Redes neuronales explicables para precios y dinámica del flujo de órdenes
Resumen
El documento utiliza una red neuronal profunda de propagación hacia delante para estudiar las interacciones no lineales entre los rendimientos de alta frecuencia y el volumen de trading con signo en acciones de tick grande y pequeño. Compara la red con una autorregresión vectorial lineal (VAR) y aplica explicaciones basadas en SHAP para identificar cómo contribuyen a las predicciones los datos recientes con rezago. La red mejora el rendimiento predictivo, especialmente para los rendimientos, y las explicaciones destacan los rezagos más recientes.
El análisis observa que el volumen con signo rezagado tiene efectos que conservan el signo y se saturan, mientras que los rendimientos rezagados condicionan si el flujo de órdenes prolonga, atenúa o revierte los cambios de precios. Las respuestas que implica el modelo se contrastan con promedios condicionales reconstruidos a partir de los datos. Después, los autores usan estos patrones para construir un modelo paramétrico no lineal interpretable, incluida una extensión con varios rezagos; su rendimiento es comparable al de la red neuronal y superior al de la VAR lineal. Los hallazgos se limitan a las acciones y los datos estudiados, por lo que no demuestran rentabilidad ni se generalizan automáticamente a otros mercados.
Ideas clave
- Una red neuronal puede revelar dependencias no lineales entre rendimientos y volumen con signo que una VAR lineal no capta.
- Las explicaciones SHAP muestran que los rezagos más recientes contribuyen más a los pronósticos.
- El volumen con signo rezagado produce efectos que conservan el signo, pero se saturan, en los rendimientos.
- Los rendimientos rezagados condicionan si los efectos del flujo de órdenes continúan, se debilitan o se revierten.
- Un modelo no lineal interpretable puede aproximarse al rendimiento de la red y conservar una extensión con varios rezagos.
Etiquetas
Texto completo
# Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models # Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models Understanding the joint dynamics of prices and trades is central to market microstructure, where returns and order flow interact through nonlinear and state-dependent mechanisms. Linear models are interpretable but may miss these effects, while deep neural networks improve forecasting at the cost of transparency. We use neural networks as tools for structural discovery rather than only for prediction. A deep feed-forward network is trained on high-frequency returns and signed volumes for large- and small-tick stocks and compared with a linear VAR benchmark. The neural network improves predictive performance, especially for returns, revealing nonlinear dependencies beyond the linear specification. Using Shapley-based explainability, we show that the dominant contributions are concentrated at the most recent lags. Model-implied responses are consistent with conditional averages reconstructed from the data. Unlike empirical averages, however, the neural-network decomposition isolates individual regressor contributions to the aggregate dependence. Lagged signed volume generates sign-preserving and saturating effects, consistent with nonlinear price impact and order-flow persistence. Lagged returns act as state variables: when the previous trade does not move the price, the model predicts continuation in the direction of past order flow, whereas non-zero returns generate attenuation or reversal. Building on these findings, we introduce a parsimonious SHAP-inspired nonlinear parametric model. It reproduces the main return-volume dependencies, outperforms the linear VAR benchmark, and achieves performance comparable to the neural network. A multi-lag extension captures residual longer-memory effects while preserving interpretability. Overall, explainability offers a route from black-box prediction to economically meaningful parametric models of price and trade dynamics.
Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0
Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.