論文の概要: The LOB Recreation Model: Predicting the Limit Order Book from TAQ
History Using an Ordinary Differential Equation Recurrent Neural Network
- arxiv url: http://arxiv.org/abs/2103.01670v1
- Date: Tue, 2 Mar 2021 12:07:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 12:23:14.288008
- Title: The LOB Recreation Model: Predicting the Limit Order Book from TAQ
History Using an Ordinary Differential Equation Recurrent Neural Network
- Title（参考訳）: LOBレクリエーションモデル:正規微分方程式リカレントニューラルネットワークを用いたTAQ履歴からのリミットオーダーブックの予測
- Authors: Zijian Shi, Yu Chen, John Cartlidge
- Abstract要約: LOBレクリエーションモデルは,小額株の公開制限注文書(LOB)のトップ5価格レベルを再現するための,ディープラーニングの観点からの最初の試みである。
トランスファーラーニングのパラダイムにより、同じクラスの他の金融資産に適用できるように、ある株式で訓練されたソースモデルを微調整することができる。
- 参考スコア（独自算出の注目度）: 9.686252465354274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In an order-driven financial market, the price of a financial asset is
discovered through the interaction of orders - requests to buy or sell at a
particular price - that are posted to the public limit order book (LOB).
Therefore, LOB data is extremely valuable for modelling market dynamics.
However, LOB data is not freely accessible, which poses a challenge to market
participants and researchers wishing to exploit this information. Fortunately,
trades and quotes (TAQ) data - orders arriving at the top of the LOB, and
trades executing in the market - are more readily available. In this paper, we
present the LOB recreation model, a first attempt from a deep learning
perspective to recreate the top five price levels of the LOB for small-tick
stocks using only TAQ data. Volumes of orders sitting deep in the LOB are
predicted by combining outputs from: (1) a history compiler that uses a Gated
Recurrent Unit (GRU) module to selectively compile prediction relevant quote
history; (2) a market events simulator, which uses an Ordinary Differential
Equation Recurrent Neural Network (ODE-RNN) to simulate the accumulation of net
order arrivals; and (3) a weighting scheme to adaptively combine the
predictions generated by (1) and (2). By the paradigm of transfer learning, the
source model trained on one stock can be fine-tuned to enable application to
other financial assets of the same class with much lower demand on additional
data. Comprehensive experiments conducted on two real world intraday LOB
datasets demonstrate that the proposed model can efficiently recreate the LOB
with high accuracy using only TAQ data as input.
- Abstract（参考訳）: 注文主導の金融市場において、金融資産の価格は、公開制限命令書(LOB)に掲載される注文(特定の価格で売買する要求)の相互作用によって発見される。
したがって、LOBデータは市場ダイナミクスをモデル化するのに非常に有用である。
しかし、lobのデータは自由にアクセスできないため、市場参加者や研究者はこの情報を活用したいと考えている。
幸いなことに、LOBの一番上に届く注文と市場で実行される取引(Trates and quotes)データ(TAQ)は、より容易に利用できます。
本稿では, TAQデータのみを用いて, 小型株に対するLOBのトップ5価格レベルを再現するための, 深層学習の観点からの最初の試みであるLOBレクリエーションモデルを提案する。
1)ゲートリカレントユニット(gru)モジュールを使用して、関連する引用履歴を選択的にコンパイルするヒストリコンパイラ、(2)通常微分方程式リカレントニューラルネットワーク(ode-rnn)を使用してネット注文の蓄積をシミュレートするマーケットイベントシミュレータ、(3)(1)と(2)によって生成された予測を適応結合する重み付けスキーム、の出力を組み合わせることにより、lobの奥深くに位置するオーダー数を予測する。
転送学習のパラダイムにより、1つの株で訓練されたソースモデルは、追加データに対する需要がはるかに少ない同じクラスの他の金融資産に適用できるように微調整することができる。
2つの実世界のLOBデータセットに対して行われた総合的な実験により、提案モデルはTAQデータのみを入力として、高い精度でLOBを効率的に再現できることを示した。
関連論文リスト
- Generative AI for End-to-End Limit Order Book Modelling: A Token-Level
Autoregressive Generative Model of Message Flow Using a Deep State Space
Network [7.54290390842336]
本稿では,トークン化制限順序帳(LOB)メッセージを生成するエンドツーエンドの自動回帰生成モデルを提案する。
NASDAQ の株式 LOB を用いて、メッセージデータのためのカスタムトークン化器を開発し、逐次桁の群をトークンに変換する。
結果は,低モデルパープレキシティによって証明されたように,データの分布を近似する上で有望な性能を示す。
論文 参考訳（メタデータ） (2023-08-23T09:37:22Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳（メタデータ） (2023-04-15T19:22:37Z) - Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid
Methodology [6.09170287691728]
現代の金融取引所は電子的リミット・オーダー・ブック(LOB)を使用して入札を保管し、特定の金融資産の受注を要求する。
ニューラルポイントモデルを用いて過去のLOBデータに基づいて事前訓練されたニューラルバックグラウンドトレーサによるマーケットイベントのロジックの集約を表現するハイブリッドLOBシミュレーションと、他のトレーサとのマルチエージェントシミュレーションに背景トレーサを組み込んだハイブリッドLOBシミュレーションを提案する。
このスタイル化された事実は残っており、実市場の経験的観察に則った秩序流の影響と財政的放牧行動を示す。
論文 参考訳（メタデータ） (2023-02-28T20:53:39Z) - DSLOB: A Synthetic Limit Order Book Dataset for Benchmarking Forecasting
Algorithms under Distributional Shift [16.326002979578686]
電子取引市場において、リミットオーダーブック(LOB)は、所定のセキュリティのための様々な価格レベルで、保留中の購入/販売注文に関する情報を提供する。
近年、下流機械学習タスクの解決にLOBデータを使うことへの関心が高まっている。
論文 参考訳（メタデータ） (2022-11-17T06:33:27Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳（メタデータ） (2022-03-07T18:59:54Z) - Knowledge-driven Active Learning [70.37119719069499]
アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。
ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。
本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
論文 参考訳（メタデータ） (2021-10-15T06:11:53Z) - The Limit Order Book Recreation Model (LOBRM): An Extended Analysis [2.0305676256390934]
マイクロ構造秩序書(LOB)は、金融資産の細かな先進需要と供給関係を描いている。
LOBRMは最近、貿易と引用(TAQ)データからLOBを合成することで、このギャップを埋めることを提案した。
我々はLOBRMの研究を拡張し、実世界のアプリケーションシナリオでの利用をさらに検証する。
論文 参考訳（メタデータ） (2021-07-01T15:25:21Z) - Deep Learning for Market by Order Data [7.274325784456261]
注文による市場(MBO)データは、取引所で与えられた株式の個々の取引指示の詳細なフィードです。
MBOデータは、主にリミットオーダーブック(LOB)に焦点を当てた現在の学術文献によって無視されます。
データ構造を慎重に紹介し、特定の正規化スキームを提示することにより、MBOデータに関する最初の予測分析を提供します。
MBO駆動モデルとLOB駆動モデルはそれぞれ同様の性能を提供するが、両者のアンサンブルは予測精度の向上につながる可能性がある。
論文 参考訳（メタデータ） (2021-02-17T15:16:26Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳（メタデータ） (2021-02-15T07:22:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。