用于预测限价订单簿市场中中间价动态的贝叶斯双线性神经网络

金融市场预测是一项具挑战性却重要的任务。在现代电子驱动的市场中，传统时间序列计量经济学方法往往难以捕捉驱动价格动态的多层交互的真实复杂性。尽管近期研究已确立传统机器学习（ML）模型在金融应用中的有效性，但其处理不确定性的内在能力不足——这在计量经济学研究和实际商业应用中备受关注——构成主要缺陷。贝叶斯方法自然成为一种合适的补救，将 ML 方法的预测能力与计量经济学研究的概率导向实践相结合。通过采用最先进的二阶优化算法，我们训练了一个带时间注意力的贝叶斯双线性神经网络，适用于预测超高频率限价订单簿市场中中间价变动这一具挑战性的时间序列任务。我们通过使用预测分布来分析与估计参数和模型预测相关的误差与不确定性，将我们的贝叶斯模型与传统 ML 替代方案进行了详尽比较。我们的结果强调了贝叶斯深度学习方法的可行性及其在复杂计量经济学任务中的预测与决策优势，并推动该方向的未来研究。