Автоматизована система виявлення та реалізації арбітражних стратегій на криптовалютних деривативних ринках

Abstract

UA : Робота викладена на 113 сторінках друкованого тексту, містить 16 рисунків, 11 таблиць, 23 джерела, 4 додатки. Об’єкт дослідження – процес виявлення та автоматизованої реалізації арбітражних можливостей на криптовалютних деривативних ринках. Предмет дослідження – методи, моделі, алгоритми та програмно-технологічні засоби побудови розподіленої мультибіржової системи моніторингу арбітражних можливостей різних типів з інтеграцією джерел on-chain даних. Мета роботи – розробити та обґрунтувати архітектуру і програмну реалізацію автоматизованої екосистеми виявлення арбітражних можливостей на криптовалютних деривативних ринках та експериментально оцінити її ефективність за метриками точності виявлення, часу реакції та частки істинно-позитивних сигналів. Методи дослідження – системний аналіз, метод аналізу ієрархій Т. Сааті, математичне моделювання, об’єктно-орієнтоване та подієво-орієнтоване програмування, методи математичної статистики (описова статистика, t-критерій Стьюдента, критерій χ² Пірсона). Наукова новизна одержаних результатів: уперше запропоновано двоконтурну архітектуру моніторингу арбітражних можливостей із субсекундною роздільною здатністю; удосконалено алгоритм виявлення спот-ф’ючерсного арбітражу шляхом інтеграції перевірки умов реалізованості; розроблено ескалаційну схему сповіщень з диференційованими каналами доставки; подальшого розвитку набуло застосування on-chain даних як випереджувального індикатора. Практичне значення результатів – розроблено функціонуючу програмну екосистему з семи модулів-сканерів, розгорнуту на хмарному сервері Amazon Web Services, з місячною вартістю інфраструктури близько 30 доларів США. Експериментальна апробація на реальних ринкових даних протягом 14 діб підтвердила ефективність запропонованих рішень. Результати роботи можуть використовуватися учасниками криптовалютних ринків для систематизованого прийняття торгових рішень, а методологічні підходи – застосовуватися при розробці аналогічних систем моніторингу фінансових ринків. Запропоновані рішення мають потенціал подальшого розвитку через інтеграцію ML-класифікаторів, модулів бектестингу, розширення підтримуваних бірж та джерел даних.EN : The work is presented on 113 pages of printed text, 16 figure, 11 tables, 23 references, 4 annexes. The object of the study is the process of detecting and automatically implementing arbitrage opportunities in cryptocurrency derivatives markets. The subject of the research is the methods, models, algorithms, and software-technological tools for building a distributed multi-exchange system for monitoring various types of arbitrage opportunities with integration of on-chain data sources. The aim of the study is to develop and substantiate the architecture and software implementation of an automated ecosystem for detecting arbitrage opportunities in cryptocurrency derivatives markets, and to experimentally evaluate its effectiveness using detection accuracy, reaction time, and true-positive rate metrics. The methods of research are systems analysis, the analytic hierarchy process by T. L. Saaty, mathematical modeling, object-oriented and event-driven programming, and methods of mathematical statistics (descriptive statistics, Student’s t-test, Pearson’s χ² test). Scientific novelty of the obtained results: for the first time, a two-loop architecture for monitoring arbitrage opportunities with sub-second resolution is proposed; the algorithm for detecting spot-futures arbitrage is improved by integrating the verification of realizability conditions; an escalation notification scheme with differentiated delivery channels is developed; the application of on-chain data as a leading indicator of future price movements on centralized exchanges has received further development. Practical significance of the results – a functioning software ecosystem of seven scanner modules has been developed and deployed on the Amazon Web Services cloud server, with a monthly infrastructure cost of about 30 US dollars. Experimental validation on real market data for 14 days confirmed the effectiveness of the proposed solutions. The results of the work can be used by cryptocurrency market participants for systematic trading decision-making, and the methodological approaches can be applied in the development of similar financial market monitoring systems. The proposed solutions have potential for further development through the integration of ML classifiers, backtesting modules, and expansion of supported exchanges and data sources.