anatoly/crypto-5m-research
Archived
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
This repository has been archived on 2026-10-22. You can view files and clone it. You cannot open issues or pull requests or push a commit.
Files
main
crypto-5m-research/directions/orderflow-microstructure.md
T
anatoly 84635f5f72 research(5m): разбор 133 источников по 5 направлениям + сводка «что брать в бэктест» 
ЧТО: directions/*.md+json (поток заявок, кросс-секция, издержки и исполнение, ML, волатильность),
сводный sources/ALL_SOURCES.json (133 источника с URL, горизонтом, заложенными издержками, вердиктом),
docs/SYNTHESIS.md — итог со страницы вики.
ПОЧЕМУ: сверить наши прогоны с литературой и взять готовые проверяемые формулировки правил.
ГЛАВНОЕ: ни одной работы с net-плюсом на 1-15м при издержках >=10 б.п.; пик валового эджа 1,3 б.п. на 15м
и 0,15 б.п. на 5м (Kitron & Wengrowicz 2026, 183 пары) против нашего круга 11 б.п.
КАК ПРОВЕРЕНО: JSON всех пяти направлений валидны (15/24/27/29/38 = 133 записи), отчёты 43-61 КБ.
2026-09-29 00:28:51 +03:00

60 KiB
Raw Permalink Blame History

orderflow-microstructure — поток заявок и микроструктура на 1–15 мин

Дата обзора (дата обращения ко всем источникам): 29.09.2026. Инструменты поиска: arXiv API (http://export.arxiv.org/api/query), Crossref REST (api.crossref.org), web_search/web_extract. Полные тексты (PDF/HTML) скачивались в локальную папку и читались целиком; где доступа не было — это прямо указано.

0. Наши опорные факты (из README, не переоткрываем)

Факт Значение
Тейкер на круг 0,055% × 2 = 0,11% = 11 б.п.
Мейкер на круг 0,02% × 2 = 0,04% = 4 б.п.
Средний |доход| 5м / 1ч 22,8 б.п. / 78,0 б.п.
Порог точности p* = (Стоп+Издержки)/(Цель+Стоп) 0,2%/0,2% → 77,5% (тейкер), 60,0% (мейкер)

Производные пороги (наш расчёт по той же формуле, проверен скриптом 29.09.2026 — не чужие цифры):

Цель/Стоп p* тейкер (11 б.п.) p* мейкер (4 б.п.)
0,2% / 0,2% 77,5% 60,0%
0,3% / 0,3% 68,3% 56,7%
0,4% / 0,2% 51,7% 40,0%
0,5% / 0,3% 51,3% 42,5%
0,5% / 0,5% 61,0% 54,0%
1,0% / 0,5% 40,7% 36,0%

Два вывода, которые дальше используются как «линейка» для чужих результатов:

  1. Один тейкер-круг = 48,2% среднего модуля движения 5м-бара (11 / 22,8) и 17,5% — мейкер-круг. 7,1 тейкер-круга «съедают» целый средний час (78 б.п.).
  2. Чтобы торговать при точности 55–57% (максимум, который вообще встречается в out-of-sample крипто-работах), при тейкер-комиссии нужен R:R ≈ 1,4–1,6 при стопе ≥30 б.п. (цель 41–45 б.п.). Средний модуль 5м-движения — 22,8 б.п., то есть такой стоп — это уже больше одного 5-минутного бара, значит сделка обязана жить 15–30 минут и дольше.

1. Сводная таблица источников (главное)

Формат: работа → авторы/год → данные → горизонт → заложенные издержки → цифры → вердикт.

