Интерпретируемые нейросети для динамики цен и потока ордеров
Сводка
В документе глубокая нейронная сеть прямого распространения используется для изучения нелинейных взаимодействий между высокочастотной доходностью и знаковым объёмом торгов по акциям с крупным и мелким шагом цены. Сеть сравнивается с линейной векторной авторегрессией (VAR); для анализа вклада недавних лагированных входных данных в прогнозы применяются объяснения на основе SHAP. Сеть повышает точность прогнозирования, особенно доходности, а объяснения выделяют наиболее близкие по времени лаги.
Согласно анализу, лагированный знаковый объём оказывает сохраняющие знак, но затухающие эффекты, а лагированные доходности определяют, продолжит ли поток ордеров движение цены, ослабит его или развернёт. Реакции, подразумеваемые моделью, проверяются по условным средним, восстановленным из данных. Затем авторы используют выявленные закономерности для построения интерпретируемой нелинейной параметрической модели, включая расширение с несколькими лагами; она показывает результаты, сопоставимые с нейронной сетью и лучшие, чем линейная VAR. Выводы ограничены изученными акциями и набором данных, поэтому они не доказывают прибыльность и не могут автоматически переноситься на другие рынки.
Ключевые идеи
- Нейросеть может выявлять нелинейные зависимости между доходностью и знаковым объёмом, которые не улавливает линейная VAR.
- Объяснения на основе SHAP показывают, что наибольший вклад в прогнозы вносят самые недавние лаги.
- Лагированный знаковый объём создаёт сохраняющие знак, но затухающие эффекты для доходности.
- Лагированные доходности определяют, продолжится, ослабнет или развернётся влияние потока ордеров.
- Интерпретируемая нелинейная модель может приблизиться по качеству к нейросети и при этом учитывать несколько лагов.
Теги
Полный текст
# 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.
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.