論文の概要: ReLOBGen: Replayable Limit Order Book Message Generation

• arxiv url: http://arxiv.org/abs/2609.35867v1
• Date: Sat, 26 Sep 2026 12:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.869308
• Title: ReLOBGen: Replayable Limit Order Book Message Generation
• Title（参考訳）: ReLOBGen: Replayable Limit Order Book Message Generation
• Abstract要約: ReLOBGenは、構成によって再生可能な制限順序書(LOB)メッセージを生成する方法である。 100%再生性を実現し、市場リアリズムを改善し、2.7text-3.6times$ speedup per replayed message over the LOBS5 baselineを提供する。
• 参考スコア（独自算出の注目度）: 39.0856330636383
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose ReLOBGen, a method for generating limit order book (LOB) messages that are replayable by construction. Replayability is required for closed-loop market simulation, yet existing LOB message generators may produce non-replayable raw messages, i.e., messages inconsistent with the current market state. These generators therefore rely on post-hoc correction or rejection followed by resampling, which may alter the replayed message distribution or increase inference cost. ReLOBGen instead ensures replayability during generation: it selects the referenced order from the resting orders in the current LOB and then generates the remaining message fields to be consistent with that order and the market state. For realistic reference selection, ReLOBGen samples from a learned distribution over eligible resting orders, efficiently computed from cached order representations and a context-dependent query. It then enforces the consistency of the remaining fields by masking out invalid tokens. Together, these components enable efficient generation of realistic messages without post-hoc correction or resampling. In 500-message rollouts, ReLOBGen achieves 100% replayability, improves market realism, particularly for top-of-book statistics and the relative prices of LOB messages, and provides a $2.7\text{-}3.6\times$ speedup per replayed message over the LOBS5 baseline.
• Abstract（参考訳）: 構成により再生可能なリミットオーダーブック(LOB)メッセージを生成する方法であるReLOBGenを提案する。 クローズドループ市場シミュレーションには再生可能性が必要であるが、既存のLOBメッセージジェネレータは再生不能な生メッセージを生成する可能性がある。 したがって、これらのジェネレータはポストホック修正や再サンプリングに頼り、リプレイされたメッセージの配布を変更したり、推論コストを増加させたりすることができる。 ReLOBGenは、現在のLOBの残り順序から参照された順序を選択し、その順序と市場状態に整合した残りのメッセージフィールドを生成する。 現実的な参照選択のために、ReLOBGenは、キャッシュされた順序表現とコンテキスト依存クエリから効率よく計算された、許容可能な静止順序上の学習分布からサンプルをサンプリングする。 その後、無効トークンをマスキングすることで、残りのフィールドの一貫性を強制する。 これらのコンポーネントが組み合わさって、ポストホックの修正や再サンプリングなしに、現実的なメッセージの効率的な生成を可能にします。 500-messageのロールアウトでは、ReLOBGenは100%のリプレイ可能性を実現し、特にトップ・オブ・ブックの統計とLOBメッセージの相対価格に対して市場リアリズムを改善し、2.7\text{-}3.6\times$ speedup per replayed message over the LOBS5 baselineを提供する。

関連論文リスト

• Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
  Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。 Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。 Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
  論文  参考訳（メタデータ） (2026-09-29T07:58:49Z)
• ResiSpec: Enhancing Multi-Candidate Speculative Sampling via Residual Distribution Shaping [79.1905186547363]
  ResiSpecは、検証中に提案の配布を戦略的に改革するフレームワークである。 候補の偏光を防止し、最先端のマルチ候補法よりも最大1.92$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-08-25T11:25:55Z)
• Don't Repeat Yourself: Stopping Verbatim Loops at Sampling Time [7.915227100714005]
  大規模言語モデルはテキストを自動回帰的に生成するが、オープンエンド生成は動詞のループの傾向が強い。 我々は,現在の接尾辞を,コンテキストの早い段階で見られるスパンの正確な連続に拡張する場合にのみ,候補トークンをペナルティ化するサンプリングタイムロジット調整であるDon't Repeat Yourself (DRY)を提案する。 DRYは、llama、ExLlamaV2、text-generation-webuiなど、人気のあるオープンソース推論フレームワークで採用されている。
  論文  参考訳（メタデータ） (2026-08-24T03:33:39Z)
• TI-StegoAlign: Channel-Guided Post-Training for Generative Text Steganography under Tokenization Inconsistency [20.336143930874993]
  LLMエージェントはタスク関連メッセージを通じて秘密情報を交換する。 ほとんどの方法は送信側トークンのリカバリを評価するが、受信側は表面テキストのみを観察する。 脱トークン化とレシーバ側再トークン化はトークン境界を変更し、コーディング状態をデ同期させ、そのような評価をレシーバ側リカバリを過大評価する。 本稿では,チャネル誘導後学習フレームワークTI-StegoAlignを提案する。
  論文  参考訳（メタデータ） (2026-08-01T01:45:50Z)
• Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights [58.27172968382275]
  マルチエージェントLLMシステムは、通常自然言語メッセージを交換することで協調する。 送信者のメッセージを受信者のコンテキストに付加する代わりに、送信者の隠された状態を過渡的で受信者固有の重み摂動にコンパイルする。
  論文  参考訳（メタデータ） (2026-05-13T17:58:32Z)
• LOBERT: Generative AI Foundation Model for Limit Order Book Messages [52.54676013594764]
  LOBERTは,金融リミットオーダーブック(LOB)データのための汎用エンコーダのみの基盤モデルである。 LOBERTは、完全な多次元メッセージを単一トークンとして扱う新しいトークン化スキームを使用して、LOBデータに独自のBERTアーキテクチャを適用する。 これらの手法により、LOBRTは、中間価格の動きや次のメッセージの予測などのタスクにおいて、主要なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-16T11:42:48Z)
• Reranking Laws for Language Generation: A Communication-Theoretic Perspective [23.375569123152324]
  我々は、並列ノイズチャネルを通じてメッセージの複数の記述を送信する送信機としてジェネレータを概念化する。 リランカが不完全である場合であっても、このプロトコルがエラーのない条件を提供する。 我々は,大規模な言語モデルを用いて,実世界の2つの課題に対して経験的に検証する法則の再定式化のために,我々の枠組みを利用する。
  論文  参考訳（メタデータ） (2024-09-11T09:27:50Z)
• PALM: Pre-training an Autoencoding&Autoregressive Language Model for Context-conditioned Generation [92.7366819044397]
  自己指導型事前学習は、自然言語の理解と生成のための強力な技術として登場した。 本研究は,大規模未ラベルコーパス上で自己エンコーディングと自己回帰言語モデルを共同で事前学習する新しいスキームをPALMに提示する。 広範な実験により、PALMは様々な言語生成ベンチマークにおいて、新しい最先端の結果を達成することが示されている。
  論文  参考訳（メタデータ） (2020-04-14T06:25:36Z)

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。