Autoregressive Deep-State-Space-Modelle für Nachrichtenströme im Limit-Orderbuch

Zusammenfassung

Diese Arbeit entwickelt ein autoregressives Modell, das tokenisierte Nachrichten für Limit-Orderbücher erzeugt, mit denen ein Simulator den Zustand des Orderbuchs aktualisiert. Die Architektur verwendet vereinfachte strukturierte Zustandsraumschichten, um lange Sequenzen von Nachrichten und Zuständen zu verarbeiten. Die Autoren erstellen außerdem einen Tokenizer für NASDAQ-Ordernachrichten in LOBSTER-Daten, der aufeinanderfolgende Ziffern zu Tokens gruppiert.

Bei der Bewertung außerhalb der Stichprobe nähert das Modell die beobachtete Nachrichtenverteilung mit geringer Perplexität an. Mittelkursrenditen, die aus dem generierten Orderfluss berechnet werden, korrelieren signifikant mit den Daten; die Arbeit führt dies als Beleg für bedingte Prognosefähigkeit an. Die Autoren schlagen vor, dass detaillierter synthetischer Orderfluss auch über Prognosen hinaus nützlich sein könnte, etwa als simulierte Umgebung für bestärkendes Lernen im Hochfrequenzhandel. Diese Ergebnisse beziehen sich auf den berichteten Datensatz und die verwendeten Kennzahlen. Das Abstract enthält weder eine breitere Marktvalidierung noch Ausführungsergebnisse oder Belege dafür, dass simulierte Ströme alle für Handelsanwendungen nötigen Merkmale abbilden.

Kernaussagen

• Das Modell erzeugt autoregressiv Sequenzen tokenisierter Nachrichten für Limit-Orderbücher.
• Strukturierte Zustandsraumschichten verarbeiten lange Sequenzen von Nachrichten und Orderbuchzuständen.
• Ein eigens entwickelter Tokenizer wird auf NASDAQ-Aktienorder-Nachrichten aus LOBSTER-Daten angewendet.
• Die Bewertung außerhalb der Stichprobe berichtet geringe Perplexität und eine signifikante Korrelation zwischen generierten und beobachteten Mittelkursrenditen.
• Synthetischer Orderfluss könnte als Modellierungsumgebung für Hochfrequenzforschung dienen; eine breitere Validierung wird jedoch nicht beschrieben.

Schlagwörter

# 2309.00638


# Generative AI for End-to-End Limit Order Book Modelling: A Token-Level Autoregressive Generative Model of Message Flow Using a Deep State Space Network









Developing a generative model of realistic order flow in financial markets is a challenging open problem, with numerous applications for market participants. Addressing this, we propose the first end-to-end autoregressive generative model that generates tokenized limit order book (LOB) messages. These messages are interpreted by a Jax-LOB simulator, which updates the LOB state. To handle long sequences efficiently, the model employs simplified structured state-space layers to process sequences of order book states and tokenized messages. Using LOBSTER data of NASDAQ equity LOBs, we develop a custom tokenizer for message data, converting groups of successive digits to tokens, similar to tokenization in large language models. Out-of-sample results show promising performance in approximating the data distribution, as evidenced by low model perplexity. Furthermore, the mid-price returns calculated from the generated order flow exhibit a significant correlation with the data, indicating impressive conditional forecast performance. Due to the granularity of generated data, and the accuracy of the model, it offers new application areas for future work beyond forecasting, e.g. acting as a world model in high-frequency financial reinforcement learning applications. Overall, our results invite the use and extension of the model in the direction of autoregressive large financial models for the generation of high-frequency financial data and we commit to open-sourcing our code to facilitate future research.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.