zijn derivatenmarktplaats een relevante mogelijkheid. In juni 2026 kondigde het bedrijf de start aan van 24/7-handel in futures en opties op cryptovaluta. Ook introduceerde het futurescontracten op de Nasdaq CME Crypto Index, waarmee het zijn productaanbod uitbreidde met gediversifieerde blootstelling aan crypto.

CME biedt een manier om de business van handelsinfrastructuur te onderzoeken in plaats van simpelweg een cryptovaluta te kiezen. Relevante overwegingen omvatten blijvende klantparticipatie, productadoptie, concurrentie en de kosten van het ondersteunen van continue markten. Het bredere bedrijf bestrijkt bovendien meerdere activaklassen.

De Bybit‑bevindingen tonen niet aan dat CME dit model gebruikt of dat de resultaten overdraagbaar zijn op haar contracten. De link is het groeiende belang van geavanceerd risicobeheer. De ontwikkeling van de cryptomarkt hangt niet alleen af van het aantrekken van kapitaal: deelnemers hebben ook betrouwbare manieren nodig om transacties uit te voeren, exposure te hedgen en te evalueren wat hun risicogereedschappen daadwerkelijk bereiken.

Referenties:

¹ Rajendran, S., & Singaravelu, D. (2026). Giftige orderstromen in perpetual futures op cryptovaluta: signalen uit de orderstroom, persistentie van prijseffecten en de beperkingen van op volatiliteit gebaseerde maatstaven. International Review of Economics and Finance. Online voorpublicatie. https://doi.org/10.1016/j.iref.2026.105876