論文の概要: DiffVolume: Diffusion Models for Volume Generation in Limit Order Books

• arxiv url: http://arxiv.org/abs/2508.08698v1
• Date: Tue, 12 Aug 2025 07:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.334413
• Title: DiffVolume: Diffusion Models for Volume Generation in Limit Order Books
• Title（参考訳）: DiffVolume: リミットオーダーブックにおけるボリューム生成のための拡散モデル
• Authors: Zhuohan Wang, Carmine Ventre,
• Abstract要約: 我々は、将来のLOBのtextbfVolumeスナップショット(textbfDiffVolume)の生成のための条件付きtextbfDiffusionモデルを提案する。 DiffVolumeは過去の体積分布や空間相関,自己相関崩壊などの統計特性をよりよく再現できることを示す。
• 参考スコア（独自算出の注目度）: 1.5193212081459284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling limit order books (LOBs) dynamics is a fundamental problem in market microstructure research. In particular, generating high-dimensional volume snapshots with strong temporal and liquidity-dependent patterns remains a challenging task, despite recent work exploring the application of Generative Adversarial Networks to LOBs. In this work, we propose a conditional \textbf{Diff}usion model for the generation of future LOB \textbf{Volume} snapshots (\textbf{DiffVolume}). We evaluate our model across three axes: (1) \textit{Realism}, where we show that DiffVolume, conditioned on past volume history and time of day, better reproduces statistical properties such as marginal distribution, spatial correlation, and autocorrelation decay; (2) \textit{Counterfactual generation}, allowing for controllable generation under hypothetical liquidity scenarios by additionally conditioning on a target future liquidity profile; and (3) \textit{Downstream prediction}, where we show that the synthetic counterfactual data from our model improves the performance of future liquidity forecasting models. Together, these results suggest that DiffVolume provides a powerful and flexible framework for realistic and controllable LOB volume generation.
• Abstract（参考訳）: リミットオーダーブック(LOB)のダイナミクスをモデル化することは、市場マイクロ構造研究における根本的な問題である。 特に、時間的・流動性に依存したパターンが強い高次元ボリュームスナップショットを生成することは、ジェネレーティブ・アドバイサル・ネットワークのLOBへの応用を探求する最近の研究にもかかわらず、依然として難しい課題である。 本研究では,将来の LOB \textbf{DiffVolume} スナップショット(\textbf{DiffVolume} )の生成のための条件付き \textbf{Diff} 利用モデルを提案する。 我々は,(1)<textit{Realism},(2)<textit{Counterfactual generation},(2)<textit{Counterfactual generation},(2)<textit{Counterfactual generation},(3)<textit{Downstream prediction},(3)<textit{Downstream prediction},(3)<textit{Downstream prediction} の3つの軸でモデルを評価する。 これらの結果は、DiffVolumeが現実的で制御可能なLOBボリューム生成のための強力で柔軟なフレームワークを提供していることを示唆している。

関連論文リスト

• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• 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)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。