TLOB：一种用于限价订单簿数据股票价格趋势预测的具有双重注意力机制的新型Transformer模型

“TLOB: A Novel Transformer Model with Dual Attention for Stock Price Trend Prediction with Limit Order Book Data”

论文地址：https://arxiv.org/pdf/2502.15757

摘要

利用限价订单簿（LOB）数据进行股票价格趋势预测是金融领域的一项重要课题。然而，当前深度学习模型在面对不同市场环境时往往表现出泛化能力不足的问题，尤其是在短期趋势预测方面效果不尽如人意。研究发现，即使采用相对简单的多层感知器（MLP）架构，也能够超越现有的先进方法，从而对复杂模型的必要性提出了质疑。

本文介绍了一种名为TLOB的新模型，该模型通过引入双重注意机制来捕捉LOB数据中的空间和时间依赖关系，使其不仅适合长时间跨度的预测任务，还能有效应对波动较大的市场条件。此外，TLOB还提出了一种新的标记方法，旨在消除预测过程中可能出现的时间偏差问题。实验结果表明，在FI-2010基准测试中，TLOB模型取得了高达92.8%的F1分数；而在特斯拉和英特尔两只股票上的应用中，其F1分数分别提升了2.67%和14.16%。进一步的研究显示，随着时间推移，股票价格的可预测性逐渐降低（F1分数下降了6.68个百分点），这一现象反映了市场效率的逐步提升。值得注意的是，当考虑实际交易成本并将趋势分类转化为具体的交易策略时，可以发现其中存在的复杂性和挑战性。例如，通过平均价差重新定义趋势后，需要更加精细地调整模型参数以适应实际操作需求。

简介

全球金融市场已经从早期的手动交易模式演进到了如今高度电子化的交易平台，这一转变在过去的几十年间尤为显著。例如，在美国市场中，电子交易的比例从2000年的15%飙升至2020年的99%，几乎所有的股票交易都通过电子方式进行。电子限价订单簿（LOB）作为现代金融市场的核心组件，能够实时反映市场的供需动态平衡。然而，LOB数据的多维度特性和非平稳性增加了理解市场行为、预测股票价格趋势以及模拟市场条件的复杂度。传统的统计方法由于其固有的局限性，在捕捉LOB数据中的复杂模式时显得力不从心，尤其是在短期价格趋势预测方面表现不佳。

近年来，深度学习技术的发展为建模LOB数据中的非线性关系和时间依赖性提供了新的解决方案。股票价格趋势预测（SPTP）是金融市场中一个至关重要且极具挑战性的课题，特别是在高频交易场景下利用LOB数据进行预测时更是如此。由于市场的复杂性、非平稳性和波动性，准确预测市场动向变得异常困难。然而，深度学习的进步为提升预测准确性开辟了新的道路。尽管如此，现有的模型在面对不同市场条件时往往缺乏足够的鲁棒性和泛化能力。

针对上述挑战，本文提出了TLOB模型，该模型基于变换器架构设计，旨在超越现有模型的表现，提供更精确的预测结果。同时，研究还展示了即使采用相对简单的多层感知器（MLP）架构构建的MLPLOB模型，也能够在某些情况下超越当前最先进的模型。此外，本文不仅提出了新的架构设计，还进行了全面的性能评估，使用了FI-2010和NASDAQ等多个数据集进行测试。为了进一步提高预测效果，研究引入了一种新的标记方法，并对历史数据进行了比较分析，同时探索了替代阈值定义的可能性，从而为股票价格趋势预测提供了更为全面和深入的理解. 这些努力共同推动了金融AI技术的发展，为未来的研究奠定了坚实的基础。

01背景

电子限价订单簿（LOB）构成了现代金融市场记录与管理交易的核心机制。在LOB中，主要存在三种订单类型：市场订单，这种订单会即时按照当前最优价格完成交易；限价订单，允许交易者设定具体的买入或卖出价格及数量；以及取消订单，用于撤回尚未成交的限价订单。LOB结构不断更新，对所有市场参与者开放且透明，并严格遵循既定规则进行操作。连续双向拍卖（CDA）作为最普遍采用的订单匹配机制，当最佳买价与卖价出现重叠时，相应的订单便会得到执行。通常情况下，证券的价格被定义为最佳买价与卖价之间的中间值，而两者之间的差距则构成了买卖差价。

LOB的时间演变过程是一个复杂的多维时间序列问题。对于LOB数据的研究可以归纳为四大类别：一是对LOB动态特性的实证分析，旨在揭示实际市场行为；二是价格和波动性的预测研究，探索未来市场趋势的可能性；三是LOB动态的随机建模，尝试通过数学模型来模拟LOB的行为特征；四是LOB市场的模拟研究，致力于构建仿真环境以测试不同的市场假设和策略效果. 这些研究方向共同推动了我们对金融市场微观结构的理解和技术进步。

02相关工作

由于限价订单簿（LOB）数据的复杂特性，深度学习算法被广泛应用于股票价格趋势预测（SPTP）