[论文解读] Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid Methodology

Zijian Shi, John Cartlidge|arXiv (Cornell University)|Feb 28, 2023

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出了一种混合神经随机自适应市场模型（NS-ABM），将基于真实限价订单簿（LOB）数据通过神经点过程训练的、数据驱动的神经随机背景交易员（BT）整合进自适应市场仿真框架。该模型成功复现了真实市场的关键典型事实，并在与趋势交易和价值交易代理交互时展现出真实的订单流影响与羊群行为。

ABSTRACT

Modern financial exchanges use an electronic limit order book (LOB) to store bid and ask orders for a specific financial asset. As the most fine-grained information depicting the demand and supply of an asset, LOB data is essential in understanding market dynamics. Therefore, realistic LOB simulations offer a valuable methodology for explaining empirical properties of markets. Mainstream simulation models include agent-based models (ABMs) and stochastic models (SMs). However, ABMs tend not to be grounded on real historical data, while SMs tend not to enable dynamic agent-interaction. To overcome these limitations, we propose a novel hybrid LOB simulation paradigm characterised by: (1) representing the aggregation of market events' logic by a neural stochastic background trader that is pre-trained on historical LOB data through a neural point process model; and (2) embedding the background trader in a multi-agent simulation with other trading agents. We instantiate this hybrid NS-ABM model using the ABIDES platform. We first run the background trader in isolation and show that the simulated LOB can recreate a comprehensive list of stylised facts that demonstrate realistic market behaviour. We then introduce a population of `trend' and `value' trading agents, which interact with the background trader. We show that the stylised facts remain and we demonstrate order flow impact and financial herding behaviours that are in accordance with empirical observations of real markets.

研究动机与目标

• 解决传统自适应市场模型（ABM）缺乏真实市场数据支撑，以及随机模型（SM）缺乏交互性的问题。
• 开发一种结合数据驱动随机建模真实感与自适应系统动态交互能力的仿真框架。
• 通过模拟订单提交引发的市场响应，实现对交易策略的实时动态回测。
• 研究市场结构与行为如何从数据驱动的背景交易员与异质交易代理之间的交互中涌现。
• 证明该模型在保持真实金融市场关键典型事实的同时，能够实现对订单流影响与羊群行为的分析。

提出的方法

• 利用基于状态的并行神经霍克斯过程，在历史二级限价订单簿（LOB）数据上训练神经随机背景交易员（BT），以建模市场整体订单事件的聚合。
• 将预训练的BT集成进ABIDES开源自适应市场仿真框架，以模拟具有动态代理交互的现实市场环境。
• 通过从真实LOB数据中学习价格与成交量动态，使背景交易员能够随机采样出真实的订单事件流。
• 通过模拟BT与“趋势”及“价值”交易代理群体之间的交互，评估市场行为的涌现特性。
• 在受控仿真条件下，将总价格影响分解为“基础”影响（仅由订单提交引起）与“订单流”影响（由市场对订单流的反应引起）。
• 使用均值回归随机过程生成外生基本面价值以供回测，从而实现对交易策略的动态评估。

实验结果

研究问题

• RQ1 在孤立运行时，基于真实LOB数据训练的神经随机背景交易员能否复现真实金融市场的关键典型事实？
• RQ2 引入异质交易代理（趋势交易者与价值交易者）后，仿真市场中典型事实的保持程度如何？
• RQ3 市场对订单流的动态响应程度如何？这种响应如何随订单量变化？
• RQ4 该模型能否以反映真实市场动态的方式，分离并量化“基础”价格影响与“订单流”影响？
• RQ5 NS-ABM框架能否作为交易策略的现实动态回测环境？

主要发现

• 当独立运行时，神经随机背景交易员成功复现了真实金融市场的十个关键典型事实。
• 引入“趋势”与“价值”交易代理后，典型事实依然得以保持，证实了背景交易员建模真实性的稳健性。
• 基础价格影响随订单量（λ）单调增加，并在交易停止后保持不变，反映了仅由订单提交引起的永久性影响。
• 订单流影响随λ呈超线性增长，表明更高订单量会触发更强的市场反应，导致价格涨幅超过其自然水平。
• 该模型成功将总价格影响分解为两部分：‘基础’影响（由订单提交引起）与‘订单流’影响（由市场反应引起），实现了对市场影响的精细化分析。
• NS-ABM框架通过使市场行为能够响应策略行为，实现了动态回测，为传统回测提供了更具现实感的替代方案。