The Price Impact of Order Book Events
我们研究了订单簿事件的价格影响-限价订单，市价订单和取消-使用纽约证券交易所TAQ数据的50只美国股票。我们发现，在短时间间隔内，价格变化主要是由订单流的不平衡，定义为最好的出价和卖价之间的供需不平衡。我们的研究揭示了订单流不平衡和价格变化之间的线性关系，与市场深度成反比的斜率。这些结果被证明是强大的季节性影响，稳定的跨时间尺度和跨股票。我们认为，这种线性价格影响模型，加上缩放参数，意味着经验观察到的“平方根”价格变化和交易量之间的关系。然而，价格变化和交易量之间的关系被发现是噪音和鲁棒性不如基于订单流不平衡。
2011-04-13 q-fin.ST q-fin.TR
Extending Deep Learning Models for Limit Order Books to Quantile Regression
我们展示了如何分位数回归（QR）可以应用于预测财务回报使用限价订单簿（LOB），规范的数据源的高频金融时间序列。我们开发了一个深度学习架构，可以同时对买入和卖出头寸的收益分位数进行建模。我们在伦敦证券交易所的多个不同工具上测试了数百万次LOB更新。我们的研究结果表明，所提出的网络不仅提供了优异的性能，但也提供了改进的预测鲁棒性相结合的分位数估计。
2019-06-11 q-fin.TR
StochLOB: Heavy-Tailed Score Matching for Robust Limit Order Book Trend Prediction
Sharif University of Technology（谢里夫理工大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；Boston University（波士顿大学）；The Alan Turing Institute（艾伦·图灵研究所）；Virginia Tech（弗吉尼亚理工大学）
本研究提出STOCHLOB框架，通过采用跳跃-莱维噪声和截断α稳定噪声替代布朗高斯噪声，实现鲁棒的LOB趋势预测，在加密货币数据上表现优异，且经A股转账研究验证其概率输出的可用性。
2026-10-27 cs.LG q-fin.TR stat.ML
Bridging the Reality Gap in Limit Order Book Simulation
Jump Trading；Université Paris Dauphine-PSL（巴黎第九大学-巴黎文理研究大学）；École Polytechnique（巴黎综合理工学院）
本文提出一个用于大 tick 资产的实用交互式限价订单簿模拟器，通过投影和体积不平衡来构建可处理的表示，实现真实执行、成本和损益的模拟。
2026-03-25 q-fin.TR
Herding and Liquidity in Order-Book Markets. II. Fundamental Anchoring and the Resilience of Liquidity
Centre for Econometric Analysis, Bayes Business School（计量经济分析中心，贝叶斯商学院）
研究订单簿市场中流动性供应锚定基本面价值时的恢复力及稳定性，通过因果关系识别恢复力，还探讨压力市场流动性压力的传递，发现其不会传递，指出流动性危机是基本面锚定失败而非做市失败。
2026-07-21 q-fin.TR
Exploring Microstructural Dynamics in Cryptocurrency Limit Order Books: Better Inputs Matter More Than Stacking Another Hidden Layer
University of Chicago（芝加哥大学）
该研究基于Bybit的BTC/USDT高频LOB数据比较传统模型与深度架构，发现预处理和特征工程比堆叠网络层更能提升短期价格预测。
2025-06-09 cs.LG q-fin.TR
Simulating and analyzing a sparse order book: an application to intraday electricity markets
针对非流动性市场传统限价订单簿模型的不足，提出基于非齐次Poisson过程的稀疏LOB模拟分析模型，应用于欧洲日内电力市场揭示其微观结构特性，为市场参与者提供参考，也可推广至其他非流动性市场。
2024-10-09 q-fin.CP q-fin.TR
Optimal execution strategies in limit order books with general shape functions
