StochLOB: score matching a code pesanti per una previsione robusta delle tendenze del limit order book

Abstract degli autori

I metodi di diffusione basati sullo score perturbano di solito i dati con rumore gaussiano browniano, corrispondente a un’equazione differenziale stocastica (SDE) diretta a code leggere. Per le serie temporali di mercato, questa SDE può essere un’astrazione inadeguata: il flusso degli ordini nel limit order book (LOB) presenta code pesanti, si concentra in raffiche e a volte assume la forma di salti. Studiamo STOCHLOB, un framework di score matching usato solo nell’addestramento che modifica la legge della perturbazione nella diffusione diretta, lasciando deterministico il predittore impiegato. Anziché ricorrere alla sola perturbazione gaussiana browniana, il processo di aggiunta del rumore usa due alternative non gaussiane ispirate alle SDE: rumore di Lévy a salti, attraverso una miscela di varianze di Poisson composta, e rumore $α$-stabile con valori limitati, attraverso una miscela di scale gaussiane stabile positiva. Queste perturbazioni introducono nell’addestramento salti finiti e residui a code pesanti, senza richiedere un campionamento della diffusione a tempo inverso durante l’inferenza. L’obiettivo dello score che ne risulta ha un’interpretazione utile: il suo fattore radiale $h_t(r)$ è la precisione attesa a posteriori della perturbazione, perciò i residui grandi vengono pesati in base alla scala latente della perturbazione che con maggiore probabilità li ha generati. Sui dati LOB di Coinbase tenuti da parte in ordine cronologico, le varianti proposte restano competitive sugli orizzonti di test non perturbati di BTC e altcoin e migliorano diversi indicatori diagnostici di stress nelle finestre di coda osservate. Uno studio esplorativo sul trasferimento alle azioni A di Feishu verifica inoltre se le probabilità prodotte restino utilizzabili in presenza di costi di transazione e vincoli imposti dalle regole di negoziazione. Il codice e i file di configurazione sono disponibili all’indirizzo https://github.com/ArshiAbolghasemi/Penny.