A Multi Agent Model for the Limit Order Book Dynamics
在目前的工作中，我们引入了一种新的多智能体模型，其目的是通过忠实地模拟限价订单簿中的匹配机制，在微观时间尺度上再现双向拍卖市场的动态。代理遵循噪声决策过程，他们的行动与随机变量“市场情绪”有关，我们将其定义为公共和私人信息的混合物。该模型，尽管对代理人的交易策略只做了一些基本假设，但它能够再现市场微观结构的高频动态的几个经验特征，这些特征不仅与价格走势有关，而且与订单在书中的沉积有关。
2010-10-28 q-fin.CP q-fin.ST q-fin.TR
Fill Probabilities in a Limit Order Book with State-Dependent Stochastic Order Flows
Delft Institute of Applied Mathematics, TU Delft（代尔夫特应用数学研究所，代尔夫特理工大学）
本文提出了一种状态依赖随机框架，用于分析限价订单簿中不同价格水平订单的填充概率，并通过实证数据验证了模型的准确性。
2026-02-06 math.PR q-fin.CP q-fin.TR
Agentic Limit Order Books: Phase Transitions and Market Impact
本研究通过强化学习智能体构建限价订单簿模型，揭示订单流相变临界点及市场冲击对经典平方根规律的偏离，提出耗散、平衡与非耗散三种新制度。
2026-09-28 cs.AI q-fin.CP q-fin.TR
Multivariate Realized Volatility Forecasting with Graph Neural Network
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management France（法国Exoduspoint资本管理公司）；ENSAE Paris（巴黎国立统计与经济管理学院）
现有文献表明，限价订单簿数据在预测股票市场的短期波动性方面是有用的。由于股票不是独立的，一只股票的变化也会影响其他相关股票。本文基于限价订单簿数据和相关数据，对短期已实现波动率进行了多元预测。为了实现这一目标，我们引入了图Transformer网络的波动率预测。该模型允许结合限价订单簿功能和无限数量的时间和横截面的关系，从不同的来源。通过对标准普尔500指数中约500只股票的实验，我们发现我们的模型比其他基准有更好的表现。
2021-12-17 cs.CE cs.LG q-fin.CP
A time-dependent Markovian model of a limit order book
本文考虑了利率与时间相关的限价订单簿的马尔可夫模型。为了理解订单簿的微观模型比常系数布朗运动收敛到更一般的扩散的机制，提出了一个简单的时间依赖模型.这里考虑的模型开始描述的过程，如限价订单，市价订单和取消不同的订单的到来。从这个意义上说，这是一个微观模型，而不是一个"中观“模型，在中观模型中，起点通常是描述价格变化发生时间的点过程，并在这些点过程中聚集与单个订单到达有关的所有信息。此外，进行了一些实证研究，以阐明建模假设的有效性，并验证某些股票是否满足其价格过程收敛到一个更复杂的扩散的条件。
2023-02-02 math.PR q-fin.CP q-fin.TR
Detecting Multilevel Manipulation from Limit Order Book via Cascaded Contrastive Representation Learning
Guangdong Provincial Key Laboratory of Brain-inspired Intelligent Computation, Department of Computer Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, China（广东省脑启发智能计算重点实验室，计算机科学与工程系，南方科技大学，深圳518055，中国）；Department of Statistics and Data Science, Southern University of Science and Technology, Shenzhen 518055, China（统计与数据科学系，南方科技大学，深圳518055，中国）
提出级联对比表示学习框架，利用限价订单簿多层级信息检测欺骗操纵，提升多种模型性能，Transformer架构达最优。
2025-10-10 cs.CE cs.LG q-fin.CP
Anomalous diffusion and price impact in the fluid-limit of an order book
本研究扩展DTRW数值格式，结合带Sibuya等待时间的随机游走与非均匀采样，建立订单簿流体极限模型以研究反常扩散下的价格冲击，并用三次样条插值平滑曲线，提倡非均匀采样为扩散动力学场景的首选模拟方法。
2024-08-07 cs.CE nlin.AO q-fin.CP
Deep Learning modeling of Limit Order Book: a comparative perspective
UCL（伦敦大学学院）；London School of Economics（伦敦政治经济学院）
本工作解决了高频交易深度学习领域的理论和实践问题。最先进的模型，如随机模型，逻辑回归，LSTM，配备注意力掩码的LSTM，CNN-LSTM和MLP在相同的任务，特征空间和数据集上进行了审查和比较，然后根据成对相似性和性能指标进行聚类。因此，调查的建模技术的基本尺寸，以了解这些是否是内在的限价订单簿的动态。我们观察到，多层感知器的性能超过或优于最先进的CNN-LSTM架构，这表明动态空间和时间维度是LOB动态的良好近似，但不一定是真正的底层维度。
