Redes neurais explicáveis para dinâmica de preços e fluxo de ordens
Resumo
O documento usa uma rede profunda feed-forward para estudar interações não lineares entre retornos de alta frequência e volume de trading assinado em ações de tick grande e pequeno. Compara a rede a uma autorregressão vetorial linear (VAR) e aplica explicações baseadas em SHAP para identificar como entradas defasadas recentes contribuem para as previsões. A rede melhora o desempenho preditivo, sobretudo para retornos, e as explicações destacam as defasagens mais recentes.
A análise conclui que o volume assinado defasado tem efeitos que preservam o sinal e se saturam, enquanto os retornos defasados condicionam se o fluxo de ordens continua, atenua ou reverte as variações de preço. As respostas implícitas do modelo são verificadas em relação a médias condicionais reconstruídas a partir dos dados. Em seguida, os autores usam esses padrões para construir um modelo paramétrico não linear interpretável, incluindo uma extensão com múltiplas defasagens; seu desempenho é comparável ao da rede neural e superior ao da VAR linear. Os resultados se limitam às ações e à configuração de dados estudadas, portanto não comprovam rentabilidade nem se generalizam automaticamente para outros mercados.
Ideias principais
- Uma rede neural pode revelar dependências não lineares entre retornos e volume assinado que uma VAR linear não capta.
- As explicações de SHAP mostram que as defasagens mais recentes contribuem mais para as previsões.
- O volume assinado defasado produz efeitos sobre os retornos que preservam o sinal, mas se saturam.
- Os retornos defasados condicionam se os efeitos do fluxo de ordens continuam, enfraquecem ou se revertem.
- Um modelo não linear interpretável pode aproximar o desempenho da rede e manter uma extensão com múltiplas defasagens.
Tags
Texto completo
# 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.
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.