Sistem Arbitrase Statistik dan Pemodelan Mean Reversion: Kerangka Kerja Co-Integration Spread pada 300+ Aset Kripto Binance

Pasar spot aset kripto menunjukkan tingkat korelasi yang sangat tinggi akibat dorongan makroekonomi yang serupa, sentimen pasar global, serta konsentrasi likuiditas pada pasangan mata uang utama seperti Bitcoin (BTC) dan Ethereum (ETH). Meskipun kedua aset ini bergerak bersamaan dalam jangka panjang (kointegrasi), ketidakseimbangan penawaran dan permintaan berfrekuensi tinggi kerap memicu divergensi harga jangka pendek.

Cryptocurrency spot markets exhibit high levels of correlation due to shared macroeconomic drivers, global market sentiment regimes, and liquidity concentration in benchmark pairs such as Bitcoin (BTC) and Ethereum (ETH). While these assets move together in the long run (co-integration), high-frequency supply-demand imbalances frequently trigger short-term price divergences.

Strategi perdagangan direksional konvensional (seperti mengikuti tren atau breakout) selalu dihadapkan pada risiko arah pasar (market beta risk) yang besar saat terjadi pembalikan harga mendadak. Sebaliknya, pendekatan arbitrase statistik memodelkan divergensi harga dengan membangun spread sintetis yang bersifat netral-pasar (market-neutral). Dengan melakukan posisi beli pada aset yang relatif murah (underpriced) dan jual pada aset yang relatif mahal (overpriced), sistem mengunci keuntungan dari pengembalian spread ke rata-rata historisnya (mean reversion).

Conventional directional trading strategies (such as trend-following or breakout trading) are constantly exposed to significant market beta risk during sudden price reversals. In contrast, statistical arbitrage models price divergence by constructing a synthetic spread that is market-neutral. By simultaneously taking a long position on the relatively underpriced asset and a short position on the overpriced asset, the system captures profit from the spread reverting to its historical mean.

Konsep perdagangan pasangan (pairs trading) dan arbitrase statistik pertama kali dikembangkan di Wall Street oleh Morgan Stanley pada dekade 1980-an dan dibuktikan secara akademis oleh Gatev, Goetzmann, & Rouwenhorst (2006). Penelitian mereka menunjukkan bahwa strategi aturan sederhana berbasis jarak standar deviasi mampu menghasilkan pengembalian berlebih yang konsisten dengan risiko minimal.

The concept of pairs trading and statistical arbitrage was first pioneered on Wall Street by Morgan Stanley in the 1980s and academically rigorous proof was established by Gatev, Goetzmann, & Rouwenhorst (2006). Their research demonstrated that simple standard deviation distance-based rules consistently yield excess returns with minimal risk exposure.

Engle & Granger (1987) memperkenalkan formalisasi matematik kointegrasi, yang membuktikan bahwa dua deret waktu yang tidak stasioner dapat dikombinasikan secara linear untuk menghasilkan deret stasioner. Dalam konteks kripto, Vidyamurthy (2004) dan Bollinger (2001) menegaskan bahwa penggunaan pita standar deviasi (Z-Score) sangat efektif untuk mengidentifikasi titik ekstrem di mana spread dipaksa untuk berbalik arah oleh kekuatan arbitrase pasar.

Engle & Granger (1987) introduced the mathematical formalization of co-integration, proving that two non-stationary time series can be linearly combined to produce a stationary series. In the cryptocurrency context, Vidyamurthy (2004) and Bollinger (2001) emphasized that standard deviation bands (Z-Scores) are highly effective in identifying extreme points where spreads are forced to revert by market arbitrage forces.

Mesin statARB (Bot E) dibangun menggunakan bahasa pemrograman Rust di atas runtime multi-threaded Tokio, menjamin performa berkecepatan tinggi dengan latensi sub-milidetik tanpa jeda garbage collection. Persistensi data dilakukan melalui PostgreSQL menggunakan pustaka sqlx untuk mencatat seluruh riwayat perdagangan dan audit log. Akses data pasar dilakukan melalui live WebSocket stream Binance (wss://stream.binance.com:9443) untuk menangkap perubahan harga ETHUSDT dan BTCUSDT secara seketika.

The statARB engine (Bot E) is built using the Rust programming language on top of the Tokio multi-threaded runtime, ensuring high-speed performance with sub-millisecond latency and zero garbage collection pauses. Data persistence is handled via PostgreSQL using the sqlx library to log all trading history and audit trails. Market data ingestion operates over live Binance WebSocket streams (wss://stream.binance.com:9443) to capture ETHUSDT and BTCUSDT price changes instantly.

