コンテンツへスキップ
ライブラリの全資料

価格と注文フローの動態を説明可能なニューラルネットワーク | Stratmill

記事 arXiv papers · 著者: Manuel Naviglio et al.
原文を読む

サマリー

この文書では、ディープフィードフォワードネットワークを用いて、大型ティック株と小型ティック株の高頻度リターンと売買方向付き取引高の非線形な相互作用を調べています。線形ベクトル自己回帰モデル（VAR）と比較し、SHAPに基づく説明手法で、直近のラグ入力が予測にどう寄与するかを特定しています。ネットワークは、特にリターンの予測性能を改善し、説明結果では直近のラグが重視されています。

分析によると、ラグ付きの売買方向付き取引高は符号を維持する効果を持ちますが、その効果は飽和します。一方、ラグ付きリターンは、注文フローが価格変化を継続させるか、弱めるか、反転させるかを左右します。モデルが示す反応は、データから再構成した条件付き平均と照合されています。次に著者らは、これらのパターンを用いて、複数ラグの拡張を含む解釈可能な非線形パラメトリックモデルを構築しています。このモデルはニューラルネットワークと同程度の性能を示し、線形のVARを上回りました。知見は対象となった銘柄とデータ環境に限られており、収益性を立証したり、他市場に自動的に一般化したりするものではありません。

主なアイデア

  • ニューラルネットワークは、線形のVARが捉えられないリターンと売買方向付き取引高の非線形な関係を明らかにできます。
  • SHAPによる説明では、直近のラグが予測に最も強く寄与することが示されています。
  • ラグ付きの売買方向付き取引高は、符号を保ちながら飽和する効果をリターンに及ぼします。
  • ラグ付きリターンは、注文フローの影響が継続、弱化、反転するかを左右します。
  • 解釈可能な非線形モデルは、複数ラグの拡張を保ちながらネットワークに近い性能を実現できます。

タグ

株式機械学習市場マイクロストラクチャー統計
全文
# 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.

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。