LOB 重建模型：利用常微分方程循环神经网络从 TAQ 历史预测限价订单簿
交易与市场微观结构
2021-03-03 v1 计算工程、金融与科学
神经与进化计算
统计金融
摘要
在订单驱动金融市场中，金融资产的价格通过订单——以特定价格买入或卖出的请求——发布到公开限价订单簿（LOB）中的相互作用而被发现。因此，LOB 数据对建模市场动态极具价值。然而，LOB 数据并非免费获取，这对希望利用该信息的市场参与者和研究者构成挑战。幸运的是，交易与报价（TAQ）数据——到达 LOB 顶部的订单以及市场中执行的交易——更易获得。本文中，我们提出 LOB 重建模型，这是从深度学习视角利用仅 TAQ 数据重建小价差股票 LOB 前五个价格水平的首次尝试。驻留在 LOB 深处的订单量通过结合以下输出预测：（1）历史编译器，使用门控循环单元（GRU）模块选择性编译与预测相关的报价历史；（2）市场事件模拟器，使用常微分方程循环神经网络（ODE-RNN）模拟净订单到达的累积；（3）加权方案，自适应地组合（1）和（2）生成的预测。通过迁移学习范式，在单只股票上训练的源模型可微调以应用于同类别其他金融资产，且对额外数据的需求大幅降低。在两个真实世界日内 LOB 数据集上进行的综合实验表明，所提模型可仅以 TAQ 数据为输入高效且高精度地重建 LOB。
引用
@article{arxiv.2103.01670,
title = {The LOB Recreation Model: Predicting the Limit Order Book from TAQ History Using an Ordinary Differential Equation Recurrent Neural Network},
author = {Zijian Shi and Yu Chen and John Cartlidge},
journal= {arXiv preprint arXiv:2103.01670},
year = {2021}
}
备注
12 pages, preprint accepted for publication in the 35th AAAI Conference on Artificial Intelligence (AAAI-2021)