Modelos autorregressivos profundos de espaço de estados para o fluxo de mensagens do livro de ofertas

Resumo

Este artigo desenvolve um modelo autorregressivo que gera mensagens tokenizadas do livro de ofertas, que um simulador usa para atualizar o estado do livro. Sua arquitetura usa camadas estruturadas simplificadas de espaço de estados para processar longas sequências de mensagens e estados. Os autores também criam um tokenizador para mensagens de ordens da NASDAQ nos dados LOBSTER, agrupando dígitos consecutivos em tokens.

Na avaliação fora da amostra, o modelo aproxima a distribuição observada de mensagens com baixa perplexidade. Os retornos do preço médio calculados a partir do fluxo de ordens gerado apresentam correlação significativa com os dados, o que o artigo apresenta como evidência de capacidade de previsão condicional. Os autores sugerem que um fluxo de ordens sintético detalhado poderia apoiar trabalhos além da previsão, inclusive como ambiente simulado para aprendizado por reforço de alta frequência. Esses resultados se referem ao conjunto de dados e às métricas relatados; o resumo não apresenta validação mais ampla em mercados, resultados de execução nem evidências de que os fluxos simulados reproduzam todos os aspectos necessários para aplicações de trading.

Ideias principais

• O modelo gera sequências autorregressivas de mensagens tokenizadas do livro de ofertas.
• Camadas estruturadas de espaço de estados processam longas sequências de mensagens e estados do livro.
• Um tokenizador personalizado é aplicado a mensagens de ordens de ações da NASDAQ nos dados LOBSTER.
• A avaliação fora da amostra relata baixa perplexidade e correlação significativa entre os retornos do preço médio gerados e os observados.
• O fluxo de ordens sintético pode servir como ambiente de modelagem para pesquisas de alta frequência, embora a descrição não apresente validação mais ampla.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.