Persona-Trained Monte Carlo: Estimating Market-Outcome Distributions via Swarms of Persona-Conditioned Neural Policy Bots in a Limit Order Book
Independent researcher(独立研究者)
提出人格训练蒙特卡洛方法,通过模拟人格条件神经策略交易机器人群体在限价订单簿中的交互,估计市场结果统计量的分布,并给出形式化估计器、跨学科设计理由和验证路线图。
2026-06-28 cs.LG cs.MA
Reinforced Deep Markov Models With Applications in Automatic Trading
University of Toronto(多伦多大学)
受深度生成模型发展的启发,我们提出了一种基于模型的强化学习方法,称为强化深度马尔可夫模型(RDMM),旨在整合强化学习算法作为自动交易系统的理想属性。网络架构允许的可能性,市场动态是部分可见的,并有可能修改代理人的行动。RDMM过滤不完整和噪声数据,为RL规划创建性能更好的输入数据。策略搜索优化还适当地考虑了状态不确定性。由于RKDF模型架构的复杂性,我们进行了消融研究,以更好地了解该方法的各个组成部分的贡献。为了测试RDMM的财务表现,我们使用Q-Learning、DynaQ-ARIMA和DynaQ-LSTM算法的变体来实现策略。实验表明,RDMM是数据效率和提供经济收益相比,在最优执行问题的基准。当价格动态更复杂时,性能改善变得更加明显,这已经使用来自Facebook、英特尔、沃达丰和微软的限价订单簿的真实数据集进行了证明。
2020-11-09 cs.LG q-fin.TR stat.AP
When AI Trading Agents Compete: Adverse Selection of Meta-Orders by Reinforcement Learning-Based Market Making
JP Morgan(摩根大通)
研究基于Hawkes LOB模型与脉冲控制强化学习框架,探讨了高频做市商对中频交易者meta订单的不利选择机制,发现RL代理能利用meta订单引起的价格漂移获利,
2025-10-31 cs.LG q-fin.TR
A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding
University of Liège(列日大学);ENGIE(昂吉集团)
可变能源的大规模整合预计将使大部分能源交换更接近实时,从而提供更准确的预测。在这种情况下,短期电力市场,特别是日内市场被认为是这些交易所的合适交易场所。成功整合可再生能源的一个关键组成部分是使用储能。在本文中,我们提出了一个新的建模框架,能源存储的战略参与欧洲连续的日内交易市场,通过集中的订单簿发生的交流。存储设备运营商的目标是在整个交易范围内获得最大利润,同时考虑单元的操作约束。将日内市场交易的序贯决策问题建模为马尔可夫决策过程。异步分布式版本的拟合Q迭代算法被选择用于解决这个问题,由于其样本效率。订单簿中现有订单的数量大且可变,这促使使用高级操作和替代状态表示。历史数据用于生成大量的人工轨迹,以解决学习过程中的探索问题。由此产生的政策进行回测,并与基准战略,这是目前的行业标准进行比较。结果表明,代理收敛到一个政策,实现平均更高的总收入比基准策略。
2020-04-13 cs.AI cs.LG q-fin.TR
Deep Reinforcement Learning for Active High Frequency Trading
University College London(伦敦大学学院);Ecole Polytechnique(巴黎综合理工学院);London School of Economics(伦敦政治经济学院);ETH Zurich(苏黎世联邦理工学院)
该研究提出首个端到端DRL主动高频交易框架,用近端策略优化算法训练交易英特尔股票的智能体,通过筛选样本、调优超参数等,在非平稳高频市场中实现了稳定正收益的交易策略。
2023-08-19 cs.AI cs.LG cs.MA
Zero-shot adaptation to order book dynamics
MBZUAI(穆尔亚人工智能研究院)
本文提出了一种适应性市场做市架构,保留了Avellaneda-Stoikov框架的分析结构,同时引入了继任者度量式适应机制,通过分离市场动态与交易目标,实现对变化市场制度和交易目标的适应。
2026-05-20 cs.CE cs.LG
Optimal Execution with Reinforcement Learning
本研究通过强化学习开发最优执行策略,利用限价订单簿特征在高频下最大化控制,并使用ABIDES模拟器克服历史数据局限,结果显示强化学习智能体优于标准策略,为实际交易提供基础。
2025-11-01 cs.LG q-fin.TR
Deep Learning Models Meet Financial Data Modalities
Sirius University of Science and Technology(西里乌斯科学技术大学)
本研究将深度学习模型与多种金融数据模态整合,提出基于嵌入和图像化限价订单簿快照的新方法,在高频交易中达到最先进性能,提升交易策略预测能力。
