TABL-ABM: A Hybrid Framework for Synthetic LOB Generation
Ollie Olby, Rory Baggott, Namid Stillman
最近深度学习模型在金融交易中的应用加剧了对高保真金融时间序列数据的需求。 这种合成数据可用于补充历史数据,以训练大型交易模型。 生成式应用的最先进的模型通常依赖于大量的历史数据和大型复杂模型。 这些模型从自回归和基于扩散的模型到架构上更简单的模型,如时间注意力双线性层。 基于代理的建模限制订单书动态的方法也可以通过交易者行为的机械模型重现交易活动。 在这项工作中,我们展示了一个基于代理的模拟日内交易活动框架Chiarella模型如何与预测多变量时间序列的最具性能的深度学习模型之一TABL模型相结合。 这种预测模型与匹配引擎的模拟与模拟已删除订单流的新方法相结合。 我们的模拟器使我们能够使用程式化的事实来测试预测模型的生成能力。 我们的结果表明,这种方法产生了现实的价格动态,然而,在分析更深的时候,部分市场微观结构没有准确重现,突出了将更复杂的代理行为纳入建模框架以帮助解释尾部事件的必要性。
The recent application of deep learning models to financial trading has heightened the need for high fidelity financial time series data. This synthetic data can be used to supplement historical data to train large trading models. The state-of-the-art models for the generative application often rely on huge amounts of historical data and large, complicated models. These models range from autoregressive and diffusion-based models through to architecturally simpler models such as the temporal-atte...
