💰 quantitative finance

Anomaly detection in European cryptocurrency exchange-traded products

本文引入并验证了三种用于检测欧洲比特币和以太坊交易所交易产品日内市场异常情况的新型二元指标，证明了这些稀有事件具有独特的微观结构特征，并且可以使用机器学习模型准确地进行提前一分钟的预测。

原作者： Julia Kończal, Rafał Połoczański

发布于 2026-08-11

📖 1 分钟阅读☕ 轻松阅读

原作者： Julia Kończal, Rafał Połoczański

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，金融世界是一个繁忙的大型市场，人们在那里交易从苹果到数字黄金的一切事物。长期以来，最著名的数字货币（如比特币和以太坊）一直是在一个永不闭市、价格随时可能剧烈波动的狂野、“后院”中进行交易的。但最近，在欧洲正式且受监管的证券交易所内，开设了一种新型商店。这些被称为交易所交易产品（ETP）。你可以把它们想象成通往混乱加密世界的、受政府监管的安全窗口，在那里，你可以像购买公司股票一样，在正常的营业时间内购买一小块比特币或以太坊。

为了理解这些窗口内部发生了什么，科学家们使用了几种关键工具。首先，他们观察“异常情况”（anomalies），这就像市场中突然出现的奇怪故障——即价格以一种不合常理的方式下跌或跳升的时刻，类似于汽车在没有驾驶员触碰方向盘的情况下突然转向。为了识别这些现象，他们使用了一种名为“极值理论”（Extreme Value Theory）的数学方法，这基本上是一种研究最罕见、最极端事件（如风暴中最大的浪头）的方法，用以设定一条安全线。他们还观察了“微观结构”（microstructure），即买家和卖家互动的极其细微的、秒级的细节，就像是在统计同时有多少人在大声喊叫着买入或卖出。核心问题是：我们能在这些奇怪的故障发生之前察觉到它们吗，还是说它们仅仅是随机的意外？

这篇论文是一个关于四个特定加密产品的侦探故事（两个追踪比特币，两个追踪以太坊），这些产品在德国的 Xetra 和瑞典的 Nasdaq Stockholm 这两个欧洲交易所进行交易。作者 Julia Kończal 和 Rafał Połoczański 花了一年半的时间（从 2024 年 1 月到 2025 年 12 月）对这些产品进行逐笔观察，使用的是一分钟线数据。他们想找出这些“异常情况”是遵循某种规则，还是仅仅是混沌。

首先，他们使用“极值理论”数学建立了一个基准检测器。他们在沙滩上画了一道分界线：如果一次价格下跌比所有其他下跌都深 95%，那么它就是一个异常情况。但他们并未止步于此，还发明了三种巧妙的新方法来发现麻烦：

“跨场所背离”检测器（The "Cross-Venue Divergence" Detector）： 想象两对双胞胎（同一种加密产品）站在两个不同的房间里（两个交易所）。通常情况下，它们的动作是同步的。如果其中一个双胞胎突然跳跃，而另一个却保持不动，那就是背离异常。这表明这两个房间之间的沟通出现了暂时的故障。
“无恢复”检测器（The "No-Recovery" Detector）： 这观察的是价格下跌后无法反弹的情况。如果价格遭受重创后，在接下来的十分钟内只是蹒跚前行而没有恢复，那么这就是一个“无恢复”异常。这就像一个球撞击地面后拒绝弹起一样。
“动量反转”检测器（The "Momentum-Reversal" Detector）： 它捕捉那些原本正欢快地向上冲刺，却突然撞向地板的价格。这就像过山车爬上山顶后紧接着就俯冲而下。

作者发现，这些奇怪的事件非常罕见，发生率不到 1%（每 100 分钟不到 1 次）。但当它们发生时，市场的表现非常不同。在这些异常期间，“有效价差”（effective spread，即交易成本）要高得多，且买卖双方的平衡被严重倾斜。例如，在“无恢复”式崩盘期间，交易量通常是正常情况下的 5 倍，且交易成本翻倍或增加了两三倍。

故事最令人兴奋的部分是预测。作者问道：“我们能否猜到下一分钟是否会出现异常？”他们训练了四个不同的“计算机大脑”（算法如随机森林和逻辑回归），让它们观察过去一分钟的数据来预测下一分钟。结果出人意料地好。对于标准的“极端下跌”异常，计算机预测下一分钟的准确度得分（AUC-ROC）高达 0.82。这是一个强烈的信号，表明这些事件并非完全随机。

然而，论文指出，计算机使用的数据类型比计算机类型更为重要。最好的预测因子并不是关于谁在买或谁在卖的复杂细节（微观结构）；相反，计算机高度依赖于波动率（价格震荡的程度）和回撤（价格从近期高点下跌的幅度）。这就像计算机学到了：“如果价格正在剧烈震荡且已经下跌了很多，那么一场崩盘很可能即将到来”，而不是试图去数人群中的每一个个体。

有趣的是，“跨场所背离”异常通过简单数学最难预测，但被更复杂的“随机森林”算法很好地捕捉到了，这表明两个交易所之间的关系更具神秘性和非线性特征。研究还注意到，这些奇怪的事件在周五以及交易日开始或结束时发生得更频繁，这可能是因为当时的流动性（随时可以交易的资金量）较低。