Работа Авторы, год Данные Горизонт Издержки в работе Цифры Вердикт
The Price Impact of Order Book Events Cont, Kukanov, Stoikov, 2014 (JFE 12:47–88) NYSE TAQ, 50 акций, 21 день апр. 2010 Δt = 10 с (робастность: 10 апдейтов … 10 мин) издержки не моделируются (это объясняющая регрессия) OFI объясняет изменения мид-цены с средним R² 65%; trade imbalance — 32%; OFI вытесняет TI (t-стат TI падает в 4 раза) Фундамент: на секундах–минутах цену двигает весь поток заявок (лимит+маркет+отмены), а не только сделки. Наш OHLCV-прокси ближе к TI (R² 32%), т.е. заведомо хуже
Deep Order Flow Imbalance Kolm, Turiel, Westray, 2023 (Math. Finance 33(4):1044–1081) LOBSTER, 115 акций Nasdaq, максимальная гранулярность LOB «мультигоризонт», эффективный горизонт ≈ 2 средних изменения цены в доступной части нет PnL/Sharpe и нет описания издержек модели на стационарных OFI-фичах превосходят модели на «сырых» стаканах; «information-rich» акции предсказуемее Полный текст за пейволом Wiley — читалась только аннотация + SSRN-страница. Ключевой рецепт (OFI вместо сырого стакана) подтверждён; прибыльность после издержек не заявлена
The Price Impact of Generalized Order Flow Imbalance Su, Sun, Li, Yuan, 2021 (arXiv 2112.02947) CSI 500, 10 акций, снапшоты стакана 30 с, 1 мин, 5 мин издержки не моделируются out-of-sample R² (объяснение изменения цены): 30 с/1 мин/5 мин OFI = 32,89/38,13/42,57% → log-GOFI = 83,57/85,37/86,01% На 5-минутном горизонте OFI-семейство почти «механически» объясняет цену. Это contemporaneous, а не прогноз: как торговый сигнал бесполезно, но как напоминание «сначала убери механику» — обязательно
Cross-impact of Order Flow Imbalance in Equity Markets Cont, Cucuringu, Zhang, 2023 (Quant. Finance 23:1373–1393) метаданные проверены в Crossref — — — Не читалось (только метаданные/DOI). Включено как ориентир для будущего разбора направлений xs-short-horizon
Order flow analysis of cryptocurrency markets Silantyev, 2019 (Digital Finance 1:191–218) крипто (Kraken/bitcoin) внутридневной — числовых результатов извлечь не удалось: Springer отдаёт только вводную часть (JS-пейвол, PDF недоступен) Доступа нет — цифр не приводим (правило 4 README). Считается «первой работой по OFI в крипте», но без доступа к таблицам
Order Flow and Cryptocurrency Returns Anastasopoulos, Gradojevic, Liu, Maynard, Tsiakas, 2024 (EFMA 2025) кросс-секция крипто, «мировой» поток заявок в 11 валютах дневной и недельный (не 5 мин!) Явно: break-even transaction cost (BETC) contemporaneous R² 11% (день) / 19,9% (неделя); предиктивный R² 1,3%/3,1%; long-short недельный 1,61%/нед, t=2,13, Sharpe 1,68; ML long-only α 0,81%/день, Sharpe 1,88, BETC 1,02% в день (LS: 0,48%/день) Единственная найденная работа по OFI в крипте с честным учётом издержек: сигнал выживает только на дневном обороте (наш круг 11 б.п. = 9% от их BETC). На 5 мин неприменимо напрямую
Microstructure and Market Dynamics in Crypto Markets Easley, O'Hara, 2024 (SSRN 4814346) 5 крупных крипто, Roll-мера и VPIN внутридневной, для MM/хеджа/прогноза волатильности в доступной части нет «микроструктурные метрики ликвидности и price discovery обладают предсказательной силой для MM, динамического хеджа и оценки волатильности»; эффекты own- и cross-market для BTC/ETH устойчивы (в т.ч. «крипто-зимой») Читалась только аннотация (PDF Cornell не отдался, SSRN блокирует полный текст). Цифр нет. Направление «VPIN → волатильность/MM», а не «→ направление на 5 мин»
The Quarter-Hour Effect Kim, Hansen, 2026 (arXiv 2607.09426v2) tick-данные сделок, 6 перпетуалов Binance (BTC/ETH/XRP/SOL/DOGE/ADA), 01.01.2021–31.10.2024 10-секундные окна; границы 1/5/15 мин; предиктивный горизонт для imbalance — 4–12 ч Явно: taker Binance 5,0 б.п., maker 2,0 б.п.; авторы отказываются считать net-of-cost стратегию R²_OOS открывающей 10-сек доходности: лаг-модель 2,464% (среднее), лаг+TI28 3,37%, AUC 0,6011, точность 57,12%; валовые 0,375–0,775 б.п. на сделку (среднее 0,510 б.п.); «предсказуемая компонента ≈ в 10 раз меньше одной тейкер-комиссии и в 20 раз меньше круга» Главный источник для 5-мин темы. Предсказуемость на границах 15-мин есть и устойчива, но валовый эдж 0,51 б.п. против нашего круга 11 б.п. → net ≈ −10,5 б.п. на сделку. Годится для исполнения (мейкер/тайминг), а не как тейкер-стратегия
Short-horizon mean reversion in cryptocurrency markets Kitron, Wengrowicz, 2026 (arXiv 2608.21888v1) 183 пары Binance USDT (свечи), 2025-01-01…2026-02-11 + 187 акций/ETF как контроль; шесть лет фокус-панели 15 мин — основной; 1 ч, 4 ч; отдельно 5 мин Явно: полосы круговых издержек ≈5 б.п. (мейкер), 10–20 б.п. (тейкер) спот 90% из 183 пар дают значимый OOS разворот на 15 мин (у акций 2,7%); AUC крипто 0,536/0,521/0,496 на 15м/1ч/4ч; валовая прибыль на сделку пик ≈1,3 б.п. (15 мин) и 0,15 б.п. на 5-мин барах; медиана по парам 0,46 б.п.; «ни одна из 183 пар не пробивает даже 5-б.п. мейкер-полосу ни при каком пороге»; разворот концентрируется после движений, вызванных агрессивным тейкер-потоком, и растёт с его интенсивностью, а съеденная глубина стакана ни на что не влияет Прямой ответ на наш вопрос для 5 мин: эдж разворота сжимается с ростом частоты (1,3 б.п. → 0,15 б.п.), т.е. net на 5 мин ≈ −10,9 б.п. при тейкере и −3,9 б.п. при мейкере. Механика («после тейкер-импульса») — лучший из найденных кандидатов для OHLCV-прокси
Explainable Patterns in Cryptocurrency Microstructure Bieganowski, Ślepaczuk, 2026 (arXiv 2602.00776v1) Binance perpetual order book + trades, 1 с, BTC/LTC/ETC/ENJ/ROSE, 01.01.2022–12.10.2025 цель — 3-секундная доходность мид-цены; удержание по событиям «taker fee» применяется, но численное значение комиссии в работе не указано; задержка не моделируется («верхняя оценка») Тейкер-IR: BTC 0,25 · ENJ 6,58 · ETC 8,97 · LTC 0,07 · ROSE 5,28; статистически значимы (t-тест) только ETC/ENJ/ROSE (по ROSE — в основном из-за флеш-крэша 10.10.2025). Мейкер: ни одна p-value не ниже 0,05. SHAP: OFI — главная фича, эффект монотонный с уплощением на краях; широкий спред → предсказуемость падает; VWAP−mid → короткий возврат Экономическая значимость «на грани»: подтверждается только на альткоинах и только на 3-секундном горизонте, причём бóльшая часть PnL — событийная. Перенос на 5 мин не доказан; уровень комиссии не указан → сопоставить с нашими 11 б.п. по цифрам работы невозможно
Deep Learning for Digital Asset Limit Order Books Jha, De Paepe, Holt, West, Ng, 2020 (arXiv 2010.01241) Coinbase BTC-USD, L2 стакан 2 секунды нет walk-forward точность 71% (down 61%, up 66%, stable 73%); precision по направленным классам 0,40–0,42; «предсказуемость держится до минуты» 71% — это точность по трём классам, а не эдж. Precision 0,40 значит: когда модель кричит «вверх», она чаще ошибается. PnL/издержки не считались
Ascertaining price formation in cryptocurrency markets with DeepLearning Fang, Chung, Ventre, Basios, Kanthan, Li, Wu, 2020 (arXiv 2003.00803) BTC-USD, LOB, живые 1-мин данные 2018 1 мин Идея: порог = комиссия — движения меньше комиссии помечаются «buffer area» (нейтрально) 78% точность бинарного направления движения мид-цены; на живых данных качество модели «медленно сползает почти к случайному угадыванию», требуется walk-forward переобучение Полезен методологически (лейблинг «только движения выше комиссии»), но 78% получены без учёта PnL и деградируют в live
Trading in the Sunshine or in the Shade (Hyperliquid) Barone, Lillo, 2026 (arXiv 2606.15715) Hyperliquid (on-chain стакан перпетуалов): 4,3 млн скрытых метаордеров + 465 тыс. TWAP метаордера (минуты–часы) Явно: издержки через временнóе влияние в б.п. видимые TWAP имеют ≈9 б.п. меньший временный импакт; ≈5 б.п. меньший пост-исполнительный сдвиг; скрытые ордера, идущие в сторону видимого потока, платят +0,8–0,9 б.п. за каждые 10 п.п. доминирования видимой стороны; глубина растёт во время TWAP Эмпирика по издержкам/неблагоприятному отбору на крипто-перпетуалах. Масштаб эффектов (1–9 б.п.) — того же порядка, что наш круг 11 б.п., т.е. тайминг/видимость ордера сопоставимы по важности с самим сигналом
Temporal mixture ensemble models for intraday volume forecasting in crypto Antulov-Fantulin, Guo, Lillo, 2020 (arXiv 2005.09356) Bitfinex + Bitstamp, фичи стакана и сделок 1 / 5 / 10 мин нет (прогноз объёма, не PnL) ансамбль (TME) и ML превосходят эконометрические модели на 1/5/10-минутных горизонтах по объёму Предсказуем объём, а не направление. Прямо подтверждает гипотезу «на 5 мин прогнозируется активность, а не знак доходности»