2025-04-21 cs.AI cs.CE cs.LG
Conditional Generators for Limit Order Book Environments: Explainability, Challenges, and Robustness
J.P.Morgan AI Research(摩根大通人工智能研究院);University of Liverpool(利物浦大学);Alan Turing Institute(艾伦·图灵研究所)
本文研究条件生成模型在限价订单簿模拟中的应用,通过对抗性攻击分析CGAN对输入特征的依赖,以提升其真实性与鲁棒性,并为未来工作提出路线图。
2023-06-22 cs.AI cs.CE cs.LG
A Deep Learning Approach to Anomaly Detection in High-Frequency Trading Data
Cornell University(康奈尔大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Chicago(芝加哥大学)
本文提出一种基于分阶段滑动窗口Transformer架构的算法,通过结合自注意力与加权注意力机制提取多尺度特征,用于高频外汇交易数据异常检测,在准确率与F1等指标上显著优于传统方法。
2025-03-31 cs.LG
Investigating Limit Order Book Characteristics for Short Term Price Prediction: a Machine Learning Approach
University of Toronto(多伦多大学);Department of Computer Science(计算机科学系)
随着算法高频交易在金融市场的普及,限价订单簿引起了越来越多的研究兴趣。研究仍处于早期阶段,有很多我们不了解的动态限价订单簿。在本文中,我们采用机器学习的方法来研究限价订单簿的功能和他们的潜力,以预测短期的价格走势。这是一个初步的基础广泛的调查,结果在一些新的观察LOB动力学,并确定了几个有前途的方向进一步研究。此外,我们得到的预测结果是显着优于基线预测。
2018-12-20 cs.LG 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
Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting
University of Edinburgh(爱丁堡大学);Tampere University(坦佩雷大学)
本文提出一种实时调整的最优输出长短期记忆细胞,通过选择最佳门或状态作为输出,在浅层拓扑下在线训练,用于高频交易预测,并在美国及北欧股票上验证了更低的预测误差。
2023-05-15 cs.CE cs.LG q-fin.TR
PolyBench: Benchmarking LLM Forecasting and Trading Capabilities on Live Prediction Market Data
College of Electrical Engineering, Sichuan University(四川大学电气工程学院);School of Economics, Sichuan University(四川大学经济学院)
本文提出PolyBench基准测试,通过实时预测市场数据评估七种先进LLM的预测与交易能力,发现仅两种模型在严格市场状态下实现正收益,揭示了语言流畅性与真实概率推理之间的差距。
2026-04-03 cs.AI cs.LG q-fin.CP
Hawkes-based cryptocurrency forecasting via Limit Order Book data
Politecnico di Milano(米兰理工大学)
本研究提出一种基于限价订单簿数据和霍克斯过程及连续输出误差模型的加密货币收益方向预测算法,在预测准确性和累计利润上超越基准模型,并通过50个场景的蒙特卡洛模拟验证了其有效性。
2023-12-21 cs.CE cs.LG q-fin.ST
Limit Order Book Simulation and Trade Evaluation with $K$-Nearest-Neighbor Resampling
University of Oxford(牛津大学);Deutsche Bank(德意志银行);Imperial College London(伦敦帝国学院);Oxford-Man Institute of Quantitative Finance, University of Oxford(牛津-曼量化金融研究所(牛津大学))
提出将$K$-NN重采样用于限价订单簿模拟与交易策略评估校准,方法具收敛保证、高效易用,并在关键统计上优于深度学习基准。
2024-09-10 cs.LG math.OC q-fin.ST
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
Deep Limit Order Book Forecasting
University College London(伦敦大学学院);UCL Centre for Blockchain Technologies(伦敦大学学院区块链技术中心);London School of Economics(伦敦政治经济学院);Systemic Risk Centre(系统风险中心)
