全新 HLOB 模型：预测限价订单簿中间价格变化方向的利器

news2024/9/19 10:12:51

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
本文介绍了一个名为HLOB的新型大规模深度学习模型，用于预测限价订单簿中间价格的变化。该模型利用信息过滤网络（特别是三角最大化过滤图）来揭示订单簿中不同成交量水平间的深层和非平凡依赖结构，并通过同调卷积神经网络的设计选择来处理系统的复杂性。研究者在包含NASDAQ交易所15支股票的真实世界限价订单簿数据集上测试了HLOB模型，并与其他9种最先进的深度学习方法进行了比较，系统地描述了HLOB在特定场景下超越现有架构的情况。研究结果为理解限价订单簿中的信息空间分布及其在预测时限增加时的退化提供了新的见解，并在高频金融市场的微观结构建模和基于深度学习的预测之间架起了桥梁。

1. 引言 (Introduction)

金融市场的复杂性主要源自两个方面：一是大量参与者在不同时间尺度上追求多样化目标的互动；二是自发组织集体行为的出现，这些行为不依赖于中央控制，因而难以预测。这些因素共同作用，导致了市场中不效率的短暂和有限的持续性，为交易实践带来了盈利机会。通过数学和统计模型对反映金融市场行为的时间序列进行分析，可以对现有不效率进行分析并预测新的不效率。特别是在高频交易场景下，时间序列的粒度可以非常精细，甚至达到纳秒级。

LOB是现代金融交易所用来记录和匹配市场参与者交易意图的电子系统，它包含了市场参与者买卖资产的即时意图快照。这些交易意图以订单的形式存在，包括市价订单、限价订单和取消订单等类型，并通过计算机系统按照先进先出（FIFO）的原则进行管理。对LOB信息的访问时效性决定了市场参与者信息的不对称性，而高频交易（HFT）策略正是利用这种信息不对称性来获取优势。尽管HFT策略自2005年以来在金融市场中占据显著地位，但它们依赖于市场数据的不同层面，而不是外部信息，从而为股票价格运动的不可预测性增加了噪声。