[论文解读] The Short-Term Predictability of Returns in Order Book Markets: a Deep Learning Perspective

Lorenzo Lucchese, Mikko S. Pakkanen+1 more|arXiv (Cornell University)|Nov 24, 2022

Stock Market Forecasting Methods被引用 8

一句话总结

本文利用深度学习研究高频订单簿市场的短期可预测性，提出了一种新型的订单簿数据体积表示方法。结果表明，订单簿动态在多个股票和时间跨度上可显著预测中价回报，且该体积表示显著提升了模型性能。

ABSTRACT

In this paper, we conduct a systematic large-scale analysis of order book-driven predictability in high-frequency returns by leveraging deep learning techniques. First, we introduce a new and robust representation of the order book, the volume representation. Next, we carry out an extensive empirical experiment to address various questions regarding predictability. We investigate if and how far ahead there is predictability, the importance of a robust data representation, the advantages of multi-horizon modeling, and the presence of universal trading patterns. We use model confidence sets, which provide a formalized statistical inference framework particularly well suited to answer these questions. Our findings show that at high frequencies predictability in mid-price returns is not just present, but ubiquitous. The performance of the deep learning models is strongly dependent on the choice of order book representation, and in this respect, the volume representation appears to have multiple practical advantages.

研究动机与目标

• 探究高频订单簿市场中的收益是否可被订单簿数据可预测地驱动，以挑战超高频市场效率的假设。
• 评估不同订单簿数据表示方法对深度学习模型预测收益性能的影响。
• 评估深度学习模型在多时间跨度和多只股票上进行泛化的可行性。
• 提供一个基于模型置信集的正式统计推断框架，以严格评估预测性能。

提出的方法

• 提出一种名为“体积表示”的新型订单簿表示方法，通过时间序列上在买盘和卖盘各价格档位的挂单量进行编码。
• 采用基于卷积和循环神经网络层的深度学习架构，包含具有多种时间感受野大小的残差模块，以捕捉多尺度动态。
• 使用带有注意力机制的序列到序列模型，实现对中价回报方向（上涨、下跌、持平）在未来多个时间步的多时间跨度预测。
• 应用模型置信集（MCS）方法，对不同模型和表示方法的预测性能进行正式比较，确保统计稳健性。
• 在多个股票的高频纳斯达克数据上训练和评估模型，采用统一的深度学习流水线并共享超参数。
• 整合时间卷积网络与长短期记忆（LSTM）单元，以建模订单簿动态中的局部与长期依赖关系。

实验结果

研究问题

• RQ1 高频市场中的订单簿数据是否对未来的中价回报具有统计显著的可预测性？若有，这种可预测性可提前多远？
• RQ2 订单簿表示方法的选择，特别是所提出的体积表示，如何影响深度学习模型的预测性能？
• RQ3 单一深度学习模型是否能有效实现多时间跨度的收益预测（即多时间跨度建模）？与单时间跨度模型相比，其性能是否有所提升？
• RQ4 是否存在跨不同股票的普遍交易模式，使得单一模型可在多只股票上实现有效泛化？

主要发现

• 订单簿市场的高频收益表现出广泛且统计显著的可预测性，所有测试股票和时间跨度上的性能均持续优于随机猜测。
• 与传统表示方法相比，订单簿的体积表示在预测准确率方面显著更优，展现出在多只股票上的稳健性与泛化能力。
• 采用注意力机制的序列到序列多时间跨度建模相比单时间跨度模型提升了预测性能，表明联合建模未来收益轨迹可增强学习效果。
• 在一只股票上训练的单一深度学习模型可合理泛化至其他股票，表明订单簿动态中存在普遍的、跨资产的交易模式。
• 模型置信集分析证实，采用体积表示的模型在统计上显著优于其他替代方案，p值表明对这一表示优越性的信心强烈。
• 不同表示方法的模型性能差距显著，其中体积表示在所有时间跨度上的平均分类准确率约为58%，远高于50%的基准水平。