Deep Limit Order Book Forecasting

我们利用先进的深度学习方法，探索在纳斯达克交易所上交易的一组异构股票的高频限价订单簿中间价变化的可预测性。在此过程中，我们发布了“LOBFrame”，这是一个开源代码库，可以高效处理大规模的限价订单簿数据，并定量评估最先进的深度学习模型的预测能力。我们的结果有两个方面。我们证明了股票的微观结构特征影响深度学习方法的功效，而它们的高预测能力不一定对应于可操作的交易信号。我们认为，传统的机器学习指标无法充分评估限价订单簿背景下预测的质量。作为替代，我们提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学者和从业者提供了一条途径，以便能够对深度学习技术的应用、其范围和限制做出明智而健壮的决策，有效地利用限价订单簿的新兴统计特性。

探索利用深度学习方法预测NASDAQ交易所上一组异质股票的高频限价单簿中间价格变化的可行性，并提出一种新的操作框架来评估预测的实用性。

论文通过释放名为'LOBFrame'的开源代码库来高效处理大规模限价单簿数据，并量化评估最先进的深度学习模型的预测能力。论文提出了一种新的操作框架，通过专注于准确预测完整交易的概率来评估预测的实用性。

论文展示了股票的微观结构特征影响深度学习方法的有效性，并且高预测能力不一定对应可操作的交易信号。论文提出了一种新的操作框架来评估预测的实用性。LOBFrame是一个开源的代码库，可用于处理大规模限价单簿数据。该研究为学者和从业者提供了一种利用限价单簿的新方法。

最近在这个领域中的相关研究包括：'A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long Short-Term Memory'，'Forecasting High-Frequency Stock Market Prices Using Deep Learning and Hybrid Models'，'Deep Learning in Finance'等。