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

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

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

使用多智能体的市场仿真器构建了一种合成的 LOB 数据集 DSLOB，用于对高频时间序列数据中的分布偏移进行对比实验，结果反映出需要增加研究人员的努力，以开发出对分布偏移具有鲁棒性的算法。

Nov, 2022

深度学习在金融领域取得了重要进展，本研究基于限价单数据，通过对十五种先进的深度学习模型进行鲁棒性和泛化性能的研究，发现这些模型在新数据中表现出明显的性能下降，对其在实际市场中的适用性产生了质疑。我们的工作作为一个基准，揭示了当前方法的潜力和局限性，并为创新解决方案提供了见解。

Jul, 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

本文提出了一种新的神经网络结构来建模空间分布，在使用限价单簿的空间结构时，该新结构具有计算效率，并提供了价格移动的低维模型。该模型在未来时间内基于限价单簿的当前状态建模簿的状态的共同分布，模型训练并测试了近 500 种股票，并采用了退出技术以提高表现。

Jan, 2016

本研究针对目前 LOB 数据普及性不高的问题，扩展了 LOBRM 模型的应用范围，提出了一种包含时间加权 z 分数标准化和指数衰减核的 LOBRM 流程，并通过沿用实时应用场景的数据集进行实验证明，其预测准确率优于传统非线性模型。同时，本研究提出了 TAQ 的稀疏编码方法，实现了对多种任务的提升。

Jul, 2021

该研究提出了一种基于 Hawkes 模型的极限订单簿（LOB）数据的新型预测算法，通过利用未来财务交互的预测，精确预测收益方向，并利用原始时间序列的非均匀采样结构，该策略在交易环境中实现了比基准模型更高的预测准确性和累积利润。

Dec, 2023

大语言模型（LLMs）在推断过程中常常过于自信，尤其是当它们适应具有有限数据的下游领域特定任务时。本文通过在 LLMs 训练后采用近似贝叶斯估计的方法来解决这个问题，从而使其能够量化不确定性。然而，这种训练后方法的性能受训练期间学习的参数严重限制。在本文中，我们超越了训练后的贝叶斯化，并提出了一种名为贝叶斯低秩适应的反向传播（BLoB）的算法，该算法在整个微调过程中持续和联合调整 LLM 参数的均值和协方差。我们的实证结果验证了 BLoB 在广义化与不确定性估计方面的有效性，同时在分布内和分布外数据上进行评估。

Jun, 2024