HLOB -- Information Persistence and Structure in Limit Order Books

我们介绍了一种新颖的大规模深度学习模型，用于限价订单簿中间价格变化的预测，并将其命名为“HLOB”。该模型 (i) 利用信息过滤网络，即三角形最大过滤图，来揭示交易量水平之间更深层次、非平凡的依赖结构；(ii) 借鉴了开创性的同调卷积神经网络类别，通过确定性的设计选择来处理底层系统的复杂性。我们在三个现实世界的限价订单簿数据集上对我们的模型进行了测试，每个数据集包括在纳斯达克交易的15只股票，我们系统地表征了HLOB优于最先进的架构的情况。我们的方法揭示了限价订单簿中信息的空间分布及其在预测时间范围内的退化情况，缩小了微观结构建模与基于深度学习的高频金融市场预测之间的差距。

本篇论文旨在通过引入一种新的深度学习模型HLOB，来预测限价单簿中的中间价格变化。该模型旨在解决高频金融市场中的微观结构建模和深度学习预测之间的差距问题。

本文的关键思路是利用信息过滤网络（TMFG）来揭示不同交易量级之间更深层次和非平凡的依赖结构，并从同调卷积神经网络的创新类中汲取灵感来保证处理底层系统的复杂性的确定性设计选择。

本文通过对三个真实的限价单簿数据集进行测试，每个数据集包含15只在纳斯达克交易的股票，并系统地表征了HLOB在哪些情况下优于现有的深度学习架构。实验设计合理，数据集丰富，还提供了开源代码。该方法揭示了限价单簿中信息的空间分布以及随着预测时间的增加而降低的情况，缩小了微观结构建模和基于深度学习的高频金融市场预测之间的差距。

在这个领域中，最近的相关研究包括：1.《A Deep Learning Framework for Limit Order Book Dynamics Prediction》；2.《Predicting Stock Prices with a Feature Fusion LSTM-CNN Model Using Hybrid Quantitative Features and Technical Indicators》；3.《A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long Short-Term Memory》等。