コンテンツへスキップ
ライブラリの全資料

指値注文板メッセージフローの自己回帰型ディープ状態空間モデル

記事 arXiv papers · 著者: Peer Nagy et al.
原文を読む

サマリー

本論文では、トークン化された指値注文板メッセージを生成する自己回帰モデルを開発し、シミュレーターがそれを用いて板の状態を更新します。そのアーキテクチャでは、簡略化した構造化状態空間層により、メッセージと状態の長い系列を処理します。また、LOBSTERデータに含まれるNASDAQの注文メッセージ用にトークナイザーを作成し、連続する数字をトークンにまとめます。

アウト・オブ・サンプル評価では、モデルは観測されたメッセージ分布を低いパープレキシティで近似します。生成した注文フローから算出した仲値リターンはデータと有意に相関しており、論文では条件付き予測能力の根拠として示しています。著者らは、詳細な合成注文フローが予測以外にも、高頻度強化学習のシミュレーション環境などに役立つ可能性を示唆しています。これらは報告されたデータセットと指標に関する結果です。要旨には、より広い市場での検証、執行結果、取引への応用に必要なあらゆる特徴を合成フローが再現する証拠はありません。

主なアイデア

  • トークン化された指値注文板メッセージの系列を、自己回帰的に生成します。
  • 構造化状態空間層を用いて、メッセージと状態の長い系列を処理します。
  • LOBSTERデータのNASDAQ株式注文メッセージに、独自のトークナイザーを適用します。
  • アウト・オブ・サンプル評価では、低いパープレキシティと、生成・観測された仲値リターン間の有意な相関が報告されています。
  • 合成注文フローは高頻度研究のモデル環境として役立つ可能性がありますが、より広い検証は説明されていません。

タグ

機械学習高頻度取引市場マイクロストラクチャー株式注文執行
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。