Kunstig intelligens

AI flagger skjulte risikoer i kryptofutureshandel

Daniel Martin
Legg til Securities.io blant dine foretrukne kilder på Google
Viktige punkterOrdrestrømtoksisitet fanger opp risikoen for uheldig utvelgelse som prisbevegelse alene…
Vis mer
  • Ordrestrømtoksisitet fanger opp risikoen for uheldig utvelgelse som prisbevegelse alene ikke kan avdekke.
  • En modell kan oppdage ekstreme bevegelser, men likevel overse hvilke fyllinger som blir kostbare.
  • Roligere kryptomarkeder kan skjule økende belåning og tynnere likviditet i ordreboken.

En Bitcoin (BTC ) Diagrammet kan vise beskjeden prisbevegelse mens markedet under blir stadig vanskeligere å handle. Kjøpere kan forbruke tilgjengelige salgsordrer, likviditetsleverandører kan trekke tilbake tilbud, og belånte posisjoner kan akkumulere. Ingen av disse forholdene forklares fullt ut av hvor mye prisen har beveget seg.

En ny studie av Suresh Rajendran og Divya Singaravelu, antatt for publisering i International Review of Economics and Finance, undersøker dette gapet.1 Ved hjelp av data om evigvarende futureskontrakter på Bitcoin og Ether undersøker forskerne om maskinlæring kan identifisere giftighet i ordreflyten på kort sikt uten å basere seg direkte på den siste tidens volatilitet.

Funnene antyder at order‑flytsignaler kan bidra til å rangere risiko for adverse selection. Deres bredere betydning er at identifisering av store prisbevegelser og identifisering av kostbare handelsforhold er ulike oppgaver. For investorer, tradere og børsoperatører gir forståelsen av denne forskjellen en bedre måte å vurdere både markeds kvalitet og finansiell AI på.

Hva order‑flyt‑toksisitet betyr i kryptohandel

Markedsmakere leverer likviditet ved å tilby kjøp og salg. De søker å tjene spreaden mellom disse prisene samtidig som de håndterer lagerbeholdning og risikoen for at prisene beveger seg mot dem etter en handel.

Vurder et forenklet eksempel. En likviditetsleverandør selger Bitcoin til en annonsert pris, men kjøpspresset driver markedet høyere umiddelbart etterpå. Leverandøren solgte rett før aktivumet ble dyrere. Gjentatt over mange handler kan disse ugunstige fyllingene overskygge inntektene fra spreadene.

Order‑flyt‑toksisitet beskriver handelsforhold knyttet til den adverse‑seleksjonsrisikoen. Begrepet betyr ikke at transaksjonene er svindel eller at de ansvarlige traderne har konfidensiell informasjon. Offentlige nyheter, aggressiv handel, likvidasjoner og andre press kan skape skadelige flyter.

Perpetual futures gjør dette problemet spesielt relevant. Disse derivatene har vanligvis ingen fastsatt utløpsdato og bruker finansieringsbetalinger for å justere prisene i forhold til det underliggende aktivumet. Belåning tilfører en ytterligere pressfaktor når tvungne posisjonsslutninger sender ordre inn i markedet.

Hvordan AI analyserte Bitcoin- og Ether-order‑flyt

Forskerne studerte BTC/USDT- og ETH/USDT-perpetual futures på Bybit ved hjelp av data fra 1. februar 2025 til 16. februar 2026. Etter å ha reservert de første 21 dagene til innledende trening, evaluerte de modellene over 360 dager utenfor prøvetaking.

Den primære modellen benyttet gradient boosting, en maskinlæringsmetode som kombinerer flere beslutningstrær. Dens 19 innganger beskrev forhold som spread, ubalanse i ordreboken, handelsaktivitet og passiv ordre‑tilbaketrekning. Direkte innspill av realisert volatilitet ble ekskludert for å teste om modellen fanget noe utover nylig pris‑turbulens.