2020-10-18 cs.LG q-fin.CP q-fin.TR
BDLOB: Bayesian Deep Convolutional Neural Networks for Limit Order Books
我们展示了如何将dropout变分推理应用于大规模深度学习模型，该模型预测来自限价订单簿（LOB）的价格变动，LOB是代表交易和定价变动的规范数据源。我们证明了来自后验预测分布的不确定性信息可以用于头寸调整，避免不必要的交易和提高利润。此外，我们通过使用伦敦证券交易所的几个工具和市场的数百万个观察结果来测试我们的模型。我们的研究结果表明，这些贝叶斯技术不仅提供了可用于交易的不确定性信息，而且还提高了随机调节器的预测性能。据我们所知，我们是第一个将贝叶斯网络应用于LOB的公司。
2018-11-25 q-fin.CP
Agent-based model of information diffusion in the limit order book trading
本文通过零智能智能体模型研究限价订单簿市场中交易网络拓扑对程式化事实生成的作用，发现无标度连接能重现程式化事实，而规则格网和Erdos-Renyi网络与无交互基线无显著差异。
2025-08-28 q-fin.CP
DeepLOB: Deep Convolutional Neural Networks for Limit Order Books
我们开发了一个大规模的深度学习模型来预测现金股票的限价订单簿（LOB）数据的价格走势。该架构利用卷积滤波器来捕获限价订单簿的空间结构，以及LSTM模块来捕获更长的时间依赖性。该网络在基准LOB数据集上的性能优于所有现有的最先进算法[1]。在一个更现实的设置，我们测试我们的模型，使用一年的市场报价从伦敦证券交易所和模型提供了一个非常稳定的样本预测精度为各种工具。重要的是，我们的模型可以很好地转换为不属于训练集的工具，这表明该模型具有提取通用特征的能力。为了更好地理解这些特征并超越“黑箱”模型，我们进行了敏感性分析，以了解模型预测背后的原理，并揭示最相关的LOB组件。能够提取强大的功能，以及其他工具的翻译是我们的模型，有许多其他应用程序的一个重要属性。
2020-01-23 q-fin.CP
Attention-Based Reading, Highlighting, and Forecasting of the Limit Order Book
针对高频限价订单簿多级预测难题，提出复合多变量嵌入的多维序列到序列模型，捕捉时空特征关联，在保留订单簿序数结构的同时取得更低预测误差。
2024-11-04 q-fin.CP
Model-based gym environments for limit order book trading
University of Liverpool（利物浦大学）；King’s College London（伦敦国王学院）；University of Warwick（华威大学）
在金融数学文献中，有大量的数学模型用于研究算法交易问题--比如做市和最优执行--在限价订单簿中。本文介绍了\mbtgym，这是一个Python模块，它提供了一套健身房环境，用于训练强化学习（RL）代理来解决此类基于模型的交易问题。该模块以可扩展的方式设置，以允许不同模型的不同方面的组合。它支持矢量化环境的高效实现，以允许更快地训练RL代理。在本文中，我们激励的挑战，使用RL解决这种基于模型的限价订单簿问题在金融数学，我们解释了我们的健身房环境的设计，然后演示其使用解决标准和非标准的问题，从文献。最后，我们为我们的模块的进一步开发制定了路线图，我们将其作为GitHub上的开源存储库提供，以便它可以作为基于模型的算法交易中RL研究的焦点。
2022-09-16 cs.AI cs.LG q-fin.CP
DiffLOB: Diffusion Models for Counterfactual Generation in Limit Order Books
King’s College London（伦敦国王学院）
DiffLOB提出一种基于扩散模型的可控反事实生成方法，用于模拟限价单簿在不同市场制度下的演变，提升市场分析与预测能力。
2026-02-03 cs.AI q-fin.CP
SMC-ABC methods for the estimation of stochastic simulation models of the limit order book
在本文中，我们考虑类的模型，最近开发的量化金融，涉及建模一个高度复杂的多变量，多属性的随机过程称为限价订单簿（LOB）。LOB是每天在交易发生的世界上每个电子交易所上记录的所有资产的主要数据结构。因此，它代表了从随机过程角度研究的最重要的基本结构之一，如果人们希望描述交易资产的价格，交易量，流动性和其他重要属性的随机动态特征。在本文中，我们的目标是通过模型结构，开发一个随机模型框架的LOB的一个给定的资产，并解释如何执行校准的随机模型，以真实观察到的LOB数据的范围内不同的资产。
2015-04-22 q-fin.CP q-fin.ST stat.CO
Market Making with Deep Reinforcement Learning from Limit Order Books
Microsoft（微软）
本文提出基于限价订单簿的深度强化学习做市方法，利用卷积与注意力机制提取LOB特征，设计连续动作空间和混合奖励函数，并通过实验验证其适用性。
2023-05-25 cs.LG q-fin.CP
