LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models

Abstract degli autori

Un impatto di mercato realistico è essenziale perché i modelli generativi di limit order book (LOB) possano fungere da modelli del mondo per agenti di trading. Se un simulatore prezza in modo errato questo meccanismo, gli agenti apprendono strategie ottimali nel simulatore ma sbagliate nel mercato reale. Le metriche esistenti valutano i flussi generati esclusivamente confrontandone la distribuzione con i dati storici, lasciando in gran parte inesplorata la risposta controfattuale agli ordini impartiti dagli agenti stessi. In questo lavoro mostriamo che l’impatto di mercato emerge spontaneamente nei generatori neurali di LOB addestrati esclusivamente alla predizione del token successivo. Inseriamo metaordini in stile esecutivo nel flusso di messaggi generato da cinque modelli autoregressivi, su cinque titoli azionari del NASDAQ, e misuriamo la risposta usando stimatori tratti dalla letteratura empirica sull’impatto, convalidati su basi di confronto la cui fisica è nota in anticipo. Il nostro benchmark valuta qualsiasi generatore a livello di messaggio in tre fasi: generazione libera (misurando la persistenza del flusso degli ordini rispetto alla diffusività dei prezzi); inserimento di metaordini (ricavando l’esponente e l’ampiezza della legge dell’impatto); e una finestra successiva all’esecuzione (per misurare il rilassamento). Inoltre, confrontare ogni inserimento visibile con un controllo in cieco basato solo sul simulatore permette di isolare la risposta appresa dal modello dalla meccanica standard del book. Per ciascun modello e ciascun titolo misuriamo come varia l’impatto in funzione della partecipazione cumulativa del metaordine. È interessante notare che osserviamo un impatto emergente nei modelli generativi di dati di mercato, con esponenti compresi tra 0,63 e 1,21, leggermente superiori al valore tradizionale di 0,5 della legge dell’impatto della radice quadrata. Nella famiglia di modelli testati, finora non siamo riusciti a osservare un decadimento dell’impatto durante il rilassamento. Ipotizziamo, con cautela, che ciò sia dovuto alle finestre di contesto ancora brevi dei modelli. Rendiamo disponibile il benchmark in open source per convalidare i futuri modelli generativi di dati di mercato.