Prediktorene brukte informasjon tilgjengelig gjennom forrige sekund. Walk‑forward‑evalueringen trente på tidligere observasjoner før den vurderte senere, noe som reduserte risikoen for at modellen fikk tilgang til fremtidig informasjon.

Modellen genererte et risikorangering‑signal kalt TailScore. Den primære sammenligningen valgte de høyest rangerte 1 % av evaluerte sekunder, beskrevet som en 1 % port. Dette var en retrospektiv evalueringsgrense, snarere enn en fullstendig spesifisert regel for live‑handel.

Studiemål Bitcoin-perpetuals Ether-perpetuals
Observasjoner utenfor prøvetaking 31,080,580 31,080,572
Evalueringsdager 360 360
Illustrativt unngått tap per $100 000 nominell $12,745.92 $13,062.37
95 % konfidensintervall $9,109.69 to $16,898.55 $9,594.91 to $17,328.19

De økonomiske estimatene ovenfor gjelder for den primære modellen ved 1 % port, med en antatt fyllingsrate på 25 %. De representerer modellerte unngåtte tap etter å ha tatt hensyn til tapt spread‑inntekt, ikke investeringsavkastning eller realiserte handelsgevinster.

Hvorfor bedre volatilitetssporing kan gi mindre verdi

Den mest nyttige funnene gjelder uenigheten mellom ytelsesmålinger. Enklere modeller basert på avkastning, flyt eller volatilitet konsentrerte generelt ekstreme prisbevegelser mer effektivt over de tilstrekkelig støttede 1 % til 5 % portene. Likevel ga den primære modellen uten direkte volatilitet‑innspill de høyeste illustrerte estimatene for unngåtte tap for begge aktivene.

Det fastslår ikke at den entydig overgikk alle alternativer. Ved den primære Bitcoin‑porten overlappet konfidensintervallet deres med det til den lineære modellen og modellen som inkluderte volatilitet. Det viser hvorfor valg av en finansiell modell basert på ett imponerende mål kan være misvisende.

Et system som gjenkjenner turbulente perioder kan bidra til å redusere total eksponering. Et system designet for å beskytte passive tilbud må svare på et smalere spørsmål: hvilke potensielle fyllinger sannsynligvis vil bli kostbare, og er det verdt å unngå dem på bekostning av inntekten?

Dette skillet går utover krypto. Finansiell AI bør evalueres i forhold til den økonomiske beslutningen den støtter. Klassifiseringsnøyaktighet, deteksjon av ekstreme bevegelser, utførelseskostnader og lønnsomhet måler ulike ting. Å forbedre én forbedrer ikke automatisk de andre.

Hvorfor et rolig kryptomarked fortsatt kan innebære risiko

Nylige markedsobservasjoner viser hvorfor prisatferd bør leses sammen med posisjonering. Coinbase Institutional’s august 2026 markedsposisjonsrapport beskrev økende derivatåpne interesser sammen med fallende spot- og perpetual-handelsvolumer i juli. Den rapporterte også svakere likviditet på bud-siden av ordreboken.

Disse observasjonene validerer ikke studiens modell. De illustrerer et eget poeng: utestående eksponering, handelsaktivitet og tilgjengelig likviditet kan bevege seg i ulike retninger. Et roligere marked inneholder ikke nødvendigvis mindre risiko.

Likviditet har også ulike betydninger. Securities.io sin analyse av global likviditet og kryptogevinster omhandler kapitaltilgjengelighet i det finansielle systemet. Likviditet i ordreboken handler om hvilke ordre som er tilgjengelige for å absorbere transaksjoner til bestemte priser. Mer kapital i systemet garanterer ikke dyp, utførbar likviditet på alle markeder.

Hva dette betyr for vanlige tradere

Studien gir ikke en ferdiglaget detaljhandelsindikator. Dens praktiske bidrag er å oppmuntre til et bredere syn på utførelseskvalitet:

  • Vurder tilgjengelig markedsdybde sammen med den oppgitte spreaden.
  • Skille økende åpen interesse fra økende handelsvolum.
  • Vurder utførelseskostnader sammen med nøyaktigheten til modellens spådommer.