Rise of the Machines? Petukhina, Reule, Härdle, 2020 (arXiv 2009.04200) крипто (CRIX), высокочастотные данные внутридневная периодичность нет внутридневные паттерны волатильности/объёма, связанные с алгоритмической торговлей Описательная база; торговых выводов нет
Periodicity in Cryptocurrency Volatility and Liquidity Hansen, Kim, Kimbrough, 2024 (J. Financial Econometrics 22:224–251) BTC, ETH; Coinbase Pro, Binance, Uniswap V2 внутричасовые регулярности (в т.ч. 5-мин отметки) нет систематические паттерны волатильности и объёма по дню недели / часу / внутри часа; усиливаются со временем Первоисточник «календарной» периодичности. Для 5-мин стратегии означает: волатильность и объём нестационарны по фазе часа — бэктест обязан это учитывать
Anomaly detection in European cryptocurrency ETPs Kończal, Połoczański, 2026 (arXiv 2608.09576) 4 BTC/ETH ETP на Xetra и Nasdaq Stockholm, 1-минутные бары, 01.2024–12.2025 1 мин, прогноз на 1 бар вперёд нет (в аннотации издержки не заявлены) аномалий <1% баров; в аномальных барах выше эффективный спред и сильнее дисбаланс потока заявок; 4 классификатора предсказывают аномалию на бар вперёд с AUC до 0,82; важнее всего краткосрочная волатильность и просадка, а не микроструктурные переменные Лучше предсказываются аномальные/экстремальные бары, чем направление; «сначала волатильность, потом микроструктура». Прямо поддерживает правило R9
Decomposing cryptocurrency high-frequency price dynamics Wątorek, Skupień, Kwapień, Drożdż, 2023 (arXiv 2306.17095) BTC, ETH, DOGE, WIN, 10-секундная выборка, 2020–2022 10 с нет динамика делится на рекуррентную (детерминированную) и шумовую компоненты; направление живёт в шумовой части Формализует «где тонет сигнал»: у доходности есть периодический каркас (его можно моделировать) и шум (для направления)
Boosting Bitcoin Minute Trend Prediction Using the Separation Index Shahsafdari, Kalhor, 2024 (arXiv 2406.17083) BTC, минутные данные 1 мин нет заявляется «unprecedented accuracy» для минутного тренда через отбор информативных наблюдений Не подтверждаемо: нет ни протокола out-of-sample, ни PnL, ни издержек; заявка не сопоставима с порогом 77,5%. Не использовать как основание
The Red Queen's Trap Chen, 2025 (arXiv 2512.15732) крипто, HFT-среда, 500 автономных агентов (DRL + эволюция) высокочастотный Явно: раздел «Friction Barrier», формула EV = W·(R·Risk) − (1−W)·Risk − C_trans вал. APY на валидации >300%, live-просадка капитала >70%; «Cost-Blind Hallucination»: агенты показывают «зелёный» PnL, а эквити падает Крупнейший найденный отрицательный результат: «математическая невозможность HFT-скальпинга при данной структуре издержек». Совпадает с нашими порогами
DeepLOB Zhang, Zohren, Roberts, 2019 (arXiv 1808.03668v6) FI-2010 + LSE (5 акций, 2017, 10 уровней) k = 10/20/50/100 апдейтов Явно: «trading takes place at mid-price», «gross profits before fees» FI-2010 (k=10): accuracy 78,91%, F1 78,47%; LSE: F1 70,17/63,49/60,65 при k=20/50/100; «чем длиннее горизонт, тем хуже точность, но выше накопленная прибыль» Классический бенчмарк, но прибыльность измерена без стакана и без комиссий, при исполнении по мид-цене. Ни одна цифра DeepLOB не переносится на наши издержки
Deep Limit Order Book Forecasting (LOBFrame) Briola, Bartolucci, Aste, 2024 (arXiv 2403.09267v4) 15 акций NASDAQ (small/medium/large tick), 2017–2019, LOB H10/H50/H100 апдейтов нет (зато есть явный тезис о разрыве «метрика → сделка») F1 > 0,45 без порогов и >0,7 с порогами у large-tick; accuracy >0,7 / >0,9; но: «высокие значения традиционных ML-метрик не обязательно транслируются в действенные торговые сигналы» Ключевая работа-предупреждение: F1 ≠ деньги. Large-tick предсказуемее — механика тика, а не альфа
HLOB Briola, Bartolucci, Aste, 2024 (arXiv 2405.18938v3) 15 акций NASDAQ H10 (и H50/H100) нет F1 лучших моделей 0,31–0,43, MCC 0,05–0,17, вероятность корректно закрыть круговую сделку p_T = 0,03–0,06 Самая жёсткая цифра раздела: даже у лучших LOB-моделей шанс «сделать полный круг в плюс» — единицы процентов
Deep Learning modelling of the LOB: a comparative perspective Briola, Turiel, Aste, 2020 (arXiv 2007.07319v3) LOBSTER внутридневной нет архитектуры (MLP, LSTM, attention, CNN-LSTM) кластеризуются по поведению и неразличимы по качеству; «naive/random» модели — база сравнения Полезно как «что не работает»: рост сложности не даёт прироста над простыми моделями
Extending Deep Learning Models for LOB to Quantile Regression Zhang, Zohren, Roberts, 2019 (arXiv 1906.04404) LSE, миллионы апдейтов k = 100 шагов нет квантильная регрессия (6 квантилей) + комбинация прогнозов устойчивее точечной Идея полезна для разметки/риск-контроля, экономики после издержек нет
The Short-Term Predictability of Returns in Order Book Markets Lucchese, Pakkanen, Veraart, 2022 (arXiv 2211.13777v3) LOBSTER (ATVI и др.) 1–300 апдейтов стакана нет предсказуемость держится до 50–300 апдейтов вперёд; представление данных (L1 vs L2 vs L3, объёмы) важнее архитектуры «Дальнобойность» эджа измеряется в апдейтах, не в минутах; в минутах это секунды–десятки секунд
Multi-Horizon Forecasting for LOB (IPU) Zhang, Zohren, 2021 (arXiv 2105.10430v2) FI-2010/LSE k = 10…100 нет seq2seq+attention лучше на длинных горизонтах (k=100) Метод; торговых цифр нет
An Efficient DL Model to Predict Stock Price Movement Based on LOB Yang, Fang, Zhang, Zhou, 2025 (arXiv 2505.22678) A-share + LOBSTER малый горизонт нет OFI-фичи; улучшение сильных бейзлайнов в >75% случаев Подтверждает рецепт «OFI + сильный бейзлайн»; PnL нет
BDLOB (Bayesian) Zhang, Zohren, Roberts, 2019 (arXiv 1811.10041) LOB k апдейтов нет dropout-инференс даёт неопределённость, которая корректирует предсказания Полезно как механизм отказа от сделок (что и предлагает R6)
Deep Learning for Limit Order Books (spatial NN) Sirignano, 2016/2019 (arXiv 1601.01987) LOB, большие данные секунды–минуты нет универсальные пространственно-временные зависимости LOB across assets Теоретико-методологическая основа «универсальных» фич
Deep RL in Cryptocurrency Market Making Sadighian, 2019 (arXiv 1911.08647) крипто, LOB в наблюдении агента внутридневной нет PPO/DDPG; награда в виде Sharpe обучает лучше, чем PnL Практический рецепт для RL (если вообще идти в RL): риск-метрика в функции награды
LOB Simulation and Trade Evaluation with KNN Resampling Giegrich, Oomen, Reisinger, 2024 (arXiv 2409.06514) исторические LOB — да, off-policy оценка с учётом исполнения K-NN ресемплинг для симуляции стакана и калибровки стратегий Единственный найденный инструмент «как честно оценить стратегию без живых денег»; кандидат в costs-and-execution
Flow Toxicity and Liquidity (VPIN) Easley, López de Prado, O'Hara, 2012 (RFS 25:1457–1493) фьючерсы CME, тиковые данные объёмные «корзины» нет VPIN строится на bulk volume classification — разбиении объёма бара на покупки/продажи по распределению доходностей Ключ к OHLCV-прокси: если у нас есть только бар, сторону агрессора оценивают, а не читают. Точность оценки — источник шума
Inferring Trade Direction from Intraday Data Lee, Ready, 1991 (J. Finance 46:733–746) NYSE, тиковые данные сделки нет классическое правило тика/котировки для определения стороны сделки База для OHLCV-прокси, когда тейкер-объём недоступен
Trading and Arbitrage in Cryptocurrency Markets Makarov, Schoar, 2020 (JFE 135:293–319) крипто-биржи, арбитраж минуты–дни да (спреды/арбитражные издержки) значимые межбиржевые арбитражные возможности и их исчезновение Контекст: наши издержки 11 б.п. — не «пол»; спреды между площадками исторически были кратными этому
How to measure the liquidity of cryptocurrency markets? Brauneis, Mestel, Riordan, Theissen, 2021 (JBF 124:106041) крипто-биржи внутридневной да (метрики ликвидности как прокси издержек) сравнение метрик ликвидности для крипты Не читалось (метаданные). Полезно для калибровки модели проскальзывания в costs-and-execution
Order-Flow Imbalance and Short-Horizon Return Predictability in Cryptocurrency Markets Vafin, 2026 (SSRN 6938742) — — явно: «realistic transaction-cost model» Публикации цифр нет: это обзор + план («does not report new empirical estimates») Полезен как протокол: OOS-оценка + модель издержек + контроль data-snooping; отдельно отмечает, что в крипте сторона агрессора сообщается биржей, а не оценивается. Полный текст SSRN недоступен (403) — читалась аннотация через Crossref
How and When are High-Frequency Stock Returns Predictable? Ait-Sahalia, Fan, Xue, Zhou (SSRN) акции США, тики миллисекунды–секунды нет большая предсказуемость, но требует ультра-свежих данных и co-location (цитируется по Kim & Hansen, 2026) Только метаданные/cross-ref и цитирование. Полезно как граница: наша инфраструктура заведомо не конкурентна на мс-горизонте

