Vai al contenuto
Crypto.world

The Ledger

Oltre il flusso di ordini anonimo: l’identità dei wallet come variabile per prevedere i rendimenti a breve termine

Un preprint pubblicato su arXiv verifica se l’attività dei wallet Hyperliquid a cui è stato precedentemente attribuito un punteggio migliori le previsioni dei rendimenti a breve termine rispetto alle sole variabili anonime del book degli ordini. Gli autori rilevano punteggi out-of-sample più elevati quando vengono aggiunte le variabili relative ai wallet, osservando però che le scelte retrospettive e i limiti dei dati circoscrivono la portata dei risultati.

Oltre il flusso di ordini anonimo: l’identità dei wallet come variabile per prevedere i rendimenti a breve termine

Un preprint pubblicato su arXiv da Jingqiu Ding e Daojing Zhai esamina se le identità persistenti dei wallet possano migliorare le previsioni dei rendimenti a breve termine su Hyperliquid. I ricercatori ricostruiscono i book degli ordini a profondità completa a partire dai messaggi ordinati secondo il consenso e confrontano modelli che utilizzano variabili di mercato anonime con modelli che includono anche l’attività dei singoli wallet.

Un registro delle attività di trading di luglio

Lo studio copre i dati di Hyperliquid dal 1° al 27 luglio 2026: 17,1 miliardi di messaggi, 14,3 milioni di ordini aggressivi effettuati da 147.113 wallet e 84,3 miliardi di dollari di valore nozionale taker su dieci mercati di contratti perpetui. Gli autori stimano i loro modelli sui mercati di bitcoin, ether e solana.

I dati pubblici dei book degli ordini riassumono tipicamente le attività di trading senza identificare gli account che le hanno effettuate. Il registro Level-4 di Hyperliquid include indirizzi di wallet pseudonimi persistenti, che consentono ai ricercatori di esaminare il rapporto tra l’attività di trading di determinati wallet e i successivi movimenti dei prezzi.

L’analisi suddivide l’attribuzione dei punteggi ai wallet, l’addestramento dei modelli e la valutazione in periodi cronologici distinti. I punteggi dei wallet si basano sui markout degli ordini aggressivi dal 1° al 10 luglio; i modelli sono addestrati dall’11 al 20 luglio e valutati dal 21 al 27 luglio. Il blocco di variabili anonime contiene dieci variabili che riassumono prezzi, quotazioni e flusso di ordini. Altre undici variabili descrivono l’attività dei wallet che si erano precedentemente collocati nel decile superiore.

Classifiche dei wallet e risultati delle previsioni

Nei tre mercati usati per i modelli, le classifiche basate sui markout a dieci secondi ponderati per il valore nozionale rimangono stabili tra finestre consecutive di dieci giorni, con una correlazione di Spearman pari a 0,52. Dopo l’aggiustamento per le covariate, i markout di validazione raggiungono 3,11 punti base nel ventile superiore, ossia il 5% dei wallet con i punteggi più alti.

Su una griglia di 100 millisecondi, l’aggiunta delle undici variabili relative ai wallet aumenta l’R² out-of-sample a un secondo del modello ridge dal 10,88% al 12,31%. Il preprint riporta un incremento relativo del 13,2%, con una statistica t di 9,2. Migliora anche un modello ad alberi con gradient boosting: il suo punteggio sale dal 19,48% con le variabili anonime al 20,65% con l’identità dei wallet, un aumento relativo del 6,0%.

Gli autori rilevano che i guadagni relativi sono maggiori per gli orizzonti di previsione più brevi e rimangono positivi fino a dieci secondi. Un punteggio dei wallet corretto rispetto ai pari, che tiene conto dei markout nello stesso mercato e nello stesso minuto, produce un aumento più contenuto, pari al 6,8% a un secondo.

Controlli e limiti

Come termine di confronto, i ricercatori testano 200 coorti abbinate in base al valore nozionale e al numero di ordini nella finestra di attribuzione dei punteggi. L’incremento a un secondo del modello ridge dovuto alle variabili relative ai wallet è 1,6 volte il maggiore incremento registrato tra queste coorti. Gli autori avvertono che la scarsità di soggetti donatori ha reso le coorti di confronto più piccole del gruppo del decile superiore, quindi la graduatoria è descrittiva.

Ritardando tutte le variabili di 200 o 300 millisecondi, i guadagni relativi del modello ridge restano rispettivamente del 10,2% e del 9,1%. Anche un precedente campione pubblico del dicembre 2025 produce un incremento positivo con la stessa specificazione rapportata alla volatilità.

Gli autori descrivono i risultati come un confronto retrospettivo con l’insieme di variabili anonime testato, non come una dimostrazione di profitti realizzabili. Osservano che le scelte di specificazione sono state effettuate retrospettivamente, che gli stati sono stati riportati in avanti durante le lacune nei dati e che l’analisi utilizza il tempo di consenso anziché quello di ricezione. Questi limiti fanno sì che lo studio non dimostri che l’attività dei wallet rifletta informazioni private né che si possano effettuare operazioni redditizie sulla base delle previsioni riportate.

Fonti

  1. Fonte originale · Preprint arXiv arXiv:2611.05218

Notizie correlate

Esplora

Altri articoli