[论文解读] Machine Learning for Forecasting Mid Price Movement using Limit Order Book Data

Paraskevi Nousi, Avraam Tsantekidis+6 more|arXiv (Cornell University)|Sep 19, 2018

Stock Market Forecasting Methods参考文献 52被引用 4

一句话总结

本文提出了一种机器学习框架，结合手工设计的限价订单簿（LOB）特征与通过自编码器和词袋模型学习到的表征，以预测高频交易中的中间价走势。该方法在多个时间范围内均实现了显著的预测性能，其中手工特征与混合表征的结合表现最佳，尤其在与多层感知机（MLP）分类器结合时效果显著。

ABSTRACT

Forecasting the movements of stock prices is one the most challenging problems in financial markets analysis. In this paper, we use Machine Learning (ML) algorithms for the prediction of future price movements using limit order book data. Two different sets of features are combined and evaluated: handcrafted features based on the raw order book data and features extracted by ML algorithms, resulting in feature vectors with highly variant dimensionalities. Three classifiers are evaluated using combinations of these sets of features on two different evaluation setups and three prediction scenarios. Even though the large scale and high frequency nature of the limit order book poses several challenges, the scope of the conducted experiments and the significance of the experimental results indicate that Machine Learning highly befits this task carving the path towards future research in this field.

研究动机与目标

• 探究限价订单簿（LOB）数据是否包含足够的预测信息，用于预测高频交易中的中间价走势。
• 评估手工金融特征与机器学习提取的表征（如自编码器、BoF）在预测未来价格方向方面的有效性。
• 比较多种分类器（SVM、MLP、SLFN）在不同特征表征和预测时间范围下的性能表现。
• 解决高频金融预测中的实际挑战，如类别不平衡、高数据速率和实时性约束。
• 确定学习到的表征是否能改善或补充传统金融特征在预测股票价格趋势中的表现。

提出的方法

• 本研究使用高频限价订单簿数据作为输入，捕捉多个价格水平和时间点的买入与卖出报价。
• 提取两类特征：(1) 基于金融专业知识的手工特征（如买卖价差、不平衡度、订单流），(2) 使用自编码器（AE）和词袋（BoF）模型学习到的表征。
• 特征表征包括原始拼接（concat）、平均值、最后时刻值以及混合形式（如最后+平均、最后 ⊕ BoF），其维度范围从24到720不等。
• 采用两种实验设置——保留测试与向前滚动验证——训练并评估多种分类器（SVM、MLP、SLFN），以评估泛化能力和实时性能。
• 使用Friedman检验和Nemenyi事后分析评估统计显著性，比较不同场景下分类器与特征表征的性能差异。
• 评估涵盖三种预测场景：下一个样本的即时预测、未来5个样本的平均走势预测，以及未来10个样本的平均走势预测。

实验结果

研究问题

• RQ1 机器学习模型能否仅基于限价订单簿数据有效预测中间价走势？
• RQ2 手工金融特征在预测价格方向方面的性能与机器学习提取的表征相比如何？
• RQ3 在不同时间范围内，哪种特征表征与分类器的组合能实现最高的预测准确率？
• RQ4 输入表征的维度是否影响模型性能？是否存在计算效率与预测能力之间的权衡？
• RQ5 在高频金融数据常见的实时约束与类别不平衡条件下，各类分类器的表现如何？

主要发现

• MLP分类器在所有场景下均优于SVM与SLFN，且与SLFN相比具有统计显著优势，尽管MLP与SVM在α=0.1水平下差异不显著。
• 包含时间信息的手工特征——尤其是平均值与最后+平均表征——实现了最精确的预测，显著优于其他表征形式。
• 尽管维度相同，平均值表征优于最后时刻表征，原因在于其通过平均实现的降噪效应。
• BoF与最后 ⊕ BoF表征表现良好，但其性能随输入维度降低而下降，表明效率与判别能力之间存在权衡。
• 将手工特征与学习到的特征结合可提升预测性能，表明机器学习提取的特征揭示了传统特征未捕捉到的潜在辅助知识。
• Friedman检验强烈拒绝原假设（p=5.5×10⁻³⁵），证实至少有一种特征表征或分类器的性能显著不同，Nemenyi检验进一步识别出最有效的配置组合。