2. Синтез

2.1. Фундамент подтверждён: OFI — главный драйвер микроструктуры, но это «механика», а не альфа. Cont–Kukanov–Stoikov (2014) на Δt = 10 с получают R² = 65% для OFI против 32% для дисбаланса сделок. Su et al. (2021) на 5-минутных интервалах: OFI объясняет 42,57% out-of-sample, улучшенный log-GOFI — 86,01%. Это contemporaneous объяснение: цена и поток синхронны. Любой наш сигнал, вычисленный на 5-мин барах (CLV, объём, дисбаланс), будет коррелирован с той же механикой — значит, для честной оценки надо тестировать лаг-1 или лаг-2, а не «предсказание текущего бара».

2.2. Ключевая цифра по 5-минутному горизонту в крипте — 1,3 б.п. → 0,15 б.п. Kitron & Wengrowicz (2026) — лучшая найденная работа именно по «около 5 минут»: 183 пары Binance, строго OOS. Разворот на 15 мин: валовая прибыль ≈1,3 б.п. на сделку; на 5-мин барах — 0,15 б.п.; ни одна пара не пробивает даже 5-б.п. мейкер-полосу. Наш круг по тейкеру 11 б.п. → net ≈ −10,9 б.п./сделку. Вывод: с ростом частоты эдж сжимается быстрее, чем издержки (прямое утверждение авторов: «higher frequency shrinks each opportunity faster than it shrinks costs»).

