论文页面 - LOB-Impact 基准：生成式限价订单簿模型中的涌现市场冲击

来源：https://huggingface.co/papers/2610.27100

摘要

以预测下一个词元为训练目标的神经生成式限价订单簿模型，在注入元订单时表现出涌现的市场冲击，但由于上下文窗口有限，尚未观察到松弛阶段的冲击衰减.

要使生成式限价订单簿 (LOB) 模型充当交易智能体的世界模型，逼真的市场冲击至关重要. 如果模拟器错误地刻画了这一机制，智能体就会学到在模拟器中最优、但在真实市场中却错误的策略. 现有指标仅通过与历史数据进行分布比较来评估生成的消息流，而对智能体自身订单的反事实响应仍基本未经探索. 在这里，我们表明，仅以预测下一个词元 (https://huggingface.co/papers?q=next-token%20prediction) 为训练目标的神经 LOB 生成器 (https://huggingface.co/papers?q=neural%20LOB%20generators) 会自然涌现出市场冲击. 我们针对五只纳斯达克股票，将执行式元订单注入五个自回归模型 (https://huggingface.co/papers?q=autoregressive%20models) 生成的消息流中，并使用实证冲击研究文献中的估计方法衡量响应，同时在物理机制预先已知的基准模型上验证这些方法. 我们的基准分三个阶段评估任何消息级生成器：自由生成 (考察订单流持续性与价格扩散性之间的关系)；元订单注入 (得到冲击定律的指数和幅度)；以及执行后的窗口 (衡量松弛过程). 此外，将每次可见注入与仅在模拟器中执行的盲对照进行比较，可以将模型学到的响应与标准订单簿机制分离. 对于每只股票上的每个模型，我们都衡量冲击如何随元订单的累计参与率变化. 有趣的是，我们在市场数据的生成式模型 (https://huggingface.co/papers?q=generative%20models) 中观察到了涌现冲击，其指数范围为 0.63 至 1.21，略高于传统冲击平方根定律中的 0.5. 在所测试的模型系列中，我们迄今仍无法观察到松弛期间的冲击衰减. 我们暂时将此归因于模型的上下文窗口 (https://huggingface.co/papers?q=context%20windows) 仍然较短. 我们将该基准开源，以验证未来面向市场数据的生成式模型 (https://huggingface.co/papers?q=generative%20models).

查看 arXiv 页面 (https://arxiv.org/abs/2610.27100)查看 PDF (https://arxiv.org/pdf/2610.27100)项目页面 (https://george-nigmatulin.github.io/lob_impact/)GitHub3 (https://github.com/george-nigmatulin/lob_impact)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.27100)

在你的智能体中获取这篇论文：

hf papers read 2610\.27100

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

暂无关联这篇论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.27100，即可从此页面链接到该模型.

引用这篇论文的数据集0

暂无关联这篇论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.27100，即可从此页面链接到该数据集.

引用这篇论文的 Space0

暂无关联这篇论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.27100，即可从此页面链接到该 Space.

包含这篇论文的合集0

暂无包含这篇论文的合集

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集.