极限订单薄重建模型 (LOBRM):扩展分析
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
本文概述了大量实证和理论研究在限价订单簿上取得的洞见,探讨了统计分析历史价位和数量数据所报告的研究结果,说明了许多 LOB 模型并不像真实 LOB 一样。此外,我们还发现了一些关键未解决问题。
Dec, 2010
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
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
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
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
金融交易所使用限价挂单簿(LOB)来处理订单和撮合交易,而本研究着重于开发一种能够以大规模高效地模拟 LOB 动态的模拟器。我们展示了第一个能够并行处理数千个挂单簿且具有明显减少每条消息处理时间的 GPU 加速 LOB 模拟器的实现 - JAX-LOB。我们将 JAX-LOB 与其他 JAX 软件包集成,用于展示如何通过强化学习来解决最优执行问题,并分享了一些在 GPU 上进行端到端强化学习训练的初步结果。
Aug, 2023