To memastikan tidak ada gangguan atau kontaminasi silang dengan bot perdagangan lainnya (Bot A, B, C, D), Bot E beroperasi sebagai mikroservis mandiri pada port dedicated 8093 dengan ruang nama database terpisah (starb_trading_history, starb_corrections, starb_balance_history). Arsitektur ini menjamin zero blast radius jika terjadi lonjakan beban pasar.

To ensure zero interference or cross-contamination with other trading bots (Bots A, B, C, D), Bot E operates as an independent microservice on a dedicated port 8093 with isolated database namespaces (starb_trading_history, starb_corrections, starb_balance_history). This architecture guarantees zero blast radius during market load spikes.

Untuk mengidentifikasi peluang arbitrase secara masif dan berlanjut, Bot E dilengkapi dengan background scanner pipeline berkecepatan tinggi dalam lingkungan Rust Tokio. Pipeline ini secara real-time memindai 300+ simbol aset kripto USDT-M di Binance (termasuk sektor Layer-1/L2, AI & Big Data, Meme Coins, dan DeFi/DEX) dan membandingkannya terhadap dua aset jangkar utama (benchmark anchors): BTCUSDT dan ETHUSDT. Proses ini menghasilkan lebih dari 600 pasangan spread kointegrasi yang dianalisis secara simultan tanpa membebani thread utama eksekusi order.

To harvest arbitrage opportunities at scale, Bot E incorporates a high-throughput background scanner pipeline within the Rust Tokio runtime. This pipeline continuously monitors over 300+ USDT-M cryptocurrency symbols on Binance (spanning Layer-1/L2, AI & Big Data, Meme Coins, and DeFi/DEX sectors) and pairs them against two primary benchmark anchors: BTCUSDT and ETHUSDT. This generates over 600 cointegrated spread pairs analyzed simultaneously without degrading order execution thread latency.

Misalkan P_{A, t} mewakili harga Aset A (ETHUSDT) dan P_{B, t} mewakili harga Aset B (BTCUSDT) pada waktu t. Rasio harga R_t didefinisikan sebagai:

Let P_{A, t} represent the price of Asset A (ETHUSDT) and P_{B, t} represent the price of Asset B (BTCUSDT) at time t. The price ratio R_t is defined as:

Menggunakan jendela waktu bergerak (rolling window) berukuran N = 120 sampel (interval 3 detik), sistem menghitung regresi OLS bergerak dari rasio harga untuk mendapatkan nilai β (hedge ratio), intercept α, dan standar deviasi error σ_e:

Using a rolling window of size N = 120 samples (3-second intervals), the system computes the moving OLS regression of the price ratio to obtain the hedge ratio β, intercept α, and error standard deviation σ_e:

Z-Score Z_t, yang mengukur penyimpangan residual dari rata-ratanya (diasumsikan nol di bawah asumsi kointegrasi), dihitung dengan rumus:

The Z-Score Z_t, which measures the residual deviation from its mean (assumed to be zero under co-integration assumptions), is calculated via:

Untuk memitigasi risiko divergensi permanen (aset yang tidak kembali ke mean), sistem memfilter pasangan dengan koefisien determinasi kointegrasi R² ≥ 0.85 (85%).

To mitigate permanent divergence risk (non-reverting spreads), the system filters pairs requiring a cointegration coefficient of determination R² ≥ 0.85 (85%).

Mesin memantau Z-Score secara kontinu setiap detik. Jika Z_t > +2.0, Aset A dinilai terlalu mahal (overpriced) terhadap Aset B secara statistik. Mesin mengeksekusi sinyal SELL_SPREAD: melakukan short pada Aset A (ETH) dan long pada Aset B (BTC).

The engine monitors Z-Score continuously every second. If Z_t > +2.0, Asset A is statistically overpriced relative to Asset B. The engine executes a SELL_SPREAD signal: shorting Asset A (ETH) and going long on Asset B (BTC).

Sebaliknya, jika Z_t < −2.0, Aset A dinilai terlalu murah (underpriced) terhadap Aset B. Mesin mengeksekusi sinyal BUY_SPREAD: melakukan long pada Aset A dan short pada Aset B.

Conversely, if Z_t < −2.0, Asset A is statistically underpriced relative to Asset B. The engine executes a BUY_SPREAD signal: buying Asset A and shorting Asset B.

Setelah posisi aktif terbuka, mesin memantau konvergensi Z-Score. Untuk posisi BUY_SPREAD, kedua kaki ditutup saat Z-Score naik melewati ambang −0.20. Untuk posisi SELL_SPREAD, kedua kaki ditutup saat Z-Score turun melewati ambang +0.20, mengamankan profit saat spread kembali normal.

Once an active position is open, the engine monitors Z-Score convergence. For BUY_SPREAD positions, both legs are closed when Z-Score rises above −0.20. For SELL_SPREAD positions, both legs are closed when Z-Score falls below +0.20, locking in profit as the spread normalizes.

