SimLOB: Learning Representations of Limited Order Book for Financial Market Simulation

金融市场模拟（FMS）是了解市场异常和潜在交易行为的有前途的工具。为了确保高保真的模拟，关键是校准FMS模型以生成与观察到的市场数据非常相似的数据。以前的努力主要集中在校准中间价格数据上，导致市场活动的基本信息丢失，从而导致校准模型的偏差。限价订单簿（LOB）数据是完全捕捉市场微观结构的基本数据，被全球交易所采用。然而，由于其表格结构不适合向量化输入要求，LOB不适用于现有的校准目标函数。本文提出使用基于Transformer的自编码器明确学习LOB的向量化表示。然后，捕捉LOB主要信息的潜在向量可以用于校准。广泛的实验表明，学习的潜在表示不仅保留了时间轴上的非线性自相关性，还保留了LOB连续价格水平之间的先后关系。此外，验证了表示学习阶段的性能与下游校准任务的一致性。因此，这项工作也是首次在LOB数据上推进了FMS。

论文旨在解决金融市场模拟中LOB数据难以使用的问题，通过提出一种基于Transformer自编码器的方法，学习LOB数据的向量表示，并将其应用于模型校准。

论文提出了一种基于Transformer自编码器的方法，通过学习LOB数据的向量表示来解决LOB数据在模型校准中的使用问题。

论文使用了LOB数据集，并设计了一系列实验来验证所提出方法的有效性。实验结果表明，学习到的向量表示不仅保留了LOB数据在时间轴上的非线性自相关性，还捕捉到了LOB数据中不同价格级别之间的先后顺序。此外，论文还是第一篇将LOB数据应用于金融市场模拟的研究。论文开源了代码，为后续研究提供了便利。

近期的相关研究包括：'DeepLOB: Deep Convolutional Neural Networks for Limit Order Books'、'LOBSTER: Limit Order Book Reconstruction from Message Streams'等。