Det er også en potensiell spenning for børser. Hvis risikodeteksjon hjelper likviditetsleverandører med å identifisere farlige perioder, kan de redusere kvotestørrelser eller trekke tilbake ordre. Dette kan beskytte deres balanse, men etterlate andre deltakere med mindre tilgjengelig likviditet. Bedre individuell risikostyring skaper ikke automatisk et mer robust marked som helhet.

Hva studien ikke fastslår

Bevisene dekker to eiendeler på én børs over omtrent ett år. De kan ikke fastslå at de samme sammenhengene gjelder på andre markedsplasser, for mindre tokens eller i ulike markedsregimer.

Studiets toksisitetslabel kombinerer ordreflyt med fem sekunders prisvirkning. Den er en konstruert proxy, snarere enn bevis på privat informasjon. Etter å ha matchet hendelser på relevante markedsforhold, fant forskerne ingen statistisk signifikant vedvarende fordel for modellutvalgte hendelser ved de testede tidshorisontene.

De økonomiske estimatene ekskluderer gebyrer, glidning, finansieringsbetalinger, sikringskostnader, køposisjon og overlappende eller korrelerte posisjoner. En live‑implementering ville også kreve terskler kalibrert med kun informasjon som var tilgjengelig på tidspunktet. Disse utelatelsene hindrer at resultatene kan tolkes som en demonstrert lønnsom strategi.

Begge forfatterne oppgir at de er medgründere av Alphashots.AI, et kvantitativt forsknings- og handelsteknologiselskap. Denne tilknytningen er relevant kontekst når man vurderer potensielle kommersielle anvendelser.

CME Group og utvidelsen av kryptorisikostyring

Den bredere muligheten gjelder infrastruktur som lar deltakere handle og håndtere eksponering mot digitale eiendeler. Securities.io sin dekning av perpetual-kontrakter på virkelige eiendeler utforsker hvordan derivatambisjoner utvides utover tradisjonelle kryptomarkeder. Etter hvert som produktene vokser, blir utførelseskvalitet stadig viktigere.

For investorer som ønsker aksjeeksponering mot denne infrastrukturen, tilbyr CME Group en relevant tilknytning gjennom sin markedsplass for derivater. I juni 2026 kunngjorde selskapet lanseringen av døgnkontinuerlig handel med futures og opsjoner på kryptovaluta. Selskapet introduserte også futureskontrakter for Nasdaq CME Crypto Index, noe som utvidet produktspekteret til å omfatte diversifisert kryptoeksponering.

CME Prisdiagram

CME gir en mulighet til å undersøke virksomheten rundt handelsinfrastruktur i stedet for bare å velge en kryptovaluta. Relevante faktorer inkluderer vedvarende kundedeltakelse, produktadopsjon, konkurranse og kostnadene ved å støtte kontinuerlige markeder. Dens bredere virksomhet omfatter også flere aktivaklasser.

Bybit-funnene fastslår ikke at CME bruker denne modellen eller at resultatene overføres til deres kontrakter. Koblingen er den økende betydningen av sofistikert risikostyring. Utviklingen av kryptomarkedet avhenger av mer enn å tiltrekke kapital: deltakerne trenger også pålitelige metoder for å utføre handler, sikre eksponering og vurdere hva deres risikoverktøy faktisk oppnår.

Referanser:

1 Rajendran, S., og Singaravelu, D. (2026). Giftighet i ordreflyten i evigvarende futureskontrakter på kryptovaluta: Signaler fra ordreflyten, vedvarende priseffekt og begrensningene ved volatilitetsbaserte målemetoder. International Review of Economics and Finance. Publisert på nett før trykking. https://doi.org/10.1016/j.iref.2026.105876

Daniel er en sterk forkjemper for blockchain’s potensial til å forstyrre tradisjonell finans. Han har en dyp lidenskap for teknologi og er alltid på utkikk etter de siste innovasjonene og gadgetene.