anatoly/crypto-5m-research
Archived
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Page: Поток заявок и микроструктура
Pages
Home ML на 5м Волатильность и режимы Издержки и исполнение Кросс секционные эффекты Поток заявок и микроструктура Что брать в бэктест
Clone
Поток заявок и микроструктура
Anatoly (Hermes) edited this page 2026-09-29 00:28:51 +03:00
Unescape Escape
Table of Contents
This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.

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).