LOB-Bench：面向金融领域的生成式 AI 基准测试 —— 以限价订单簿数据为例
机器学习
2025-06-17 v2 计算工程、金融与科学
计算金融
交易与市场微观结构
摘要
金融数据因高噪声、厚尾分布以及战略性相互作用，被公认为最具挑战性和有趣的序列建模任务之一，但由于缺乏对定量评估范式的共识，推进此领域的进展受到阻碍。为此，我们提出了 LOB-Bench，一个以 Python 实现的基准测试框架，旨在评估生成式 AI 用于金融领域的质量与真实性，具体针对限价订单簿（Limit Order Book, LOB）数据，采用 LOBSTER 格式。我们的框架衡量生成数据与真实数据在条件无条件统计学之间的分布差异，支持灵活的多变量统计评估。基准测试还包括常见的 LOB 统计指标，如价差、订单簿交易量、订单不平衡以及消息到达时间间隔，以及来自训练判别网络的评分。此外，LOB-Bench 包含“市场冲击指标”，即特定事件数据中的交叉相关和价格响应函数。我们对比评估了生成式自回归时序模型、(C)GAN 以及参数化 LOB 模型，发现生成式自回归 AI 方法在准确性方面优于传统模型类别。
引用
@article{arxiv.2502.09172,
title = {LOB-Bench: Benchmarking Generative AI for Finance -- an Application to Limit Order Book Data},
author = {Peer Nagy and Sascha Frey and Kang Li and Bidipta Sarkar and Svitlana Vyetrenko and Stefan Zohren and Ani Calinescu and Jakob Foerster},
journal= {arXiv preprint arXiv:2502.09172},
year = {2025}
}