2.3. Вторая по важности цифра — 0,51 б.п. против 5,0 б.п. одной комиссии. Kim & Hansen (2026), 6 перпетуалов Binance, 2021–2024: открывающая 10-секундная доходность на 15-минутных границах предсказуема OOS (AUC 0,6011, точность 57,12%, R²_OOS до 3,37%), но валовая прибыль на сделку 0,375–0,775 б.п. (среднее 0,510). Авторы считают явно: Binance taker 5,0 б.п., maker 2,0 б.п.; предсказуемая компонента ≈ «одна десятая одной тейкер-комиссии и одна двадцатая круга». И отдельно: горизонт предсказуемости от order imbalance — 4–12 часов, на более частых календарных частотах эффект слабее. Это не наша 5-минутная ниша.

2.4. ML-литература по стакану: точность без денег. Сводка по DeepLOB → HLOB → LOBFrame:

  • DeepLOB (LSE): F1 0,60–0,70 при k = 20–100, но симуляция — исполнение по мид-цене и прибыль до комиссий;
  • HLOB: F1 0,31–0,43, вероятность завершить круговую сделку p_T = 0,03–0,06;
  • LOBFrame (Briola и др.): прямая формулировка «высокие F1/accuracy не обязательно превращаются в действенные торговые сигналы»;
  • Jha et al. (Coinbase, 2 с): 71% accuracy на трёх классах, но precision направленных классов 0,40–0,42. Ни одна LOB-DL работа не демонстрирует положительной экономики после реалистичных комиссий. Единственная крипто-работа с явным taker-бэктестом (Bieganowski & Ślepaczuk, цель — 3 секунды) получает значимость лишь на ETC/ENJ/ROSE и не указывает численное значение комиссии, что делает сопоставление с нашими 11 б.п. невозможным.

2.5. Где OFI действительно выживает после издержек — дневной/недельный горизонт. Anastasopoulos et al. (2024): единственная работа с корректным понятием break-even transaction cost. ML long-only по «мировому потоку заявок»: α 0,81%/день, Sharpe 1,88, BETC 1,02% в день; long-short: BETC 0,48%/день. Наш круг 11 б.п. — в 9,3 раза внутри их BETC, то есть на дневном обороте издержки не являются барьером. Это подтверждает логику: OFI-информация монетизируется при низком обороте, а не на 5-минутных барах.

2.6. Что реально переносимо на 5-мин свечи Bybit — это (а) прокси-поток и (б) тайминг исполнения.

  • Из механики Kitron: разворот следует за движениями, вызванными агрессивным тейкер-потоком, и растёт с его интенсивностью, тогда как съеденная глубина стакана не значит ничего. На свечах это выражается через тейкер-объём (в klines Binance есть takerBuyBaseVolume; у Bybit v5 в kline его нет — потребуется trades-фид или оценка стороны агрессора по Lee–Ready / bulk volume classification (Easley–López de Prado–O'Hara 2012)). CLV (close location value) — самый дешёвый прокси: CLV = ((C−L)−(H−C))/(H−L)·2 ≈ нормированное положение закрытия в баре.
  • Из Kim & Hansen и Barone & Lillo: границы времени и видимость потока двигают издержки на 1–9 б.п. — сопоставимо с нашим кругом. То есть тайминг входа (не внутри первых 10 секунд границы) и мейкер-исполнение сами по себе стоят столько же, сколько «средний» сигнал из литературы.
  • Из Bieganowski & Ślepaczuk: широкий спред убивает предсказуемость — фильтр «не торговать при спреде выше порога» имеет эмпирическое подтверждение.

3. Десять правил-кандидатов для бэктеста на 5-мин свечах Bybit

Все «ожидаемые экономики» ниже — наша арифметика от круга 11 б.п. (тейкер) / 4 б.п. (мейкер); чужие валовые цифры подписаны. Проверено скриптом 29.09.2026.

  1. R1. Разворот после «тейкер-импульса»: если на баре t доля тейкер-покупок |2·V_buy/V − 1| ≥ порог τ, входить против направления бара на баре t+1; выход по симметричной цели/стопу в пределах одного–двух баров. Источник: Kitron & Wengrowicz 2026 (arXiv 2608.21888v1), §5.1–5.2. Ожидаемая экономика: их собственный замер на 5-мин барах — 0,15 б.п./сделку валовыми → −10,85 б.п. за тейкер-круг и −3,85 б.п. за мейкер-круг. Правило бесперспективно само по себе; ценность — как фильтр-условие к другим правилам (какие бары вообще склонны к возврату).

  2. R2. Убрать contemporaneous-механику: сигнал строить только на лаге ≥1 бара (лаг-1 тейкер-imbalance и CLV), иначе «предсказание» — это та же синхронная корреляция. Источники: Cont–Kukanov–Stoikov 2014 (R² 65% на 10 с), Su et al. 2021 (на 5 мин contemporaneous R² 42,57% для OFI и 86,01% для log-GOFI). Ожидаемая экономика: прямо не измеряется; служит обязательным условием допуска любого 5-мин правила к бэктесту (иначе результат будет артефактом синхронности).

  3. R3. Пороговый вход: торговать только при |предсказание| > τ, где τ откалиброван на ex-ante сетке, и проверять, что точность растёт с сокращением покрытия. Источник: Kitron & Wengrowicz 2026, §5.2 (у них точность «пробивает 56% на самых уверенных барах», но эдж всё равно не покрывает издержки). Наш порог: при стопе 30 б.п. и цели 45 б.п. p* = 54,7% (тейкер) / 45,3% (мейкер) — то есть порог должен давать точность ≥55%, иначе правило отрицательно по построению.

  4. R4. Фильтр спреда/ликвидности: не торговать, когда спред (или прокси спреда через (H−L)/C и объём) выше квантиля q; предсказуемость при широком спреде падает. Источник: Bieganowski & Ślepaczuk 2026 (arXiv 2602.00776v1, раздел 6.1: «spreads are associated with diminished predictability»). Ожидаемая экономика: не измерена в работе; влияние на нашу экономику — через избегание сделок с повышенным проскальзыванием (по нашим оценкам стенда +1…3 б.п. на ногу).

  5. R5. Разметка по порогу комиссии (buffer area): не считать движением всё, что меньше 11 б.п. (тейкер) или 4 б.п. (мейкер) — такие бары помечать нейтрально и не торговать. Источник: Fang et al. 2020 (arXiv 2003.00803, «transaction fee as a threshold… Buffer area»). Экономика: при симметричных 0,2%/0,2% порог точности 77,5%, при 0,3%/0,3% — 68,3%, при 0,5%/0,5% — 61,0%. То есть мелкие цели физически не проходят наш порог — этот фильтр отсекает заведомо убыточную геометрию.

