Авторегрессионные модели глубокого пространства состояний для потока сообщений книги лимитных заявок

Сводка

В статье разработана авторегрессионная модель, генерирующая токенизированные сообщения книги лимитных заявок, которые симулятор использует для обновления состояния книги. В архитектуре применяются упрощенные структурированные слои пространства состояний для обработки длинных последовательностей сообщений и состояний. Авторы также создают токенизатор для сообщений по ордерам NASDAQ в данных LOBSTER, группируя последовательные цифры в токены.

При оценке вне выборки модель приближает наблюдаемое распределение сообщений с низкой перплексией. Доходность средней цены, рассчитанная по сгенерированному потоку заявок, статистически значимо коррелирует с данными; авторы представляют это как свидетельство способности к условному прогнозированию. Они предполагают, что подробный синтетический поток заявок может быть полезен и за пределами прогнозирования, в том числе как симулируемая среда для высокочастотного обучения с подкреплением. Результаты относятся к указанному набору данных и метрикам; аннотация не содержит более широкой проверки на рынках, результатов исполнения или свидетельств того, что симулированные потоки воспроизводят все характеристики, необходимые для торговых приложений.

Ключевые идеи

• Модель авторегрессионно генерирует последовательности токенизированных сообщений книги лимитных заявок.
• Структурированные слои пространства состояний обрабатывают длинные последовательности сообщений и состояний книги.
• Специальный токенизатор применяется к сообщениям по биржевым ордерам NASDAQ из данных LOBSTER.
• Оценка вне выборки показывает низкую перплексию и значимую корреляцию между сгенерированной и наблюдаемой доходностью средней цены.
• Синтетический поток заявок может служить модельной средой для высокочастотных исследований, хотя более широкая проверка не описана.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.