Mô hình tự hồi quy không gian trạng thái sâu cho luồng thông điệp sổ lệnh giới hạn

Tóm tắt

Bài nghiên cứu phát triển mô hình tự hồi quy để tạo các thông điệp sổ lệnh giới hạn được mã hóa thành token; một bộ mô phỏng dùng chúng để cập nhật trạng thái sổ lệnh. Kiến trúc sử dụng các lớp không gian trạng thái có cấu trúc đơn giản hóa để xử lý chuỗi dài thông điệp và trạng thái. Các tác giả cũng tạo bộ mã hóa token cho thông điệp lệnh NASDAQ trong dữ liệu LOBSTER, nhóm các chữ số liên tiếp thành token.

Trong đánh giá ngoài mẫu, mô hình xấp xỉ phân phối thông điệp quan sát được với perplexity thấp. Lợi suất giá giữa được tính từ luồng lệnh do mô hình tạo ra có tương quan đáng kể với dữ liệu; bài nghiên cứu trình bày điều này như bằng chứng về khả năng dự báo có điều kiện. Các tác giả cho rằng luồng lệnh tổng hợp chi tiết có thể hỗ trợ những nghiên cứu ngoài lĩnh vực dự báo, chẳng hạn làm môi trường mô phỏng cho học tăng cường tần suất cao. Những kết quả này gắn với tập dữ liệu và các thước đo được báo cáo; phần tóm tắt không cung cấp kiểm định rộng hơn trên thị trường, kết quả khớp lệnh hoặc bằng chứng cho thấy luồng mô phỏng tái tạo mọi đặc điểm cần thiết cho các ứng dụng giao dịch.

Ý chính

• Mô hình tạo tự hồi quy các chuỗi thông điệp sổ lệnh giới hạn được mã hóa thành token.
• Các lớp không gian trạng thái có cấu trúc được dùng để xử lý chuỗi dài thông điệp và trạng thái sổ lệnh.
• Bộ mã hóa token tùy chỉnh được áp dụng cho thông điệp lệnh cổ phiếu NASDAQ từ dữ liệu LOBSTER.
• Đánh giá ngoài mẫu ghi nhận perplexity thấp và tương quan đáng kể giữa lợi suất giá giữa được tạo ra với lợi suất quan sát được.
• Luồng lệnh tổng hợp có thể làm môi trường mô hình hóa cho nghiên cứu tần suất cao, dù chưa có mô tả về kiểm định rộng hơn.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.