  6. R6. Геометрия сделки: при реалистичной точности 55–57% требовать R:R ≥ 1,4–1,6 (стоп ≥30 б.п., цель 41–45 б.п.), сознательно принимая, что сделка выходит за пределы одного 5-мин бара. Источники точности: Kim & Hansen 2026 (AUC 0,6011; точность 57,12%), Kitron & Wengrowicz 2026 (~56% на самых уверенных барах). Наш расчёт: S=30 б.п., P (55%) → T = 45 б.п.; S=30, P (57,5%) → T = 41 б.п. Средний модуль 5м-движения 22,8 б.п. → стоп 30 б.п. = 1,3σ. Требуется проверка удержания эджа на 15–30 мин (см. R10).

  7. R7. Использовать 5-мин модель для размера позиции и стопов (волатильность/объём), а не для направления. Источники: Antulov-Fantulin–Guo–Lillo 2020 (объём на 1/5/10 мин прогнозируется лучше эконометрических моделей), Kończal & Połoczański 2026 (AUC до 0,82 для «аномального бара» на 1 бар вперёд, причём важнее всего волатильность и просадка, а не микроструктура), Wątorek et al. 2023 (рекуррентная vs шумовая компоненты). Ожидаемая экономика: прямого PnL нет; выигрыш в том, что цель/стоп калибруются под 22,8 б.п. среднего 5м-хода (24% шире/уже — уже меняет p* на несколько п.п.).

  8. R8. Правило исполнения: не входить и не выходить внутри первых 10 секунд минутных/5/15-минутных границ; сдвигать исполнение на 10–30 с после границы. Источники: Kim & Hansen 2026 (пик активности в первые 10 с границы; вклад лаг-потока 5–6 б.п. в горизонтах 4–12 ч), Hansen–Kim–Kimbrough 2024 (периодичность волатильности/объёма), Barone & Lillo 2026 (видимость потока = −9 б.п. временного импакта, −5 б.п. пост-исполнительного сдвига, +0,8–0,9 б.п. штраф за игру вместе с видимым потоком). Ожидаемая экономика: экономия издержек 1–9 б.п. на круг — сопоставимо со всем «валовым» сигналом из литературы (0,15–0,51 б.п.).

  9. R9. Мейкер-режим как основной режим для 5-мин правил, но с честной проверкой: круг 4 б.п., плюс неблагоприятный отбор и пропущенные филлы. Источники: Kitron & Wengrowicz 2026 (мейкер-полоса 5 б.п.; «explicit fees, not the quoted spread, are what bind… a maker who never crosses still pays the fee schedule»), Bieganowski & Ślepaczuk 2026 (мейкер-стратегия: ни одна p-value < 0,05, тогда как тейкер значим на ETC/ENJ/ROSE; но их цель — 3 сек, а не 5 мин). Ожидаемая экономика на нашей линейке: Kitron 15 мин мейкер → 1,3 − 4 = −2,7 б.п.; Kim & Hansen QH мейкер → 0,51 − 4 = −3,5 б.п.; вывод: даже мейкер-круг не спасает сигналы такого масштаба — мейкер нужен для правил с валовым эджем >4 б.п.

  10. R10. Гейт допуска (go/no-go) для любого кандидата: (а) OOS-точность направления ≥55% при R:R ≥1,4 со стопом ≥30 б.п.; (б) эдж сохраняется на 15–30 мин, а не только на 5; (в) положительный net при 11 б.п. и при 4 б.п. на round-trip по фактическим филлам; (г) контроль data-snooping (число проверенных правил). Источники протокола: Vafin 2026 (SSRN 6938742 — OOS + реалистичная модель издержек + контроль data-snooping, «aggressor side is reported rather than estimated» в крипте), Kitron & Wengrowicz 2026 (эдж разворота падает с ростом частоты; AUC крипто 0,536 → 0,521 → 0,496 на 15м/1ч/4ч — то есть удержание дольше не помогает), Briola et al. 2024 (F1 ≠ торговый сигнал), Kim & Hansen 2026 (R²_OOS 2–3% — «скромные, но не нулевые»). Наша арифметика: ни один найденный в литературе сигнал на 5-мин горизонте в крипте не даёт валового эджа >1,3 б.п. на сделку, а нужно >11 б.п. при тейкере и >4 б.п. при мейкере.

4. Что опровергнуто / не подтвердилось

  1. «LOB-дипломные модели дают альфу» — опровергнуто: лучшие архитектуры (DeepLOB, HLOB, LOBFrame) либо измеряют прибыль по мид-цене до комиссий (DeepLOB), либо показывают вероятность полного круга в плюс 3–6% (HLOB), либо прямо пишут, что метрики не транслируются в сделки (LOBFrame). Колм и др. (2023) сообщают «state-of-the-art predictive accuracy», но PnL/Sharpe после издержек в доступной части не приводят.
  2. «Точность 71–78% = торгуемая стратегия» — не подтверждено. Jha et al.: 71% по трём классам, но precision направленных классов 0,40–0,42. Fang et al.: 78% на BTC-USD, но с деградацией к случайному угадыванию в live и без PnL.
  3. «На 5-минутном горизонте разворот в крипте торгуем» — опровергнуто количественно: Kitron & Wengrowicz прямо измеряют 0,15 б.п. на сделку на 5-мин барах против 5 б.п. мейкер-круга; «ни одна из 183 пар не пробивает мейкер-полосу при любом пороге».
  4. «Предсказуемость на границах 15 мин можно взять тейкером» — опровергнуто авторами: Kim & Hansen считают предсказуемую компоненту ≈0,51 б.п. против 5 б.п. одной комиссии Binance, и сознательно отказываются считать нетто-стратегию.
  5. «Чем больше признаков/сложнее модель, тем лучше» — не подтверждено: Briola–Turiel–Aste (2020) показывают, что архитектуры кластеризуются и неразличимы; Lucchese et al. (2022) — представление данных важнее архитектуры; Bieganowski & Ślepaczuk — интерпретируемый CatBoost на 8–10 фичах устойчив across assets.
  6. «Условие по глубине стакана предсказывает возврат» — опровергнуто: Kitron & Wengrowicz: «съеденная глубина не обуславливает ничего», значимо только conditioning по интенсивности агрессивного потока.
  7. «Depth/направление стакана как единственный сигнал» — опровергнуто ещё на акциях: Cont et al. — trade imbalance (то, что доступно с OHLCV) объясняет 32% против 65% у полного OFI; значит, наш прокси заведомо слабее.
  8. «DRL/эволюция адаптируются к режимам и дают APY» — опровергнуто: Chen 2025 — валидация >300% APY, live-просадка >70%, отдельный раздел «Cost-Blind Hallucination» и «Friction Barrier».
  9. Публикация с «unprecedented accuracy» на минутном BTC (arXiv 2406.17083) — не подтверждается: нет OOS-протокола, нет PnL, нет издержек; в список правил не берём.
  10. Наши собственные повторы не нужны: тезис «на 30 мин классические правила отрицательны» (наш факт) согласуется с Kitron (AUC 0,496 к 4 часам) — повторно не переоткрывать.

