Probabilistic Limit Order Book Forecasting with Conditional Diffusion Models
Pubblicata su AIChronos il · fonte del · Junyu Chen, Franklin Liu, Moshu Xu, Lijian Yang
Il paper introduce LOBGrad, un framework basato su Conditional DDPM per la previsione probabilistica del Limit Order Book (LOB), che combina un encoder ricorrente autoregressivo RNN con un generatore a diffusione. L'autore dimostra teoricamente una disuguaglianza di tipo oracle sull'obiettivo della predizione del rumore e riduce la dipendenza dalla lunghezza della finestra di condizionamento alla dimensione dello stato latente sotto dinamiche contrattive. Gli esperimenti su asset come BTC/USDT, GOOGL e META confermano che LOBGrad supera le ablazioni senza encoder in tutti i metriche delle code e riproduce i fatti stilizzati del microstruttura dei mercati.
- Integrazione di un autoregressive RNN encoder con un generatore basato su diffusione per migliorare la modellazione dinamica del LOB.
- Stabilimento formale di una disuguaglianza oracle sull'errore in eccesso (excess-risk) sotto ipotesi di mixing esponenziale e regolarità.
- Riduzione della dipendenza dalla lunghezza della finestra di condizionamento alla dimensione dello stato latente nelle dinamiche contrattive.
- Validazione empirica su asset crittografici e azionari che mostra performance superiori rispetto ai modelli senza encoder in tutte le metriche delle code.
- Generazione di intervalli predittivi calibrati ragionevolmente basati sulle code del libro degli ordini.
Perché conta. Sebbene il paper si concentri sul trading algoritmico, i principi architetturali presentati (encoder ricorrente + generatore a diffusione) offrono spunti per migliorare la generazione sequenziale in modelli locali o agenti che devono gestire stati temporali complessi con vincoli probabilistici rigorosi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.