[论文解读] Deep Neural Networks in High Frequency Trading

Prakhar Ganesh, Puneet Rakheja|arXiv (Cornell University)|Sep 5, 2018

Stock Market Forecasting Methods参考文献 16被引用 6

一句话总结

本文提出了一种基于深度神经网络（DNN）的高频交易（HFT）模型，该模型结合了快速预测速度与高精度的短期股价走势预测能力。该模型在全天交易模拟中表现出色，凸显了深度学习在实时、数据密集型高频交易应用中的潜力。

ABSTRACT

The ability to give precise and fast prediction for the price movement of stocks is the key to profitability in High Frequency Trading. The main objective of this paper is to propose a novel way of modeling the high frequency trading problem using Deep Neural Networks at its heart and to argue why Deep Learning methods can have a lot of potential in the field of High Frequency Trading. The paper goes on to analyze the model's performance based on it's prediction accuracy as well as prediction speed across full-day trading simulations.

研究动机与目标

• 开发一种专为高频交易（HFT）设计的深度学习框架，实现对短期股价走势的快速且精确的预测。
• 评估深度神经网络在处理高频交易环境中典型的高速度、高噪声数据的可行性和性能。
• 在真实世界的高频交易模拟环境中，评估预测准确率和计算速度作为关键指标。

提出的方法

• 核心模型采用深度神经网络架构，用于处理高频市场数据，如订单簿失衡和价格变动。
• 网络在历史逐笔数据上进行端到端训练，以学习复杂的时间序列和价格模式。
• 通过模型架构选择和高效的推理流水线，优化预测速度，以满足实时高频交易需求。
• 通过模拟真实市场条件的全天交易模拟，评估模型性能。
• 关键输入包括微秒级分辨率的订单簿快照、成交量和价格变动。
• 对模型训练和推理的延迟进行评估，以确保其适用于低延迟交易系统。

实验结果

研究问题

• RQ1 深度神经网络是否能在高频交易环境中实现对短期价格走势的高精度预测？
• RQ2 在实时高频交易场景中，DNN模型的推理速度与传统统计模型相比如何？
• RQ3 模型延迟对全天模拟交易中整体盈利能力有何影响？
• RQ4 深度学习模型如何应对高频金融数据固有的噪声和波动性？

主要发现

• 深度神经网络模型在短期价格方向预测上实现了高准确率，优于基线统计模型。
• 该模型保持了低推理延迟，能够支持实时预测，适用于高频交易系统。
• 全天交易模拟显示了持续的盈利能力，表明该模型在长时间市场条件下的鲁棒性。
• 将深度学习集成到高频交易框架中，显著提升了价格预测的速度与准确性。