[論文レビュー] Deep Limit Order Book Forecasting

Antonio Briola, Silvia Bartolucci+1 more|arXiv (Cornell University)|Mar 14, 2024

Mathematics, Computing, and Information Processing被引用数 5

ひとこと要約

本論文は、リミットオーダーブックのマイクロ構造とミッドプライス変動の予測可能性を DeepLOB を用いて結びつけ、LOBFrame フレームワークを公開し、標準的な指標を超えた予測の実務的評価を提案する。

ABSTRACT

We exploit cutting-edge deep learning methodologies to explore the predictability of high-frequency Limit Order Book mid-price changes for a heterogeneous set of stocks traded on the NASDAQ exchange. In so doing, we release `LOBFrame', an open-source code base to efficiently process large-scale Limit Order Book data and quantitatively assess state-of-the-art deep learning models' forecasting capabilities. Our results are twofold. We demonstrate that the stocks' microstructural characteristics influence the efficacy of deep learning methods and that their high forecasting power does not necessarily correspond to actionable trading signals. We argue that traditional machine learning metrics fail to adequately assess the quality of forecasts in the Limit Order Book context. As an alternative, we propose an innovative operational framework that evaluates predictions' practicality by focusing on the probability of accurately forecasting complete transactions. This work offers academics and practitioners an avenue to make informed and robust decisions on the application of deep learning techniques, their scope and limitations, effectively exploiting emergent statistical properties of the Limit Order Book.

研究の動機と目的

• 株式のマイクロ構造特性を、さまざまなホライズンにわたるミッドプライス動きの予測可能性と結びつける。
• 異種株式セットに対する NASDAQ LOB データでの最先端深層学習予測（DeepLOB）の評価。
• 再現性と堅牢性を高めるオープンソースのデータ処理・予測ベンチマーク（LOBFrame）を提供。
• 高い予測力と実用的な取引シグナルのギャップを論じ、実務的な評価フレームワークを提案。

提案手法

• LOB とミッドプライスメトリクスを定義し、15銘柄にわたるマイクロ構造特徴を形式化。
• LOB 予測のために DeepLOB アーキテクチャを採用（空間間階層ダイナミクスには CNN、時系列依存には LSTM）。
• 大規模 LOB データ処理、モデル訓練、検証、取引シミュレーション評価のためのオープンソースパイプラインである LOBFrame を開発・公開。
• 非定常性への対処とデータリーク回避のため、5日間の特徴量ごとの z-score 正規化を使用。
• ホライズン HΔτ ∈ {10, 50, 100} でミッドプライス動向を、ティックサイズ θ に基づく three-class scheme（Down, Stable, Up）でラベル付け。
• 3つのホライズンと、マイクロ構造ティック特性が異なる複数の株グループにわたって予測を評価。

実験結果

リサーチクエスチョン

• RQ1 マイクロ構造株式特性は、ディープラーニング LOB 予測モデルの性能にどのような影響を与えるか？
• RQ2 DeepLOB の高い予測力は実際に実用的な取引シグナルへ転用できるか？
• RQ3 標準化された LOB データ処理と評価フレームワークは、LOB 予測研究の再現性と堅牢性を改善するか？
• RQ4 ホライズンとティックサイズのレジームがミッドプライス動きの予測可能性においてどのような役割を果たすか？

主な発見

• DeepLOB を用いた予測性能は最先端だが、マイクロ構造株式特性によって変動する。
• モデルの高い予測力が必ずしも実用的な取引シグナルを生むとは限らない。
• 伝統的な ML 指標は LOB 文脈で予測品質を捉えきれない可能性があり、代替の性能フレームワークを促す。
• LOBFrame はデータ処理、モデル訓練、検証、評価のための柔軟なオープンソースパイプラインを提供。
• LOB予測のシミュレーションと現実のギャップを定量化する実践的なアプローチを提示。
• 2017–2019 年にかけて、ホライズンおよび株グループ（小刻みティック、中刻みティック、大刻みティック）間でクラス分布の不均質性を実証。