本研究利用深度学习方法探究纳斯达克高频限价订单簿中间价变动的可预测性,发布开源代码库 `LOBFrame`,并提出基于完整交易预测概率的新评估框架,以弥补传统机器学习指标在评估预测实用性上的不足。
2024-06-04 cs.LG q-fin.TR
Axial-LOB: High-Frequency Trading with Axial Attention
University College London(伦敦大学学院)
以前从限价订单簿(LOB)数据预测股票价格的尝试大多基于深度卷积神经网络。虽然卷积通过将其操作限制在本地交互来提供效率,但这是以潜在地错过检测远程依赖性为代价的。最近的研究通过采用增加计算复杂度的额外的递归层或注意层来解决这个问题。在这项工作中,我们提出了Axial-LOB,这是一种新的完全注意力深度学习架构,用于从LOB数据中预测股票的价格走势。通过利用门控位置敏感的轴向注意层,我们的架构能够构建包含全局交互的特征图,同时显着减少参数空间的大小。与以前的作品不同,Axial-LOB不依赖于手工制作的卷积内核,因此在输入排列下具有稳定的性能,并能够结合额外的LOB功能。Axial-LOB的有效性在一个大型基准数据集上得到了证明,该数据集包含数百万个高频交易事件的时间序列表示,我们的模型建立了一个新的最先进的模型,在所有测试的预测范围内实现了出色的方向分类性能。
2022-12-04 cs.LG 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
DSLOB: A Synthetic Limit Order Book Dataset for Benchmarking Forecasting Algorithms under Distributional Shift
University of Southern California(南加州大学);J.P.Morgan AI Research(摩根大通人工智能研究院)
在电子交易市场中,限价订单簿(LOB)提供关于给定证券在不同价格水平的待决买入/卖出订单的信息。最近,人们对使用LOB数据来解决下游机器学习任务(例如,预测)。然而,处理分布外(OOD)LOB数据是具有挑战性的,因为在当前公开可用的LOB数据集中,分布偏移是未标记的。因此,构建一个带有标记的OOD样本的合成LOB数据集作为开发模型的测试平台至关重要,这些模型可以很好地推广到看不见的场景。在这项工作中,我们利用多智能体市场模拟器来构建一个合成LOB数据集,命名为DSLOB,有和没有市场压力的情况下,它允许设计的控制分布转移基准。使用所提出的合成数据集,我们提供了一个全面的分析三种不同的国家的最先进的预测方法的预测性能。我们的研究结果反映了需要增加研究人员的努力,以开发具有鲁棒性的算法,在高频时间序列数据的分布变化。
2022-11-17 cs.AI cs.LG q-fin.ST
Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
Business School, University of Edinburgh(爱丁堡大学商学院)
本文提出一种结合双重竞争特征重要性机制与k-means聚类的高频交易股票预测方法,通过将k-means引入RBFNN实现自动特征选择与聚类,在20只标普500股票上验证了其有效性,消除了手动网格搜索并提升了中间价预测效率。
2024-12-27 cs.LG q-fin.ST
Learning to simulate realistic limit order book markets from data as a World Agent
J.P. Morgan AI Research(摩根大通人工智能研究院);Balyasny Asset Management, L.P.(巴利亚斯尼资产管理有限合伙公司)
多代理市场模拟器通常需要仔细校准以模拟真实市场,其中包括代理的数量和类型。校准不佳的模拟器可能会导致误导性的结论,在投资银行、对冲基金和交易员研究和评估交易策略时可能会造成严重损失。在本文中,我们提出了一个世界模型模拟器,准确地模拟一个限价订单簿市场-它不需要代理校准,而是直接从历史数据中学习模拟的市场行为。传统的方法无法学习和校准交易者群体,因为历史标记数据与每个交易者策略的细节并不公开。我们的方法建议从历史数据中学习独特的“世界”代理。它旨在模拟整体交易者群体,而不需要对个人市场代理策略做出假设。我们将我们的世界代理模拟器模型实现为条件生成对抗网络(CGAN)以及参数分布的混合,并将我们的模型与以前的工作进行比较。定性和定量,我们表明,所提出的方法始终优于以前的工作,提供更多的现实主义和响应能力。
2022-09-26 cs.GT cs.LG q-fin.CP
Detecting and Triaging Spoofing using Temporal Convolutional Networks
Department of Electrical and Electronic Engineering, Imperial College London(帝国理工学院电气与电子工程系)
提出一种基于时间卷积网络的弱监督框架,通过标记算法学习订单簿表示并结合专家评估或复杂算法进行相似性搜索,以检测和分流市场操纵行为。
2024-03-20 cs.CE cs.LG q-fin.CP