لمٹ آرڈر بک کے پیغامی بہاؤ کے لیے خودکار رجعتی گہرے اسٹیٹ اسپیس ماڈلز

خلاصہ

یہ مقالہ ایک خودکار رجعتی ماڈل تیار کرتا ہے جو ٹوکنائزڈ لمٹ آرڈر بک پیغامات بناتا ہے، جنہیں ایک سمیولیٹر بک کی حالت اپ ڈیٹ کرنے کے لیے استعمال کرتا ہے۔ اس کی ساخت طویل پیغامی اور حالتی سلسلوں پر عمل کرنے کے لیے سادہ ساختہ اسٹیٹ اسپیس تہیں استعمال کرتی ہے۔ مصنفین LOBSTER ڈیٹا میں NASDAQ کے آرڈر پیغامات کے لیے ٹوکنائزر بھی بناتے ہیں، جو مسلسل ہندسوں کو گروہوں کی صورت میں ٹوکن بناتا ہے۔

نمونے سے باہر کی جانچ میں ماڈل مشاہدہ شدہ پیغامات کی تقسیم کو کم پرپلیکسیٹی کے ساتھ قریب سے ظاہر کرتا ہے۔ اس کے تیار کردہ آرڈر بہاؤ سے نکالے گئے درمیانی قیمت کے منافع ڈیٹا سے شماریاتی طور پر نمایاں طور پر مربوط ہیں؛ مقالہ اس تعلق کو مشروط پیش گوئی کی صلاحیت کا ثبوت قرار دیتا ہے۔ مصنفین تجویز کرتے ہیں کہ تفصیلی مصنوعی آرڈر بہاؤ پیش گوئی سے آگے کے کاموں، بشمول اعلیٰ تعدد کی تقویتی سیکھنے کے لیے سمیولیٹڈ ماحول، میں مدد دے سکتا ہے۔ یہ نتائج رپورٹ کردہ ڈیٹا سیٹ اور پیمانوں سے متعلق ہیں؛ خلاصہ وسیع تر مارکیٹ توثیق، نفاذ کے نتائج یا اس بات کا ثبوت نہیں دیتا کہ مصنوعی بہاؤ ٹریڈنگ ایپلی کیشنز کے لیے درکار ہر خصوصیت کو دہراتا ہے۔

اہم خیالات

• ماڈل ٹوکنائزڈ لمٹ آرڈر بک پیغامات کی ترتیب خودکار رجعتی انداز میں بناتا ہے۔
• طویل پیغامی اور بک کی حالت کی ترتیبوں پر عمل کرنے کے لیے ساختہ اسٹیٹ اسپیس تہیں استعمال ہوتی ہیں۔
• LOBSTER ڈیٹا سے NASDAQ ایکویٹی آرڈر پیغامات پر حسبِ ضرورت ٹوکنائزر لاگو کیا جاتا ہے۔
• نمونے سے باہر کی جانچ میں کم پرپلیکسیٹی اور تیار کردہ و مشاہدہ شدہ درمیانی قیمت کے منافع کے درمیان شماریاتی طور پر نمایاں تعلق رپورٹ ہوا۔
• مصنوعی آرڈر بہاؤ اعلیٰ تعدد تحقیق کے ماڈلنگ ماحول کے طور پر کام آ سکتا ہے، اگرچہ وسیع تر توثیق بیان نہیں ہوئی۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