KANFormer 用于通过极限订单簿中的存活分析预测填充概率
人工智能
2025-12-08 v1 机器学习
摘要
本文介绍了 KANFormer，一种新型深度学习模型，用于预测极限订单填入时间，通过利用市场和代理层面的信息。KANFormer 将 Dilated Causal Convolutional 网络与 Transformer 编码器相结合，采用 Kolmogorov-Arnold 网络 (KAN) 以提高非线性逼近。与现有仅依赖极限订单簿快照序列的模型不同，KANFormer 集成了与 LOB 动态相关的代理行为以及订单在队列中的位置，从而更有效地捕获与执行可能性相关的模式。我们使用标注订单的 CAC 40 指数期货数据对模型进行评估。结果表明，KANFormer 在校准 (右删失对数似然、积分 Brier 得分) 和判别 (C 指数、时序 AUC) 方面均优于现有工作。我们进一步使用 SHAP (SHapley Additive exPlanations) 分析特征随时间的重要性。我们的结果突显了将丰富的市场信号与富有表现力的神经网络架构相结合，以实现填充概率的准确和可解释预测的优势。
引用
@article{arxiv.2512.05734,
title = {KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books},
author = {Jinfeng Zhong and Emmanuel Bacry and Agathe Guilloux and Jean-François Muzy},
journal= {arXiv preprint arXiv:2512.05734},
year = {2025}
}