5. Пробелы, доступность и что осталось непроверенным

  • Полный текст не читался (доступ закрыт), цифр не приводим:
    • Kolm, Turiel, Westray 2023 — Wiley paywall (есть аннотация + SSRN-страница; PnL/Sharpe в аннотации нет);
    • Silantyev 2019 — Springer отдаёт только вводную часть, PDF недоступен;
    • Easley & O'Hara 2024 (SSRN 4814346) — только аннотация (PDF Cornell не отдался, тайм-аут);
    • Vafin 2026 — SSRN 403; аннотация получена через Crossref API;
    • Ait-Sahalia et al. — только метаданные/цитирование;
    • Brauneis et al. 2021, Cont–Cucuringu–Zhang 2023 — только метаданные (DOI/год/страницы).
  • Чего в литературе не нашлось (и мы это фиксируем, а не додумываем): ни одной работы, где 5-минутное правило в крипте даёт положительную экономику после комиссии 0,055% на ногу. Все найденные «положительные» результаты либо (а) на 2–10-секундном горизонте без корректных издержек, либо (б) на дневном/недельном обороте с BETC-анализом.
  • Инфраструктурный пробел: Bybit v5 klines не отдают takerBuyVolume (в отличие от Binance). Чтобы воспроизвести R1 (тейкер-impulse) на нашем стенде, нужно либо тянуть trades-фид, либо использовать оценку стороны агрессора (Lee–Ready / bulk volume classification из Easley–López de Prado–O'Hara 2012) и отдельно измерить её шум. Это стоит проверить до бэктеста правил R1/R3.
  • Не измерено никем (ниша): условная точность 5-мин разворота внутри окон повышенной алгоритмической активности (первые 10 с после границы) — Kim & Hansen измеряют эффект только для 10-секундной доходности на границе, Kitron — только для 5/15-мин баров целиком. Стык этих двух постановок не исследован.

6. Источники (URL + дата обращения 29.09.2026)

