AI flaggar dolda risker i kryptofutureshandel

En Bitcoin (BTC ) Diagrammet kan visa en blygsam prisrörelse medan marknaden under blir allt svårare att handla. Köpare kan förbruka tillgängliga säljorder, likviditetsleverantörer kan dra tillbaka kurser, och hävda positioner kan ackumuleras. Ingen av dessa förhållanden förklaras fullt ut av hur mycket priset har rört sig.

En ny studie av Suresh Rajendran och Divya Singaravelu, som har godkänts för publicering i International Review of Economics and Finance, undersöker denna kunskapslucka.¹ Med hjälp av data om eviga terminskontrakt på Bitcoin och Ether undersöker forskarna om maskininlärning kan identifiera kortsiktig toxicitet i orderflödet utan att direkt förlita sig på den senaste tidens volatilitet.

Resultaten tyder på att orderflödesignaler kan hjälpa till att rangordna risk för ogynnsam selektion. Deras bredare betydelse är att identifiera stora prisrörelser och identifiera kostsamma handelsförhållanden är olika uppgifter. För investerare, handlare och börsoperatörer ger förståelsen av denna skillnad ett bättre sätt att bedöma både marknadskvalitet och finansiell AI.

Vad orderflödestoxicitet betyder i kryptohandel

Marknadsgivare tillhandahåller likviditet genom att erbjuda att köpa och sälja. De strävar efter att tjäna spreaden mellan dessa priser samtidigt som de hanterar lager och risken att priserna rör sig emot dem efter en handel.

Betrakta ett förenklat exempel. En likviditetsleverantör säljer Bitcoin till ett annonserat pris, men köpkraften driver marknaden högre omedelbart efteråt. Leverantören sålde precis innan tillgången blev dyrare. Upprepat över många affärer kan dessa ogynnsamma fyllningar överväldiga inkomsten från spreadar.

Orderflödestoxicitet beskriver handelsförhållanden som är kopplade till den risken för ogynnsam selektion. Termen betyder inte att transaktionerna är bedrägliga eller att de ansvariga handlarna har konfidentiell information. Offentliga nyheter, aggressiv handel, likvidationer och andra påtryckningar kan skapa skadliga flöden.

Perpetual futures gör detta problem särskilt relevant. Dessa derivat har vanligtvis ingen planerad utgång och använder finansieringsbetalningar för att hjälpa till att anpassa sina priser till den underliggande tillgången. Hävstång tillför ytterligare ett tryck när tvingade positionsavslut skickar order till marknaden.

Hur AI analyserade Bitcoin- och Ether-orderflöde

Forskarna studerade BTC/USDT- och ETH/USDT-perpetual futures på Bybit med data från 1 februari 2025 till 16 februari 2026. Efter att ha avsatt de första 21 dagarna för initial träning utvärderade de modellerna över 360 out-of-sample-dagar.

Den primära modellen använde gradient boosting, en maskininlärningsmetod som kombinerar flera beslutsträd. Dess 19 indata beskrev förhållanden såsom spreadar, orderbok-obalans, handelsaktivitet och passiv orderavdrag. Direkta indata för realiserad volatilitet uteslöts för att testa om modellen fångade något bortom den senaste prisvolatiliteten.

Prediktorerna använde information som var tillgänglig fram till föregående sekund. Walk-forward-utvärderingen tränade på tidigare observationer innan den poängsatte senare, vilket minskar risken att ge modellen tillgång till framtida information.

Modellen genererade en riskrankningssignal kallad TailScore. Den primära jämförelsen valde de högst rankade 1 % av de utvärderade sekunderna, beskrivet som en 1 %-grind. Detta var ett retrospektivt utvärderingströskelvärde, snarare än en fullständigt specificerad regel för livehandel.

De monetära uppskattningarna ovan gäller den primära modellen vid 1 %-grinden, med en antagen fyllnadsgrad på 25 %. De representerar modellerade undvikna förluster efter att ha beaktat utebliven spreadinkomst, inte investeringsavkastning eller realiserade handelsvinster.

Varför bättre volatilitetssökning kan ge mindre värde

Den mest användbara upptäckten rör oenigheten mellan prestationsmått. Enklare modeller baserade på avkastning, flöden eller volatilitet koncentrerade generellt extrema prisrörelser mer effektivt över de tillräckligt stödjade 1 % till 5 %-grindarna. Ändå producerade den primära modellen utan direkta volatilitetssignaler de högsta illustrativa uppskattningarna av undvikna förluster för båda tillgångarna.

Det betyder inte att den avgörande överträffade varje alternativ. Vid den primära Bitcoin-grinden överlappade dess konfidensintervall de för den linjära modellen och modellen som inkluderade volatilitet. Det visar varför valet av en finansiell modell baserad på ett imponerande mått kan vara missvisande.

Ett system som känner igen turbulenta perioder kan hjälpa till att minska den totala exponeringen. Ett system avsett att skydda passiva kurser måste besvara en snävare fråga: vilka potentiella fyllningar sannolikt blir kostsamma, och är det värt att undvika dem med tanke på den inkomst som offras?

