[论文解读] Extending Deep Learning Models for Limit Order Books to Quantile Regression
本文提出一种深度学习架构，通过分位数回归（QR）利用限价订单簿（LOB）数据，联合建模多只股票的多头和空头头寸的多个分位数收益。通过结合卷积层进行特征提取和LSTM分支进行时序建模，该模型在预测性能和鲁棒性方面表现优异，尤其在组合分位数估计时，优于传统模型，在伦敦证券交易所（LSE）的五只股票数据上表现更优。
We showcase how Quantile Regression (QR) can be applied to forecast financial returns using Limit Order Books (LOBs), the canonical data source of high-frequency financial time-series. We develop a deep learning architecture that simultaneously models the return quantiles for both buy and sell positions. We test our model over millions of LOB updates across multiple different instruments on the London Stock Exchange. Our results suggest that the proposed network not only delivers excellent performance but also provides improved prediction robustness by combining quantile estimates.
研究动机与目标
- 为解决传统时间序列模型在非平稳、厚尾金融收益中的局限性，通过分位数回归结合深度学习进行改进。
- 通过同时估计多个分位数（如0.25、0.5、0.75）来更准确地建模收益分布，适用于多头和空头头寸。
- 通过约束优化组合分位数估计，提升预测鲁棒性。
- 证明使用一级订单簿价格（买卖价）而非中间价，可为日内交易策略提供更真实的收益估计。
提出的方法
- 一种深度神经网络架构，采用共享卷积层从原始10级LOB数据（每时间戳40个特征）中提取特征，随后为每个分位数配置独立的LSTM分支。
- 每个LSTM分支使用针对其目标分位数（如0.25、0.5、0.75）的分位数损失函数进行训练，实现对未来收益的条件分位数估计。
- 模型通过LOB更新序列预测未来100步的收益，捕捉时序依赖关系和订单簿动态。
- 采用约束优化（公式7）的预测组合策略，通过最优加权多个分位数估计以最小化预测误差。
- 模型在五只LSE股票的一年高频LOB数据上进行训练，训练、验证和测试集分别对应6、3、3个月的时间段。
- 性能通过MAE、MSE、MeAE和R²评分进行评估，并与零智能（重复性）基线进行归一化比较。
实验结果
研究问题
- RQ1深度学习模型能否利用原始LOB数据，联合估计多头和空头头寸的多个收益分位数？
- RQ2通过优化组合分位数估计是否能提升预测性能，相比单独使用各分位数模型？
- RQ3使用一级LOB价格（买价/卖价）与中间价相比，在估计日内交易策略的真实交易收益方面表现如何？
- RQ4随着预测时域增加（k=50、100、200），模型性能如何变化？
- RQ5在高频金融中，深度学习框架中的分位数回归是否能提供比标准点估计模型更好的鲁棒性和不确定性量化？
主要发现
- DeepLOB-QR在多头头寸收益预测中取得了最低的MAE（0.701）和MSE（0.462），以及最高的R²（0.010），优于AR、GLR、SVR和MLP基线模型。
- 预测组合变体DeepLOB-QR(C)进一步将多头头寸的R²提升至0.014，空头头寸提升至0.015，表明鲁棒性显著增强。
- 在100步预测时域下，模型保持强劲性能，MAE为0.701，MSE为0.461，显示跨时域的稳定性。
- 随着预测时域延长（k=200），性能下降，MAE升至0.701，MeAE升至0.864，表明不确定性增加。
- 模型的预测区间（如图4所示）有效捕捉了真实收益分布，0.25和0.75分位数在中位数周围形成可靠区间带。
- 结果证实，由于买卖价差变化驱动的收益动态不对称，必须分别建模多头和空头头寸的收益。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。