The good, the bad, and latency: exploratory trading on Bybit and Binance
Notice bibliographique
Résumé
We present the findings of a large-scale live trading experiment involving the placement of millions of market orders sent at a high frequency on two cryptocurrency exchanges, Bybit and Binance. We analyze the execution outcomes of these orders in comparison to the expected outcome based on the most recent snapshot of the Limit Order Book (LOB) at the time of order submission for two execution modes: one using market orders and the second using marketable limit orders aiming at the best price. Discrepancies between the actual and expected outcomes are due to intermittent LOB updates during a time span resulting from delays on the exchange, delays on the trader's end, or communication delays between the trader and the exchange. We show these discrepancies are strongly correlated with market factors such as volatility, latency, and LOB liquidity. Notably, we find a consistent disadvantage to the trader, pointing to an adverse selection effect for taker orders: profitable orders (as measured by short-term future PnL returns) tend to achieve worse-than-expected outcomes, while unprofitable orders typically achieve their expected (adverse) outcomes. In the case of market orders, this translates to a worsening of fill prices, while marketable limit orders suffer from a substantial probability of failing-to-fill-immediately. Quantitative researchers who fail to take these effects into account face the familiar litany of underperforming in a live trading environment relative to stellar backtests. To address this concern, we propose parsimonious models to estimate an order's probability of failing-to-fill-immediately (in case of a marketable limit order) and the worsening of its fill price (in case of a market order), allowing for greater accuracy when carrying out backtests and minimizing the discrepancy between backtest and realized live PnL.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».