Denna skillnad sträcker sig bortom krypto. Finansiell AI bör utvärderas mot det ekonomiska beslut som den stödjer. Klassificeringsnoggrannhet, detektering av extrema rörelser, exekveringskostnader och lönsamhet mäter olika saker. Att förbättra en förbättrar inte automatiskt de andra.

Varför en lugn kryptomarknad fortfarande kan medföra risk

Nyliga marknadsobservationer visar varför prisbeteende bör läsas tillsammans med positionering. Coinbase Institutional’s augusti 2026 marknadspositioneringsrapport beskrev ökande derivatinstrumentens öppna intresse parallellt med minskande spot- och perpetualhandelsvolymer i juli. Den rapporterade också svagare likviditet på köp-sidan i orderboken.

Dessa observationer validerar inte studiens modell. De illustrerar en separat poäng: exponering, handelsaktivitet och tillgänglig likviditet kan röra sig i olika riktningar. En lugnare marknad innebär inte nödvändigtvis mindre risk.

Likviditet har också olika betydelser. Securities.io:s analys av global likviditet och kryptoräntor handlar om kapitaltillgänglighet i hela det finansiella systemet. Orderbokslikviditet avser de order som finns tillgängliga för att absorbera transaktioner till specifika priser. Mer kapital i systemet garanterar inte djup exekverbar likviditet på varje handelsplats.

Vad detta innebär för vanliga handlare

Studien ger inte en färdig indikator för detaljhandeln. Dess praktiska bidrag är att uppmuntra en bredare syn på exekveringskvalitet:

• Utvärdera tillgängligt marknadsdjup tillsammans med den noterade spreaden.
• Skilj på ökande öppet intresse från ökande handelsvolym.
• Bedöm exekveringskostnader tillsammans med modellens prediktionsnoggrannhet.

Det finns också en potentiell spänning för börser. Om riskdetektering hjälper likviditetsleverantörer att identifiera farliga perioder kan de minska offertstorlekar eller dra tillbaka order. Det kan skydda deras balansräkningar samtidigt som andra deltagare får mindre tillgänglig likviditet. Bättre individuell riskhantering skapar inte automatiskt en mer motståndskraftig marknad som helhet.

Vad studien inte fastställer

Bevisen omfattar två tillgångar på en börs under ungefär ett år. De kan inte fastställa att samma samband gäller på andra handelsplatser, för mindre tokens eller i olika marknadsregimer.

Studien toxicitetsmärkning kombinerar orderflöde med femsekunders prispåverkan. Det är en konstruerad proxy, snarare än bevis på privat information. Efter att ha matchat händelser på relevanta marknadsförhållanden fann forskarna ingen statistiskt signifikant uthållighetsfördel för modellvalda händelser vid de testade horisonterna.

De ekonomiska uppskattningarna exkluderar avgifter, slippage, finansieringsbetalningar, hedgekostnader, köposition och överlappande eller korrelerade positioner. En live‑implementering skulle också kräva tröskelvärden som kalibrerats med endast den information som fanns tillgänglig vid tidpunkten. Dessa utelämnanden hindrar resultaten från att tolkas som en demonstrerad lönsam strategi.

Båda författarna avslöjar att de är medgrundare av Alphashots.AI, ett kvantitativt forsknings- och handelsteknikföretag. Denna koppling är relevant kontext när man bedömer potentiella kommersiella tillämpningar.

CME Group och expansionen av kryptoriskhantering

Den bredare möjligheten rör infrastruktur som låter deltagare handla och hantera exponering mot digitala tillgångar. Securities.io:s bevakning av perpetuella kontrakt på verkliga tillgångar utforskar hur derivatinstrumentens ambitioner sträcker sig bortom konventionella kryptomarknader. Allt eftersom produkterna expanderar blir exekveringskvaliteten allt mer avgörande.

För investerare som är intresserade av aktieexponering mot denna infrastruktur erbjuder CME Group en relevant koppling genom sin derivatmarknad. I juni 2026 meddelade företaget att det lanserar handel med kryptovalutaterminer och -optioner dygnet runt, alla veckans dagar. Företaget lanserade också terminer på Nasdaq CME Crypto Index, vilket utökade produktutbudet med diversifierad kryptoexponering.

CME erbjuder ett sätt att undersöka affärsverksamheten kring handelsinfrastruktur snarare än att bara välja en kryptovaluta. Relevanta överväganden inkluderar ihållande kunddeltagande, produktadoption, konkurrens och kostnaderna för att stödja kontinuerliga marknader. Dess bredare verksamhet sträcker sig också över flera tillgångsklasser.

Bybits resultat fastställer inte att CME använder denna modell eller att resultaten kan överföras till dess kontrakt. Kopplingen är den växande betydelsen av sofistikerad riskhantering. Kryptomarknadens utveckling beror på mer än att locka kapital: deltagarna behöver också pålitliga metoder för att genomföra affärer, säkra exponering och utvärdera vad deras riskverktyg faktiskt åstadkommer.

Referenser:

¹ Rajendran, S., & Singaravelu, D. (2026). Toxicitet i orderflödet på kryptovalutors eviga terminsmarknader: orderflödessignaler, priseffektens varaktighet och begränsningarna hos volatilitetsbaserade mått. International Review of Economics and Finance. Förhandspublicerad online. https://doi.org/10.1016/j.iref.2026.105876