MarketGPT : générer des événements de carnet d’ordres et simuler les marchés

Résumé

Ce travail présente un transformeur génératif préentraîné qui modélise les séries temporelles financières comme des séquences de messages d’ordres. Le modèle sert de moteur de génération d’ordres dans un simulateur à événements discrets, afin de reproduire la dynamique des carnets d’ordres à cours limité et de permettre des simulations de marché interactives. Il est conçu pour produire progressivement de longues séquences, y compris lorsque l’invite initiale sur le flux d’ordres est sortie de sa fenêtre de contexte.

Les évaluations rapportées indiquent que les flux d’ordres générés reproduisent des caractéristiques importantes des données observées et saisissent plusieurs motifs statistiques associés aux marchés réels et à des données macroéconomiques plus larges. Ces résultats portent sur la fidélité de la simulation, et non sur une stratégie de trading démontrée ou sur la preuve d’une exécution rentable. Le document ne fournit ni mesures détaillées, ni jeux de données, ni références de comparaison ; l’étendue de la fidélité et les contextes où elle s’applique restent donc incertains d’après cette description. L’approche est présentée comme un progrès vers une simulation de marché fidèle ; son utilité pratique dépend de sa validation sur des carnets d’ordres réels et de la capacité du simulateur à représenter des conditions de marché autres que celles évaluées.

Idées clés

• Le transformeur génère des séquences de messages d’ordres financiers pour un simulateur à événements discrets.
• Le système vise à reproduire la dynamique des carnets d’ordres à cours limité.
• Il peut poursuivre la génération du flux d’ordres après la sortie de l’invite initiale de sa fenêtre de contexte.
• Selon les évaluations rapportées, il saisit des caractéristiques essentielles du flux d’ordres et plusieurs motifs statistiques de marché.
• La fidélité d’une simulation ne démontre pas à elle seule que le modèle permet un trading rentable.

Étiquettes

# MarketGPT: Developing a Pre-trained transformer (GPT) for Modeling Financial Time Series


# MarketGPT: Developing a Pre-trained transformer (GPT) for Modeling Financial Time Series









This work presents a generative pre-trained transformer (GPT) designed for modeling financial time series. The GPT functions as an order generation engine within a discrete event simulator, enabling realistic replication of limit order book dynamics. Our model leverages recent advancements in large language models to produce long sequences of order messages in a steaming manner. Our results demonstrate that the model successfully reproduces key features of order flow data, even when the initial order flow prompt is no longer present within the model's context window. Moreover, evaluations reveal that the model captures several statistical properties, or 'stylized facts', characteristic of real financial markets and broader macro-scale data distributions. Collectively, this work marks a significant step toward creating high-fidelity, interactive market simulations.

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.