深度学习用于限价订单簿
本文介绍一种利用深度学习通过限价单数据预测股票价格的方法,并通过 LSTM 模块和卷积滤波器提高了预测精度和时间依赖性,同时通过敏感度分析的方法解释了 LOB 中最重要的组件。
Aug, 2018
利用先进的深度学习方法,研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame',高效处理大规模的限价挂单簿数据,定量评估最新的深度学习模型的预测能力。研究结果有两个方面:我们证明股票的微观结构特征影响深度学习方法的有效性,而高预测能力并不一定对应可执行的交易信号。我们认为,传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代,我们提出了一种创新的操作框架,通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径,从而做出明智而稳健的决策。
Mar, 2024
本文提出了一种构建平稳特征的新方法,可以有效地应用深度学习模型以解决金融数据非恒定性等问题,并结合了 CNN 模型提取有用特征和 LSTM 模型分析时间序列的能力,测试显示其在预测期限方面优于单独的 LSTM 和 CNN 模型。
Oct, 2018
引入了一种新型的大规模深度学习模型来预测限价单簿的中间价格变动,称为 HLOB。该模型利用信息过滤网络 (Triangulated Maximally Filtered Graph) 来揭示卷面层次之间更深层次和非平凡的依赖结构,并通过从同源卷积神经网络 (Homological Convolutional Neural Networks) 中汲取灵感来保证处理底层系统复杂性的确定性设计。我们对三个包含 15 只在纳斯达克交易所交易的股票的真实限价单簿数据集进行了对比实验,将我们的模型与 9 种最先进的深度学习模型进行了系统性的比较,我们系统地表征了 HLOB 优于最先进模型的情景。我们的方法揭示了限价单簿信息在空间分布上的情况,并揭示了它在增加的预测时间范围内的退化情况,缩小了微观结构建模和基于深度学习的高频金融市场预测之间的差距。
May, 2024
本论文提出了一种基于 Convolutional Long Short-Term Memory 网络和注意力机制的新的神经网络架构,可以使用高频限价委托数据预测股票市场中的收益跳跃到达事件,并发现限价委托数据可以对预测精度产生积极影响,这表明限价委托市场的路径依赖是股票特定的特性。
Oct, 2018
利用退火变分推理,我们首次将贝叶斯神经网络应用于限价买卖订单簿,证明了通过后验预测分布确定的不确定性信息能够用于头寸控制,避免不必要的投资交易,提高了利润,并且还提高了预测性能作为随机正则化器。
Nov, 2018
该论文研究了利用 RNN 对高频交易进行序列分类的问题,通过使用有限订单薄深度和市场订单的短序列预测下一个事件价格变化,从而减少了不利价格选择的可能性,并且展示了 RNN 对有限订单薄的非线性关系的良好捕捉能力。
Jul, 2017
应用深度学习和强化学习结合,利用订单流量失衡进行多时间段预测收益的研究,为五种金融工具提供交易信号,并通过回测模拟和前期测试在零售交易平台验证了模型的潜力,但还需要进一步修改以应对零售交易成本、滑点和点差的波动。
Oct, 2023
本文通过设计一种新的手工特征并对流动性和非流动性股票进行广泛的实验评估,解决了基于限价单簿(LOB)数据的中间价格运动预测的问题,并将特征馈入 9 种基于多层感知器(MLP)、卷积神经网络(CNN)和长短期记忆(LSTM)神经网络的不同深度学习模型,以预测下一个价格趋势的方向和直到变化发生的订单簿事件数量,实验结果表明,正确选择特征集和模型可以成功预测股票价格变动的时间。
Apr, 2019
本文提出了一种微观结构建模框架来研究 FIFO(先进先出)限价委托簿中的最优市场制造策略,并使用 Cox 点过程模拟限价委托、市价委托和撤销委托的到达。应用马尔科夫决策过程和动态规划方法对期权交易问题的解决方案进行了分析,提出了最优策略。最后使用控制随机化方法和量化方法来计算最优策略,通过模拟数据进行的多个计算实验,证明方案的高效性。
May, 2017