論文の概要: LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models

• arxiv url: http://arxiv.org/abs/2610.27100v1
• Date: Mon, 19 Oct 2026 18:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.448383
• Title: LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models
• Title（参考訳）: LOB-Impactベンチマーク:ジェネレーティブ・リミテッド・オーダーブックモデルにおける創発的市場への影響
• Abstract要約: ニューラルLOBジェネレータは,次世代の予測のみを訓練し,市場への影響が自然に現れることを示す。 5つのNASDAQストックにわたる5つの自己回帰モデルから生成されたメッセージフローに、実行スタイルのメタオーダーを注入する。 マーケットデータの生成モデルにおける創発的な影響を観察し、その指数は0.63から1.21の範囲で、従来の平方根の衝突法則0.5よりわずかに高い。
• 参考スコア（独自算出の注目度）: 12.233580420735592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realistic market impact is essential for generative limit order book (LOB) models to serve as world models for trading agents. If a simulator misprices this mechanism, agents learn policies that are optimal in the simulator but wrong in the real market. Existing metrics assess generated streams purely through distributional comparison with historical data, leaving counterfactual response to an agent's own orders largely unexplored. Here, we show that market impact emerges naturally in neural LOB generators trained solely for next-token prediction. We inject execution-style metaorders into the generated message flow of five autoregressive models across five NASDAQ stocks and measure the response using estimators from the empirical impact literature, validated on baselines whose physics is known in advance. Our benchmark evaluates any message-level generator in three phases: free generation (reading order-flow persistence against price diffusivity); metaorder injection (yielding the impact law's exponent and amplitude); and a post-execution window (measuring relaxation). In addition, comparing each visible injection to a blind, simulator-only control isolates the model's learned response from standard book mechanics. For every model on every stock, we measure how the impact responds as a function of cumulative metaorder participation. Interestingly, we observe emergent impact in generative models of market data, with exponents in the range of 0.63 to 1.21, slightly above the traditional 0.5 of the square-root law of impact. In the family of models tested, we are so far unable to observe impact decay during relaxation. We tentatively attribute this to the still-short context windows of the models. We release the benchmark as open source to validate future generative models for market data.
• Abstract（参考訳）: 現実的な市場影響は、取引代理店の世界モデルとして機能する生成的リミットオーダーブック(LOB)モデルにとって不可欠である。 もしシミュレーターがこの機構を誤った場合、エージェントはシミュレーターで最適だが現実の市場で間違っているポリシーを学ぶ。 既存のメトリクスは、過去のデータと分布の比較を通して生成されたストリームを純粋に評価し、エージェントの命令に対する反実的な応答は、ほとんど探索されていない。 ここでは,次世代の予測のためにのみ訓練されたニューラルLOBジェネレータにおいて,市場への影響が自然に現れることを示す。 我々は,5つのNASDAQストックに5つの自己回帰モデルから生成されたメッセージフローに,実行スタイルのメタオーダーを注入し,実験的な影響文献から推定器を用いて応答を測定する。 本ベンチマークでは, 自由生成(価格拡散率に対する秩序-流れの持続性を読み取る), メタオーダー注入(衝撃法指数および振幅の利得) および後実行ウィンドウ(緩和率の測定)の3段階におけるメッセージレベルジェネレータの評価を行った。 さらに、視覚的なインジェクションを盲目でシミュレータのみの制御と比較することで、標準の書籍力学からモデルの学習された応答を分離する。 すべての在庫のモデルについて、累積的メタオーダー参加の関数として影響がどのように反応するかを測定する。 興味深いことに、マーケットデータの生成モデルにおける創発的な影響を観察し、その指数は0.63から1.21の範囲で、従来の2乗根の法則の0.5よりわずかに上回っている。 実験されたモデル群では、緩和中の衝突減衰を観察できない。 仮にこれをモデルがまだ短いコンテキストウィンドウに当てはめます。 我々はこのベンチマークをオープンソースとして公開し、将来の市場データ生成モデルを検証する。

関連論文リスト

• What Do Foundation Models for Market Microstructure Learn? A Controlled Study with Synthetic Limit Order Books [52.171034819111945]
  我々は,潜在パラメータが知られているシミュレータから,GPTスタイルのモデルを順序流で学習する。 学習された予測は、トークン当たり1ミリナット以内のベイズ最適値と一致する。 実NASDAQデータでは、ゼロショット転送はシミュレーターが実際の流れをいかにうまくカバーするかによって設定される。
  論文  参考訳（メタデータ） (2026-10-14T12:38:49Z)
• Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
  本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。 トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
  論文  参考訳（メタデータ） (2026-09-15T10:06:03Z)
• Scalable Offline Model-Based RL with Action Chunks [60.80151356018376]
  モデルに基づく強化学習が、オフラインRLにおける複雑で長期のタスクに対処するためのスケーラブルなレシピを提供するかどうかを検討する。 我々はこのレシピを textbfModel-based RL with Action Chunks (MAC) と呼ぶ。 MAC はオフラインモデルベース RL アルゴリズムの中で,特に長期的タスクにおいて,最高の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2025-12-08T23:26:29Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• TRADES: Generating Realistic Market Simulations with Diffusion Models [4.308104021015939]
  金融市場は、高い統計ノイズ、非線形性、一定の進化を特徴とする複雑なシステムである。 我々は,現実的で応答性の高いリミットオーダーブック(LOB)市場シミュレーションを作成するタスクに対処する。 LOBシミュレーションのための新しいデノイング拡散確率エンジン(TRADES)を提案する。
  論文  参考訳（メタデータ） (2025-01-31T19:43:13Z)
• Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
  視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。 モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。 その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T17:59:59Z)
• LiveXiv -- A Multi-Modal Live Benchmark Based on Arxiv Papers Content [62.816876067499415]
  我々は、科学的ArXiv論文に基づくスケーラブルな進化型ライブベンチマークであるLiveXivを提案する。 LiveXivは、任意のタイムスタンプでドメイン固有の原稿にアクセスし、視覚的な問合せペアを自動的に生成することを提案する。 ベンチマークの最初のバージョンで、複数のオープンでプロプライエタリなLMM(Large Multi-modal Models)をベンチマークし、その挑戦的な性質を示し、モデルの真の能力を明らかにする。
  論文  参考訳（メタデータ） (2024-10-14T17:51:23Z)

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。