本文研究了限价订单簿中大宗市价订单的最优执行策略。我们建立在Obizhaeva和Wang（2005）提出的弹性模型的基础上，但允许通过给定的密度函数定义LOB的一般形状。因此，我们可以考虑经验观察到的LOB形状，并获得市价订单的非线性价格影响。我们区分了两种可能性，用于对大市价订单后LOB的弹性进行建模：限价订单数量的指数恢复，即，或者买卖价差的指数恢复。我们认为这两种弹性模式，并在每种情况下，得到明确的最优执行策略在离散时间。将我们的结果应用于块状LOB，我们得到了最优策略的一个新的封闭形式表示，它显式地解决了Obizhaeva和Wang（2005）中给出的递归方案。我们还提供了一些证据的鲁棒性的最优策略的形状函数和约束类型的选择。
2010-02-03 math.PR q-fin.TR
A Comparative Analysis of Statistical and Machine Learning Models for Outlier Detection in Bitcoin Limit Order Books
Department of Life, Health and Environmental Sciences（生命、健康与环境科学系）
本文在AITA-OBS统一测试环境中比较了13种统计与机器学习模型在比特币限价订单簿异常检测中的表现，发现经验协方差模型以6.70%的收益显著优于买入并持有基准，为算法交易和风险管理提供了基准参考。
2025-07-20 cs.AI cs.LG math.ST
Adversarial recovery of agent rewards from latent spaces of the limit order book
JP Morgan Chase & Co.（摩根大通公司）；Twitter, Inc.（推特公司）；University of Oxford（牛津大学）；University College London（伦敦大学学院）
逆强化学习已经证明了它能够通过在日益具有挑战性的环境中恢复其潜在的奖励函数来解释专家代理的状态-动作轨迹。对抗性学习的最新进展允许将逆RL扩展到具有代理未知的非平稳环境动态的应用，奖励函数的任意结构以及对逆RL的不适定性质所固有的模糊性的改进处理。这在涉及风险的随机环境（如波动的金融市场）的实时的应用中尤其重要。此外，最近对复杂环境的模拟工作使学习算法能够通过模拟其潜在空间表示来与真实市场数据进行交互，从而避免对原始环境进行昂贵的探索。在本文中，我们探讨了对抗性逆RL算法是否可以在真实市场数据的潜在空间模拟中进行调整和训练，同时保持其恢复对潜在动态变化具有鲁棒性的代理奖励的能力，并将其转移到原始环境的新机制中。
2019-12-09 cs.LG q-fin.TR stat.ML
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
Pregeometric Origins of Liquidity Geometry in Financial Order Books
The Quantum Computer Company（量子计算机公司）；Center for Theoretical and Computational Physics（理论与计算物理中心）
本文提出了一种基于几何约束的金融订单簿流动性模型，通过谱嵌入和投影方法揭示流动性、供应和需求的涌现特性，并验证了积分伽马分布的预测。
2026-01-24 physics.soc-ph q-fin.TR
ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books
ClusterLOB 通过对逐笔订单数据中的市场事件进行特征增强和 K-means++ 聚类，将参与者分为方向性、机会主义和做市三类，并利用各簇订单流不平衡信号构建出优于基准的交易策略。
2025-05-10 q-fin.TR
Learning the Spoofability of Limit Order Books With Interpretable Probabilistic Neural Networks
本文提出基于多尺度霍克斯过程特征和概率神经网络的限价订单簿欺骗性检测框架，可实时预测中间价格变动并计算操纵收益，发现31%大额订单可能欺骗市场。
2025-04-22 q-fin.ST q-fin.TR
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
TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data
Sapienza University of Rome（罗马萨皮恩扎大学）；Technical University of Munich（慕尼黑技术大学）
本文提出基于Transformer和双重注意力的TLOB模型，用于LOB价格趋势预测，并引入消除周期偏差的新标注方法，在FI-2010、NASDAQ和比特币数据集上均超越SoTA，同时揭示了市场效率提升导致的可预测性下降。
2025-05-07 cs.AI cs.LG q-fin.ST
