Post-Rejection Follow-up Sampling: A Methodology for Counterfactual Outcome Measurement in Algorithmic DEX Trading
Dieses Paper stellt das Post-Rejection Follow-up Sampling (PRFS) vor, eine Methodik, die die Echtzeit-Marktperformance von Token verfolgt, die von algorithmischen DEX-Handelssystemen abgelehnt wurden, um einen Datensatz von 67.000 Vorwärts-Ergebnis-Beobachtungen zu generieren und somit die Evaluierung der Filterpräzision gegenüber tatsächlichen Marktergebnissen anstelle von synthetischen Backtests zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Talentscout für ein riesiges, chaotisches Musikfestival. Jeden Tag ist es Ihr Job, Tausende von neuen Bands zu scannen, die es auf die Bühne schaffen wollen. Sie haben ein strenges Regelwerk (Filter), um zu entscheiden, wer Einlass erhält.
Das Problem: Die „Black Box“ der Ablehnung
Normalerweise ist das die Geschichte, wenn Ihr System eine Band ablehnt. Sie sehen die Bands, die tatsächlich gespielt haben, und wie das Publikum reagiert hat. Aber Sie wissen nie, was aus den Bands geworden wäre, die Sie abgewiesen haben. Hatten sie einen geheimen Hit? Waren sie schrecklich? Sind sie einfach von der Bildfläche verschwunden?
In der Welt des automatisierten Handels auf dezentralen Börsen (DEXs) ist dies eine riesige Wissenslücke. Computeralgorithmen lehnen jeden Tag Tausende von potenziellen Token (digitalen Vermögenswerten) ab. Traditionelle Methoden versuchen zu erraten, was mit den abgelehnten Token passiert wäre, indem sie alte Preisdiagramme betrachten. Aber diese Diagramme sind wie der Blick auf eine Karte einer Stadt, die sich bereits verändert hat. Sie sagen Ihnen nicht, was tatsächlich mit den spezifischen Token passiert ist, denen Ihr System „Nein“ gesagt hat.
Die Lösung: Das „Post-Rejection Follow-up“ (PRFS)
Dieses Paper stellt eine clevere neue Methode namens Post-Rejection Follow-up Sampling (PRFS) vor.
Stellen Sie sich PRFS wie ein dediziertes „Stalker“-Team vor (auf eine sehr höfliche, datenerhebende Art und Weise), das den abgelehnten Bands folgt.
- Die Entscheidung: Ihr Haupthandelssystem sagt „Nein“ zu einem Token und protokolliert den Grund.
- Das Follow-up: Anstatt diesen Token zu ignorieren, beginnt das PRFS-System, ihn genau zu beobachten. Es prüft in regelmäßigen Abständen den Preis des Tokens und wie viel Geld zum Handel mit ihm verfügbar ist (Liquidität).
- Der Zeitplan: Es beobachtet ihn bis zu 24 Stunden lang.
- Erste Stunde: Es prüft sehr häufig (wie das ständige Checken des Handys alle 5 Minuten), weil sich in dieser Phase Dinge meistens schnell ändern.
- Später: Es prüft seltener (z. B. einmal pro Stunde), während die Zeit vergeht.
- Der Stopp: Die Beobachtung endet, wenn die 24 Stunden um sind, wenn der Token vom Markt verschwindet (wie eine Band, die vor dem Auftritt die Segel streicht) oder wenn das System an ein technisches Limit stößt.
Was dies bewirkt
Durch diese Methode können die Forscher endlich das „kontrafaktische“ Ergebnis sehen. Sie können die Frage beantworten: „Wenn wir diesen abgelehnten Token tatsächlich zugelassen hätten, hätte er Geld eingebracht oder wäre er ein Scam gewesen?“
Hierbei geht es nicht um Raten oder Simulieren; es geht darum, die Realität zu messen. Es verwandelt das „Was wäre wenn“ in ein „Was tatsächlich geschah“.
Das Experiment
Die Forscher testeten dies über acht Tage im April om 2026 auf der Solana-Blockchain.
- Sie verfolgten 2.997 Fälle, in denen ihr System einen Token abgelehnt hat.
- Es gelang ihnen, für etwa 55 % dieser Ablehnungen mindestens ein Update zu erhalten.
- Insgesamt sammelten sie 67.000 Datenpunkte (Preisprüfungen) für diese abgelehnten Token.
Die Ergebnisse (Die „bimodale“ Überraschung)
Die Daten zeigten eine sehr interessante Aufteilung, wie zwei verschiedene Arten von abgelehnten Bands:
- Die „Ghost“-Bands: Etwa die Hälfte der abgelehnten Token verschwand fast sofort (innerhalb der ersten Prüfung). Im Handelssinne handelte es sich hierbei wahrscheinlich um Scams oder Token, die augenblicklich ihr Kapital aufgebraucht hatten. Das System hat sie erfolgreich abgelehnt, und das Follow-up bestätigte, dass sie weg waren.
- Die „Long-Lived“-Bands: Die andere Gruppe blieb die vollen 24 Stunden lang bestehen. Einige davon waren tatsächlich gute Token, die das System fälschlicherweise abgelehnt hatte, während andere einfach nur langweilige Token waren, die sich nicht bewegten.
Warum das wichtig ist
Das Paper argumentiert, dass diese Methode ein besserer Weg ist, um Handelsalgorithmen zu optimieren. Anstatt zu raten, können Sie nun das tatsächliche Schicksal der Token betrachten, die Sie abgelehnt haben, und sagen: „Hey, unser Filter ist bei dieser Art von Token zu streng“ oder „Großartig, unser Filter hat genau diesen Scam abgefangen.“
Einschränkungen
Die Autoren sind ehrlich in Bezug auf die Einschränkungen:
- Das Zeitfenster: Sie haben den Zeitraum nur acht Tage lang beobachtet. Die Marktbedingungen ändern sich, daher ist dies nur eine Momentaufnahme.
- Die Dichte: Für einige Token erhielten sie nicht genügend Datenpunkte, um eine perfekte Linie des Preisverlaufs zu zeichnen. Sie erhielten zwar einige Punkte, aber keine glatte Kurve. Dies liegt daran, dass die Datenquelle (der Price Oracle) Limits bezüglich der Anzahl der Anfragen hat.
- Das „Verschwinden“-Rätsel: Wenn ein Token direkt nach der Ablehnung verschwindet, geht das System davon aus, dass es ein Scam war. Das Paper räumt ein, dass dies eine gute Vermutung ist, sie aber noch nicht zu 100 % gegen unabhängige Datensätze bewiesen haben.
Zusammenfassend
Dieses Paper behauptet nicht, eine magische Formel zur Geldvermehrung gefunden zu haben. Stattdessen bietet es ein neues Werkzeug zur Messung an. Es ist, als würde man einem Koch eine Möglichkeit geben, die Zutaten zu probieren, die er weggeworfen hat, damit er genau lernen kann, welche davon schlecht waren und welche er versehentlich entsorgt hat. Dies hilft ihm, in Zukunft bessere Mahlzeiten zu kochen (bessere Handelsentscheidungen zu treffen).
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.