Axial-LOB：基于轴向注意力的高频交易

先前从限价订单簿（LOB）数据预测股价的尝试大多基于深度卷积神经网络。尽管卷积通过将其操作限制于局部交互而提供了效率，但这是以可能遗漏长距离依赖检测为代价的。近期研究通过采用额外的循环或注意力层来解决此问题，但这增加了计算复杂度。在本工作中，我们提出Axial-LOB，一种新颖的完全注意力深度学习架构，用于从LOB数据预测股票价格变动。通过利用门控位置敏感轴向注意力层，我们的架构能够构建包含全局交互的特征图，同时显著减小参数空间规模。与先前工作不同，Axial-LOB不依赖于手工设计的卷积核，因此在输入置换下具有稳定性能，并具备整合额外LOB特征的能力。Axial-LOB在一个大型基准数据集上展示了有效性，该数据集包含数百万高频交易事件的时间序列表示，我们的模型在所有测试的预测周期内均建立了新的state of the art（SOTA），取得了优异的方向分类性能。