Explainable Patterns in Cryptocurrency Microstructure
University of Warsaw, Faculty of Economic Sciences(华沙大学经济科学学院)
本文研究了加密货币微观结构中的稳定跨资产模式,通过CatBoost模型验证了特征重要性稳定性,并揭示了算法交易的系统性风险。
2026-01-31 q-fin.CP q-fin.ST q-fin.TR
Ergodicity and diffusivity of Markovian order book models: a general framework
我们提出了一个一般的马尔可夫框架的订单簿建模。通过我们的方法,我们的目标是提供一种工具,使人们能够更好地了解价格形成过程和金融资产的微观和宏观特征之间的联系。为此,我们提出了一种新的订单簿表示方法,并将订单簿建模问题分解为两个子问题:具有固定参考价格的连续时间双向拍卖系统的动态;双向拍卖系统与参考价格运动之间的相互作用。我们的框架中包含了状态依赖,允许订单流强度依赖于订单簿状态。此外,与大多数现有模型相反,订单簿更新对参考价格动态的影响并不是假设为瞬时的。我们首先证明,在一般假设下,我们的系统是遍历的。然后,我们推出的布朗运动的重新标度的价格过程的收敛。
2015-05-19 q-fin.ST q-fin.TR
Deep Attentive Survival Analysis in Limit Order Books: Estimating Fill Probabilities with Convolutional-Transformers
针对限价订单簿中被动订单成交概率估计问题,提出基于卷积Transformer编码器与单调神经网络解码器的深度生存分析模型,该模型显著优于现有常用方法,并补充了不同资产订单成交概率的统计分析。
2023-06-08 q-fin.ST
Estimation of slowly decreasing Hawkes kernels: Application to high frequency order book modelling
我们提出了arXiv:1401.0903中研究的非参数Hawkes核估计过程的修改版本,该过程适用于缓慢减小的核。我们表明,涉及一个合理的事件数的数值模拟,这种方法使我们能够忠实地估计幂律递减内核在至少60年。然后,我们提出了一个8维霍克斯模型的所有事件与第一级的一些资产订单簿。应用我们的估计程序,这个模型,使我们能够揭示的主要属性的耦合动态的贸易,限制和取消订单的关系,中间价格的变化。
2014-12-22 q-fin.ST q-fin.TR stat.ME
Price predictability in limit order book with deep learning model
本研究探讨使用深度学习模型预测高频价格变化,发现目标价格过程定义不当会使预测失去意义,并指出成交量不平衡能显著改善方向预测性能。
2024-09-21 q-fin.ST q-fin.TR stat.ML
A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data
New York University Leonard N. Stern School of Business(纽约大学斯特恩商学院)
本文提出了一种基于长短期记忆网络(LSTM)的深度学习框架,该框架可以从逐个交易的数据中预测加密货币的价格走势。本研究的主要重点是从回顾期预测固定时间范围内的短期价格变化。通过精心设计特征和详细搜索最佳超参数,该模型经过训练,在近一年的逐交易数据上实现了高性能。最佳模型在样本外测试期间提供稳定的高性能(超过60%的准确度)。在现实的交易模拟环境中,模型做出的预测可以很容易地货币化。此外,这项研究表明,LSTM模型可以从逐个交易的数据中提取通用特征,因为学习的参数在其他未包含在训练数据中的加密货币工具上保持了良好的性能。本研究在数据规模和精度方面均超过现有研究,并取得了较高的预测精度。
2020-10-11 cs.AI cs.LG q-fin.ST
Reinforcement Learning for Trade Execution with Market and Limit Orders
ETH Zurich(苏黎世联邦理工学院)
本文提出了一种基于强化学习的交易执行框架,通过动态分配市场和限价订单以最大化收益,并在模拟环境中验证了其优于传统策略的效果。
2026-01-26 q-fin.CP q-fin.ST q-fin.TR
