Réseaux neuronaux explicables pour les prix et la dynamique des flux d’ordres

Résumé

Le document utilise un réseau profond à propagation avant pour étudier les interactions non linéaires entre les rendements à haute fréquence et le volume de transactions signé pour les actions à petits et grands pas de cotation. Il compare le réseau à une autorégression vectorielle linéaire (VAR) et applique des explications fondées sur SHAP pour déterminer comment les entrées retardées récentes contribuent aux prévisions. Le réseau améliore les performances prédictives, notamment pour les rendements, et les explications mettent en avant les retards les plus récents.

L’analyse constate que le volume signé retardé a des effets qui préservent le signe et saturent, tandis que les rendements retardés déterminent si le flux d’ordres prolonge, atténue ou inverse les variations de prix. Les réponses impliquées par le modèle sont vérifiées par rapport aux moyennes conditionnelles reconstruites à partir des données. Les auteurs utilisent ensuite ces tendances pour construire un modèle paramétrique non linéaire interprétable, avec une extension à retards multiples ; celui-ci obtient des performances comparables au réseau neuronal et supérieures à celles de l’VAR linéaire. Les résultats se limitent aux actions et au cadre de données étudiés ; ils n’établissent pas la rentabilité et ne se généralisent pas automatiquement à d’autres marchés.

Idées clés

• Un réseau neuronal peut révéler des dépendances non linéaires entre rendements et volumes signés que ne saisit pas un VAR linéaire.
• Les explications SHAP montrent que les retards les plus récents contribuent le plus aux prévisions.
• Le volume signé retardé produit des effets qui préservent le signe des rendements, mais qui saturent.
• Les rendements retardés déterminent si les effets du flux d’ordres se poursuivent, s’atténuent ou s’inversent.
• Un modèle non linéaire interprétable peut approcher les performances du réseau tout en conservant une extension à retards multiples.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.