Meniru keunggulan sistem adaptif Bot A, Bot E tidak lagi menggunakan Stop Loss statis. Ambang batas Stop Loss dimekarkan secara dinamis menyesuaikan volatilitas pasar aktual (VolPct = σ_t / μ_t) di antara batas ±3.20σ hingga ±4.80σ. Hal ini mencegah posisi terkena whipsaw cut-loss prematur saat pasar bergejolak sesaat.

Adopting the adaptive excellence of Bot A, Bot E no longer relies on static Stop Loss thresholds. Stop Loss limits dynamically expand according to real-time market volatility (VolPct = σ_t / μ_t) within the boundaries of ±3.20σ to ±4.80σ. This prevents premature whipsaw stop-outs during transient market turbulence.

Selain itu, sistem dilengkapi dengan fitur Trailing Take Profit Dinamis. Ketika spread telah pulih >50% menuju titik tengah (misalnya dari Z = −2.5 naik melewati Z = −1.0), perlindungan Break-Even & Lock Profit otomatis aktif. Jika momentum berbalik melemah sebelum mencapai target akhir, mesin memicu eksekusi TRAILING_TAKE_PROFIT untuk mengunci keuntungan bersih setelah dipotong beban biaya transaksi.

Furthermore, the system features a Dynamic Trailing Take Profit mechanism. When spread convergence achieves >50% recovery towards the mean (e.g., from Z = −2.5 rising past Z = −1.0), Break-Even and Lock Profit protection automatically activates. If momentum stalls and reverses before touching the final target, the engine triggers a TRAILING_TAKE_PROFIT execution to lock in net gains after accounting for transaction fees.

Sistem alokasi modal kini sepenuhnya dinamis mengadopsi alokasi ukuran kaki (leg-sizing) berbasis OLS Beta untuk menjaga netralitas risiko terhadap arah pasar. Menggantikan alokasi kaku 50:50, mesin secara dinamis menetapkan modal untuk masing-masing kaki: Leg A memperoleh $W_A = V / (1 + \beta)$ dan Leg B memperoleh $W_B = \beta V / (1 + \beta)$. Struktur ini memastikan bahwa paparan risiko dolar terbobot beta (beta-weighted dollar exposure) selalu seimbang dan netral terhadap pergerakan pasar secara umum.

The capital allocation engine is now fully dynamic, utilizing OLS Beta leg-sizing to maintain risk-neutrality against market direction. Replacing rigid 50:50 allocations, the engine dynamically assigns capital to each leg: Leg A receives $W_A = V / (1 + \beta)$ and Leg B receives $W_B = \beta V / (1 + \beta)$. This structure ensures that beta-weighted dollar exposure remains balanced and market-neutral against general market swings.

Biaya transaksi taker sebesar 0.04% diterapkan pada masing-masing kaki saat pembukaan dan penutupan posisi, menghasilkan total hambatan biaya (fee drag) sebesar 0.16% dari modal yang dialokasikan. Algoritma adaptif memastikan bahwa entry threshold dan trailing take profit selalu memperhitungkan batas margin bersih ini sebelum mengeksekusi penutupan posisi.

A taker fee of 0.04% is applied to each leg during both entry and exit, compounding to a total transaction drag of 0.16% of allocated capital. The adaptive algorithms ensure that entry thresholds and trailing take profits strictly account for this net margin requirement before triggering position closures.

Simulasi dan pengujian empiris pada kondisi pasar nyata menunjukkan tingkat keberhasilan (win rate) yang tinggi dan konsisten, didorong oleh kuatnya hubungan kointegrasi pasangan ETH/BTC di Binance. Ringkasan parameter dan hasil pengujian disajikan pada Tabel 1.

Empirical simulations and testing under live market regimes demonstrate high and consistent win rates, driven by the robust co-integrating relationship of the ETH/BTC pair on Binance. A summary of parameters and test results is presented in Table 1.

Mesin Arbitrase Statistik (statARB / Bot E) menyediakan mekanisme perdagangan kuantitatif yang sangat sistematis, bebas emosi, dan berstandar institusi untuk menangkap keuntungan dari ketidakefisienan harga jangka pendek. Dengan mengeksekusi posisi pada dua kaki secara simultan dan menerapkan ambang batas Z-Score yang ketat, sistem berhasil meminimalkan risiko direksional pasar sekaligus menghasilkan mikro-alpha yang konsisten.

The Statistical Arbitrage Engine (statARB / Bot E) provides a highly systematic, emotion-free, institutional-grade quantitative trading mechanism to harvest yield from short-term pricing inefficiencies. By executing simultaneous dual-leg positions and enforcing strict Z-Score mean reversion thresholds, the system successfully minimizes directional market beta risk while capturing consistent micro-alpha.