最后，论文表明，虽然这些欧洲加密市场受到监管且比狂野的“后院”更安全，但它们仍有其独特的“故障”。这些故障虽然罕见，但在数据中留下了清晰的指纹。通过观察价格震荡和缺乏恢复的特定模式，我们实际上可以在它们发生前的一分钟察觉到它们。这并不是一个能完美预见未来的水晶球，但它是一个非常好的风暴雷达。

技术摘要：欧洲加密货币交易所交易产品（ETP）中的异常检测

问题陈述
尽管加密货币市场以高波动性、肥尾收益分布和碎片化基础设施为特征，但现有的大多数文献都侧重于使用日度数据的现货市场。在理解受监管的欧洲加密货币交易所交易产品（ETP）在日内频率下的微观结构方面，仍存在显著的研究空白。具体而言，目前尚不清楚异常价格行为在这些受监管的环境中是如何表现的，这些异常是否可以利用微观结构信息进行定义，以及它们是否具有一步预测性（one bar ahead）。

研究方法
本研究利用了 2024 年 1 月至 2025 年 12 月期间在两个主要欧洲交易所（德国 Xetra 和瑞典 Nasdaq Stockholm）交易的四种比特币和以太坊 ETP 的一分钟线数据。选定的工具包括 VanEck 比特币（VBTC.XE）和以太坊（VETH.XE）ETP，以及 Virtune 比特币（VIRBTC.ST）和以太坊（VIRSEETH.ST）ETP。

研究方法分为三个阶段：

异常定义： 作者利用极值理论（EVT），特别是超阈值法（Peaks-over-Threshold, POT），建立了基准异常定义。这涉及对左尾超额值拟合广义帕累托分布（GPD），以识别极端的负收益。在此基础上，提出了三种新型二元异常指标：
- 跨场馆分歧 ( $D_{CV}$ )： 通过滚动普通最小二乘法（OLS）残差衡量，识别不同交易所追踪同一资产的 ETP 之间存在的临时定价差异。
- 无恢复 ( $D_{NR}$ )： 检测极端价格下跌后恢复有限的情况（未来 10 个 bar 的累计收益率 < 初始跌幅的 30%）。
- 动量反转 ( $D_{MR}$ )： 识别紧随短期正向动量（5 个 bar 累计收益率）之后的极端负收益。
微观结构分析： 研究使用 Mann–Whitney U 检验对比了异常 bar 与正常 bar 的统计特性。分析的关键微观结构变量包括有效价差、相对成交量、Amihud 流动性比率、Kyle's $\lambda$ 以及订单流不平衡（OIB）。
预测建模： 采用了一种样本外预测框架，用于预测下一根 bar 是否会出现异常。研究测试了四种分类器：逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）。特征包括 22 个价格/波动率指标（如滚动标准差、回撤、RSI）和 12 个微观结构指标。研究对比了两种特征工程方法：基于交易时段（每日重置）和累积式（使用完整的历史活跃 bar）。

核心贡献

市场特征化： 本文对欧洲加密货币 ETP 市场进行了全面概述，指出虽然存在 200 多种产品，但交易量高度集中，Xetra 和 Nasdaq Stockholm 是主要的交易场所。
新型异常指标： 作者引入了三种专门针对高频 ETP 数据设计的特定二元异常定义（ $D_{CV}$ 、 $D_{NR}$ 、 $D_{MR}$ ），作为标准 EVT-based POT 方法的补充。
可预测性证据： 研究表明，所有四种类型的异常在一步预测下都是可预测的，这挑战了此类事件在受监管市场中纯属随机噪声的观点。

结果

统计特性： 异常 bar 在总有效 bar 中占比不足 1%。统计分析显示，与非异常 bar 相比，异常观测值表现出显著更高的有效价差、更高的流动性相关比率（Amihud, Kyle's $\lambda$ ）以及更明显的订单流不平衡（通常为负，表明存在抛售压力）。
重叠与时机： 四种定义捕捉到了不同类型的事件。 $D_{CV}$ 与其他定义之间的重叠极小（Jaccard 指数 < 0.03），捕捉了特定场馆的分歧。 $D_{NR}$ 和 $D_{MR}$ 表现出中度重叠。异常率在市场开盘和收盘附近达到峰值，且通常在周五较高。
预测性能： 所有四种分类器均成功预测了一步后的异常。曲线下面积（AUC–ROC）值范围在 0.56 到 0.82 之间。
- POT 定义的可预测性最高，LR 和 RF 在比特币工具上的 AUC–ROC 值高达 0.82。
- 跨场馆分歧（ $D_{CV}$ ）最适合由随机森林预测，这表明跨场馆定价信号中存在非线性关系。
- 累积特征方法（使用跨时段的历史数据）通常优于基于时段的方法。
特征重要性： 置换重要性分析表明，短期波动率和回撤度量通常比微观结构变量更具预测性。例如，滚动标准差和回撤是 POT 的主要预测因子，而 RSI 和波动率比率是动量反转异常的关键预测因子。

意义与主张
本文声称是首个研究受监管的欧洲加密货币 ETP 市场中异常价格行为如何呈现，以及是否可以使用微观结构信息进行检测和预测的研究。研究结果表明，尽管这些异常较为罕见，但它们与特定的微观结构条件（如较高的价差和抛售压力）相关，并包含预测信息。结果意味着，近期的日内变量（特别是波动率和回撤度量）可以用来部分捕捉异常事件的可能性，为受监管加密货币市场的风险管理和监控系统提供了潜在用途。作者保持了审慎态度，指出虽然预测是可能的，但由于类别不平衡，精确度仍然较低，且本研究侧重于检测和一步预测，而非交易策略。

类似论文