[论文解读] Using Deep Learning for price prediction by exploiting stationary limit order book features

Avraam Tsantekidis, Nikolaos Passalis+4 more|arXiv (Cornell University)|Oct 23, 2018

Stock Market Forecasting Methods被引用 8

一句话总结

本文提出一种新颖方法，通过计算相对于中价的归一化价格差异，从限价单簿（LOB）数据中提取平稳特征，从而实现对中价走势的高效深度学习（DL）预测。该方法通过稳定非平稳价格信号并增强高频金融数据的特征表示，显著提升了多种深度学习模型的性能，尤其在混合CNN-LSTM架构中表现突出，其性能优于独立的CNN和LSTM模型。

ABSTRACT

The recent surge in Deep Learning (DL) research of the past decade has successfully provided solutions to many difficult problems. The field of quantitative analysis has been slowly adapting the new methods to its problems, but due to problems such as the non-stationary nature of financial data, significant challenges must be overcome before DL is fully utilized. In this work a new method to construct stationary features, that allows DL models to be applied effectively, is proposed. These features are thoroughly tested on the task of predicting mid price movements of the Limit Order Book. Several DL models are evaluated, such as recurrent Long Short Term Memory (LSTM) networks and Convolutional Neural Networks (CNN). Finally a novel model that combines the ability of CNNs to extract useful features and the ability of LSTMs' to analyze time series, is proposed and evaluated. The combined model is able to outperform the individual LSTM and CNN models in the prediction horizons that are tested.

研究动机与目标

• 为解决金融深度学习中非平稳价格数据的挑战，通过从限价单簿（LOB）数据中提取平稳特征。
• 评估这些平稳特征在多种深度学习模型（包括CNN、LSTM及混合架构）中的有效性。
• 设计并验证一种新型CNN-LSTM模型，结合空间特征提取与序列时间建模，以提升价格预测性能。
• 证明平稳特征相比原始价格输入，可降低模型不稳定性并提高预测准确性。
• 探索未来改进方向，如注意力机制和智能采样，以实现更优的特征利用。

提出的方法

• 通过计算相对于中价的归一化价格差异，从限价单簿中推导出一组平稳特征，确保对绝对价格水平的不变性。
• 对不原生处理序列数据的模型（如SVM和MLP）采用50个深度事件的滑动窗口，生成固定大小的输入样本。
• 采用混合CNN-LSTM架构：CNN层从LOB深度中提取局部空间模式，LSTM层则建模时间步之间的时序依赖性。
• 训练过程中使用加权损失函数，以缓解数据集中存在的类别不平衡问题，提升训练稳定性。
• 对价格差异进行归一化，确保特征保持在稳定、有界的范围内，从而增强模型泛化能力与收敛性。
• 在相同特征集上评估多种模型（包括MLP、SVM、CNN、LSTM和CNN-LSTM），以确保比较的公平性与鲁棒性评估。

实验结果

研究问题

• RQ1 从限价单簿数据中提取的平稳特征是否能显著提升深度学习模型在预测中价走势方面的性能？
• RQ2 所提出的CNN-LSTM混合模型在预测准确率与训练稳定性方面，相较于独立的CNN与LSTM模型表现如何？
• RQ3 平稳特征在多大程度上减轻了金融时间序列中非平稳性的影响，尤其是在大幅价格波动期间？
• RQ4 与原始价格值相比，使用相对于中价的归一化价格差异作为特征，是否能带来更好的泛化能力并减少过拟合？
• RQ5 结合CNN的空间特征提取能力与LSTM的序列建模能力，在高频LOB数据中带来哪些关键优势？

主要发现

• 所提出的平稳特征在所有评估模型中（包括SVM、MLP、CNN和LSTM）均显著优于原始价格特征，归因于其归一化与内在平稳性。
• CNN-LSTM混合模型在测试数据上表现出更优的性能，展现出更高的预测准确率与更强的训练稳定性。
• 使用加权损失函数有效缓解了因类别不平衡导致的训练波动，实现了更可靠的收敛。
• 以中价为基准的价格差异作为特征，能突出有意义的微观结构信号，同时抑制绝对价格漂移带来的噪声。
• 基于平稳特征训练的模型在所有三类（上涨、下跌、盘整）中均获得更高的平均F1分数、精确率与召回率，表明多分类性能显著提升。
• 结果证实，特征平稳性是实现高效深度学习在高频金融数据中应用的关键因素，尤其在市场波动剧烈时表现突出。