[论文解读] Universal features of price formation in financial markets: perspectives from Deep Learning

Justin Sirignano, Rama Cont|arXiv (Cornell University)|Mar 19, 2018

Complex Systems and Time Series Analysis被引用 21

一句话总结

本文提出了一种基于1,000只美国股票的高频订单簿数据的深度学习方法，构建了金融市场的通用、平稳的价格形成模型。该模型在所有股票的合并数据上进行训练，其样本外预测精度优于个股特定模型，并能泛化到未见股票，表明价格动态受长期时间范围内订单流与价格变动之间普遍的、路径依赖关系的支配。

ABSTRACT

Using a large-scale Deep Learning approach applied to a high-frequency database containing billions of electronic market quotes and transactions for US equities, we uncover nonparametric evidence for the existence of a universal and stationary price formation mechanism relating the dynamics of supply and demand for a stock, as revealed through the order book, to subsequent variations in its market price. We assess the model by testing its out-of-sample predictions for the direction of price moves given the history of price and order flow, across a wide range of stocks and time periods. The universal price formation model is shown to exhibit a remarkably stable out-of-sample prediction accuracy across time, for a wide range of stocks from different sectors. Interestingly, these results also hold for stocks which are not part of the training sample, showing that the relations captured by the model are universal and not asset-specific. The universal model --- trained on data from all stocks --- outperforms, in terms of out-of-sample prediction accuracy, asset-specific linear and nonlinear models trained on time series of any given stock, showing that the universal nature of price formation weighs in favour of pooling together financial data from various stocks, rather than designing asset- or sector-specific models as commonly done. Standard data normalizations based on volatility, price level or average spread, or partitioning the training data into sectors or categories such as large/small tick stocks, do not improve training results. On the other hand, inclusion of price and order flow history over many past observations is shown to improve forecasting performance, showing evidence of path-dependence in price dynamics.

研究动机与目标

• 探究是否存在一种跨金融资产的通用价格形成机制，且独立于个股特征。
• 检验在多只股票的合并数据上训练的深度学习模型是否能泛化到历史数据有限的未见金融工具。
• 评估价格预测模型在长周期和多样化市场条件下的平稳性与鲁棒性。
• 评估历史订单流在预测价格方向中的作用，挑战价格动态短期记忆的马尔可夫假设。

提出的方法

• 使用长短期记忆网络（LSTM）架构的深度神经网络，基于限价订单簿数据（买卖价、买卖量及订单流）的历史信息，预测下一次价格变动的方向。
• 模型在包含1,000只美国股票19个月内的数十亿笔交易和报价的大型高频数据集上进行训练。
• 在2015年6月至8月期间对50只股票进行样本外评估，比较模型性能与线性模型及个股特定深度学习模型的表现。
• 通过测试未包含在训练集中的股票，评估模型的泛化能力，重点关注新上市或数据稀疏的金融工具。
• 通过样本外价格方向预测准确率评估性能，消融研究比较了不同输入序列长度（如100个滞后与5,000个滞后）的模型表现。
• 测试了波动率或价格水平缩放等数据归一化技术，但未发现其能提升模型性能，表明模型捕捉到了内在的、尺度不变的动力学特征。

实验结果

研究问题

• RQ1 是否存在一种适用于不同股票和行业、独立于资产特定特征的通用、平稳价格形成机制？
• RQ2 一个在多只股票合并数据上训练的单一深度学习模型，是否能在样本外价格方向预测中优于个股特定模型？
• RQ3 将订单簿数据的长期历史序列（超过一个滞后）纳入模型是否能显著提升预测准确率，表明价格形成具有路径依赖性？
• RQ4 模型性能随时间如何变化？模型对金融数据中的制度转换或非平稳性是否具有鲁棒性？
• RQ5 模型能否泛化到训练数据中未包含的股票，特别是那些历史数据短或不完整的股票？

主要发现

• 在全部1,000只股票上联合训练的通用深度学习模型，在样本外价格方向预测中优于所有个股特定模型（线性和非线性），即使对于训练集中未包含的股票也表现更优。
• 该模型在所有测试时间段内均保持稳定的样本外准确率，包括训练窗口之外长达19个月的时间，表明其具有强大的平稳性。
• 与仅使用100个滞后相比，将5,000个历史滞后（约2小时）纳入输入序列可显著提升预测准确率，证明价格形成具有长期路径依赖性。
• 能够捕捉时间依赖关系的LSTM模型，优于将订单簿视为马尔可夫过程的前馈神经网络，证实记忆在价格动态中的重要性。
• 标准的数据归一化技术（如波动率缩放、价格水平归一化或基于行业的分组）未能提升模型性能，表明模型学习到了内在的、尺度不变的特征。
• 该模型能有效泛化到训练样本外的股票，无需重新训练即可对新上市或数据稀疏的股票实现可靠预测。