The LOB Recreation Model: Predicting the Limit Order Book from TAQ History Using an Ordinary Differential Equation Recurrent Neural Network
在订单驱动的金融市场中,金融资产的价格是通过发布到公共限价订单簿(LOB)的订单(以特定价格买入或卖出的请求)的交互来发现的。因此,LOB数据对于建模市场动态非常有价值。然而,LOB数据不能自由获取,这对希望利用这些信息的市场参与者和研究人员构成了挑战。幸运的是,交易和报价(TAQ)数据-到达LOB顶部的订单,以及在市场中执行的交易-更容易获得。在本文中,我们提出了LOB重建模型,这是从深度学习的角度首次尝试仅使用TAQ数据重建小股票LOB的前五个价格水平。通过组合来自以下各项的输出来预测位于LOB深处的订单的数量:(1)历史编译器,其使用门控递归单元(GRU)模块来选择性地编译预测相关报价历史;(2)市场事件模拟器,其使用常微分方程递归神经网络(ODE-RNN)来模拟净订单到达的累积;以及(3)自适应地组合由(1)和(2)生成的预测的加权方案。通过迁移学习的范例,可以对在一只股票上训练的源模型进行微调,以使其能够应用于同一类别的其他金融资产,而对额外数据的需求要低得多。在两个真实的日内LOB数据集上进行的综合实验表明,所提出的模型可以有效地重建LOB与高精度仅使用TAQ数据作为输入。
2021-03-02 cs.CE cs.NE q-fin.ST
An Algebraic Framework for the Modeling of Limit Order Books
本文提出一个基于代数、物理和随机过程的限价订单簿建模框架,利用狄拉克符号和广义生成函数描述状态与动态,并通过Gillespie算法精确仿真市场情景,分析交易者行为对价差、波动率和流动性的影响。
2024-06-07 q-fin.MF q-fin.ST q-fin.TR
Protecting Retail Investors from Order Book Spoofing using a GRU-based Detection Model
Imperial College London(帝国理工学院)
由于市场操纵对市场有效性和许多参与的金融行为者产生有害影响,因此通过对传统市场的监管来解决市场操纵问题。由于新的低费用平台和去中心化数字货币等新的资产类别,私人散户投资者最近有所增加,由于缺乏机构复杂性和强有力的监管,脆弱的参与者数量增加。本文提出了一种方法来检测非法活动,并告知投资者欺骗企图,一个众所周知的市场操纵技术。我们的框架是基于一个高度可扩展的门控经常性单位(GRU)模型,并允许包括市场变量,可以解释欺骗和潜在的其他非法活动。该模型在粒度订单簿数据上进行了测试,在一个最不受监管的市场上,很容易与大量的非机构交易者进行欺骗。结果表明,该模型在早期检测环境中表现良好,可以很快识别欺骗尝试,让投资者做出反应。这是建立全面模型的第一步,该模型将保护各种不受监管的交易环境中的投资者和监管机构,以识别非法活动。
2021-10-08 cs.AI cs.LG q-fin.ST
The nature of price returns during periods of high market activity
通过研究从一篮子10种期货资产的订单簿中记录的所有交易和最佳买入/卖出的超高频快照,我们带来了定性的经验证据,即单笔交易的影响取决于交易间的时间滞后。我们发现,当交易速度变得更快,每次交易的回报方差或影响,作为衡量的价格变化的贸易方向,强烈增加。我们提供的证据表明,这些属性持续在粗糙的时间尺度。我们还表明,传播值是一个活动的递增函数。这表明,当交易率高时,订单簿更有可能是空的。
2010-10-27 q-fin.ST q-fin.TR
Correlation emergence and the Epps effect in two coupled limit order books
University of New South Wales(新南威尔士大学);University of Cape Town(开普敦大学)
通过建立耦合反应扩散方程模型,从订单流微观动态出发,解析推导出相关性随聚合时间变化的闭合表达式,揭示Epps效应源于异步事件时钟、有限耦合响应时间及其组合三种机制。
2026-09-09 math.AP q-fin.ST q-fin.TR
Cross-Impact of Order Flow Imbalance in Equity Markets
本研究针对股票市场多资产场景下订单流不平衡的价格影响问题,提出整合限价订单簿多档位OFI的方法,发现同期交叉影响无额外解释力,但滞后跨资产OFI可提升短期收益预测效果。
2023-06-13 q-fin.CP q-fin.ST q-fin.TR