  1. Cont R., Kukanov A., Stoikov S. The Price Impact of Order Book Events // Journal of Financial Econometrics. 2014. 12(1). P. 47–88. DOI: 10.1093/jjfinec/nbt003. Препринт: https://arxiv.org/abs/1011.6402 (обращение 29.09.2026).
  2. Kolm P., Turiel J., Westray N. Deep Order Flow Imbalance: Extracting Alpha at Multiple Horizons from the Limit Order Book // Mathematical Finance. 2023. 33(4). P. 1044–1081. DOI: 10.1111/mafi.12413. Аннотация: https://onlinelibrary.wiley.com/doi/abs/10.1111/mafi.12413 ; SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3900141 (обращение 29.09.2026).
  3. Su Y., Sun Z., Li J., Yuan X. The Price Impact of Generalized Order Flow Imbalance. 2021. arXiv:2112.02947. https://arxiv.org/abs/2112.02947 (обращение 29.09.2026).
  4. Cont R., Cucuringu M., Zhang C. Cross-impact of order flow imbalance in equity markets // Quantitative Finance. 2023. 23(10). P. 1373–1393. DOI: 10.1080/14697688.2023.2236159 (обращение 29.09.2026, только метаданные).
  5. Silantyev E. Order flow analysis of cryptocurrency markets // Digital Finance. 2019. 1(1). P. 191–218. DOI: 10.1007/s42521-019-00007-w. https://link.springer.com/article/10.1007/s42521-019-00007-w (обращение 29.09.2026; полный текст недоступен).
  6. Anastasopoulos A., Gradojevic N., Liu F., Maynard A., Tsiakas I. Order Flow and Cryptocurrency Returns. EFMA Annual Meeting 2025 (Greece), Working paper, November 2024. http://www.efmaefm.org/0EFMAMEETINGS/EFMA%20ANNUAL%20MEETINGS/2025-Greece/papers/OrderFlowpaper.pdf (обращение 29.09.2026).
  7. Easley D., O'Hara M. Microstructure and Market Dynamics in Crypto Markets. 2024. SSRN 4814346. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4814346 (обращение 29.09.2026; только аннотация).
  8. Kim C., Hansen P. R. The Quarter-Hour Effect: Periodic Algorithmic Trading and Return Predictability in Cryptocurrency Futures. 2026. arXiv:2607.09426v2. https://arxiv.org/abs/2607.09426 (обращение 29.09.2026).
  9. Kitron N. A., Wengrowicz J. M. Short-horizon mean reversion in cryptocurrency markets: a matched cross-market measurement. 2026. arXiv:2608.21888v1. https://arxiv.org/abs/2608.21888 (обращение 29.09.2026).
  10. Bieganowski B., Ślepaczuk R. Explainable Patterns in Cryptocurrency Microstructure. 2026. arXiv:2602.00776v1. https://arxiv.org/abs/2602.00776 (обращение 29.09.2026).
  11. Jha R., De Paepe M., Holt S., West J., Ng S. Deep Learning for Digital Asset Limit Order Books. 2020. arXiv:2010.01241. https://arxiv.org/abs/2010.01241 (обращение 29.09.2026).
  12. Fang F., Chung W., Ventre C., Basios M., Kanthan L., Li L., Wu F. Ascertaining price formation in cryptocurrency markets with DeepLearning. 2020. arXiv:2003.00803. https://arxiv.org/abs/2003.00803 (обращение 29.09.2026).
  13. Barone D., Lillo F. Trading in the Sunshine or in the Shade: Market Impact and Adverse Selection on Hyperliquid. 2026. arXiv:2606.15715. https://arxiv.org/abs/2606.15715 (обращение 29.09.2026).
  14. Antulov-Fantulin N., Guo T., Lillo F. Temporal mixture ensemble models for intraday volume forecasting in cryptocurrency exchange markets. 2020. arXiv:2005.09356. https://arxiv.org/abs/2005.09356 (обращение 29.09.2026).
  15. Petukhina A., Reule R. C. G., Härdle W. K. Rise of the Machines? Intraday High-Frequency Trading Patterns of Cryptocurrencies. 2020. arXiv:2009.04200. https://arxiv.org/abs/2009.04200 (обращение 29.09.2026).
  16. Hansen P. R., Kim C., Kimbrough W. Periodicity in Cryptocurrency Volatility and Liquidity // Journal of Financial Econometrics. 2024. 22(1). P. 224–251. DOI: 10.1093/jjfinec/nbac034 (обращение 29.09.2026).
  17. Kończal J., Połoczański R. Anomaly detection in European cryptocurrency exchange-traded products. 2026. arXiv:2608.09576. https://arxiv.org/abs/2608.09576 (обращение 29.09.2026).
  18. Wątorek M., Skupień M., Kwapień J., Drożdż S. Decomposing cryptocurrency high-frequency price dynamics into recurring and noisy components. 2023. arXiv:2306.17095. https://arxiv.org/abs/2306.17095 (обращение 29.09.2026).
  19. Shahsafdari Z., Kalhor A. Boosting Bitcoin Minute Trend Prediction Using The Separation Index. 2024. arXiv:2406.17083. https://arxiv.org/abs/2406.17083 (обращение 29.09.2026).
  20. Chen Y. The Red Queen's Trap: Limits of Deep Evolution in High-Frequency Trading. 2025. arXiv:2512.15732. https://arxiv.org/abs/2512.15732 (обращение 29.09.2026).
  21. Zhang Z., Zohren S., Roberts S. DeepLOB: Deep Convolutional Neural Networks for Limit Order Books. 2019. arXiv:1808.03668v6. https://arxiv.org/abs/1808.03668 (обращение 29.09.2026).
  22. Briola A., Bartolucci S., Aste T. Deep Limit Order Book Forecasting: A microstructural guide. 2024. arXiv:2403.09267v4. https://arxiv.org/abs/2403.09267 (обращение 29.09.2026).
  23. Briola A., Bartolucci S., Aste T. HLOB — Information Persistence and Structure in Limit Order Books. 2024. arXiv:2405.18938v3. https://arxiv.org/abs/2405.18938 (обращение 29.09.2026).
  24. Briola A., Turiel J., Aste T. Deep Learning modeling of the Limit Order Book: a comparative perspective. 2020. arXiv:2007.07319v3. https://arxiv.org/abs/2007.07319 (обращение 29.09.2026).
  25. Zhang Z., Zohren S., Roberts S. Extending Deep Learning Models for Limit Order Books to Quantile Regression. 2019. arXiv:1906.04404. https://arxiv.org/abs/1906.04404 (обращение 29.09.2026).
  26. Lucchese L., Pakkanen M. S., Veraart A. E. D. The Short-Term Predictability of Returns in Order Book Markets: a Deep Learning Perspective. 2022. arXiv:2211.13777v3. https://arxiv.org/abs/2211.13777 (обращение 29.09.2026).
  27. Zhang Z., Zohren S. Multi-Horizon Forecasting for Limit Order Books. 2021. arXiv:2105.10430v2. https://arxiv.org/abs/2105.10430 (обращение 29.09.2026).
  28. Yang J., Fang R., Zhang M., Zhou J. An Efficient deep learning model to Predict Stock Price Movement Based on Limit Order Book. 2025. arXiv:2505.22678. https://arxiv.org/abs/2505.22678 (обращение 29.09.2026).
  29. Zhang Z., Zohren S., Roberts S. BDLOB: Bayesian Deep Convolutional Neural Networks for Limit Order Books. 2018. arXiv:1811.10041. https://arxiv.org/abs/1811.10041 (обращение 29.09.2026).
  30. Sirignano J. Deep Learning for Limit Order Books. 2016. arXiv:1601.01987v7. https://arxiv.org/abs/1601.01987 (обращение 29.09.2026).
  31. Sadighian J. Deep Reinforcement Learning in Cryptocurrency Market Making. 2019. arXiv:1911.08647. https://arxiv.org/abs/1911.08647 (обращение 29.09.2026).
  32. Giegrich M., Oomen R., Reisinger C. Limit Order Book Simulation and Trade Evaluation with K-Nearest-Neighbor Resampling. 2024. arXiv:2409.06514. https://arxiv.org/abs/2409.06514 (обращение 29.09.2026).
  33. Easley D., López de Prado M., O'Hara M. Flow Toxicity and Liquidity in a High-frequency World // Review of Financial Studies. 2012. 25(5). P. 1457–1493. DOI: 10.1093/rfs/hhs053 (обращение 29.09.2026, метаданные; PDF-версия: https://www.stern.nyu.edu/sites/default/files/assets/documents/con_035928.pdf ).
  34. Lee C. M. C., Ready M. J. Inferring Trade Direction from Intraday Data // Journal of Finance. 1991. 46(2). P. 733–746. DOI: 10.1111/j.1540-6261.1991.tb02683.x (обращение 29.09.2026, метаданные).
  35. Makarov I., Schoar A. Trading and arbitrage in cryptocurrency markets // Journal of Financial Economics. 2020. 135(2). P. 293–319. DOI: 10.1016/j.jfineco.2019.07.001 (обращение 29.09.2026, метаданные).
  36. Brauneis A., Mestel R., Riordan R., Theissen E. How to measure the liquidity of cryptocurrency markets? // Journal of Banking & Finance. 2021. 124. 106041. DOI: 10.1016/j.jbankfin.2020.106041 (обращение 29.09.2026, метаданные).
  37. Vafin R. Order-Flow Imbalance and Short-Horizon Return Predictability in Cryptocurrency Markets. 2026. SSRN 6938742. DOI: 10.2139/ssrn.6938742 (обращение 29.09.2026, аннотация; полный текст недоступен).
  38. Ait-Sahalia Y., Fan J., Xue L., Zhou Y. How and When are High-Frequency Stock Returns Predictable? 2022. SSRN. DOI: 10.2139/ssrn.4196310 (обращение 29.09.2026, метаданные; цитируется по Kim & Hansen, 2026).
Reference in New Issue View Git Blame Copy Permalink