本文提出LOB-Impact Benchmark,用自由生成、元订单注入和执行后松弛三个阶段,评估生成式限价订单簿模型能否复现真实市场冲击。五类神经生成模型在5只股票、25个模型—股票组合中均产生了自身的市场冲击,但冲击指数为0.63–1.21,高于传统平方根定律的0.5,且执行结束后未呈现可信的衰减;盲实验进一步表明该冲击主要来自模型对订单的内生反应,而非订单簿机械成交。研究将问题归因于持续订单流下流动性补充不足及模型上下文窗口较短,并认为这类模型在修正冲击形状和松弛动力学前,不适合作为执行智能体的真实交易环境。
| AMD模型 | 末端冲击/峰值 | 执行后斜率(每个执行持续期) |
|---|---|---|
| S5-120M | 1.19 | 0.6% |
| S5-4k | 1.15 | ±0.0% |
| Mamba3 | 1.16 | 0.4% |
| Mamba3-4k | 1.36 | 3.7% |
| GDN | 0.88 | −2.4% |
报告标题:《LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models》(LOB-Impact 基准:生成式限价订单簿模型中的涌现市场冲击)。
作者:George Nigmatulin、Valentin Mohl、Sascha Frey、Kang Li、Aramis Marti-Shahandeh、Mihai Cucuringu、Anisoara Calinescu、Jakob Foerster、Stefan Zohren。
机构:主要来自牛津大学 British Open-ended Learning and Discovery Lab(BOLD),并包括加州大学洛杉矶分校数学系。
发表信息:论文拟发表于第七届 ACM International Conference on AI in Finance(ICAIF ’26),时间为2026年11月14日至17日,地点为意大利米兰。报告主题不是上市公司投资评级,而是评估生成式限价订单簿(Limit Order Book,LOB)模型是否能够正确模拟大额交易对价格的动态影响。
报告的核心问题是:一个生成式LOB模型即使在订单流、价差、成交量和盘口不平衡等统计分布上看起来很像真实市场,也可能无法正确回答“交易者主动下单后市场会如何反应”这一反事实问题。若强化学习交易代理在这种模拟器中训练,而模拟器低估或错误描述了自身订单引发的市场冲击,代理就会学到在真实市场中无法实现的交易策略。
作者提出的主要结论包括三点:第一,五种仅以“下一个消息预测”为训练目标的神经生成模型,在五只股票上全部产生了可识别的自身市场冲击,即25个模型—股票组合均检测到影响;第二,这种冲击的规模—影响函数指数高于传统的平方根法则,且幅度明显过大;第三,交易停止后几乎没有可信的冲击衰减,因此模型虽然“会产生冲击”,却没有产生符合真实市场的冲击动力学。,
报告没有传统意义上的“买入/持有/卖出”评级,也没有股票目标价。其输出对象是生成式市场模拟器的可靠性判断,最终立场是:当前测试的神经LOB生成器不适合作为执行算法或强化学习交易代理的真实环境,至少在市场冲击的形状、幅度和恢复机制得到修正之前不应如此使用。,
现有LOB生成模型通常通过比较生成数据与历史数据的分布来评价,例如比较买卖价差、订单数量、消息到达间隔和订单簿不平衡等指标。LOB-Bench正是此类分布式基准的代表,但这类指标主要回答“模型生成的市场看起来像不像历史市场”,不能回答“模型会不会对交易者主动注入的大额订单作出正确反应”。
这一区分非常重要。历史数据中的价格变化通常是观察到的结果,研究者无法直接知道某次价格变动如果没有某笔大额交易会怎样;生成模型则可以在相同条件下重新运行,并注入一个外生的“元订单”(metaorder),从而构造反事实实验。
机构投资者通常不会一次性完成大额交易,而是将其拆分成许多小的子订单。多个方向一致、相互关联的子订单构成元订单。传统经验研究通常用平方根法则描述元订单规模与价格影响之间的关系:
[ I(Q)\approx Y\sigma\left(\frac{Q}{V}\right)^{1/2}, ]
其中,(I(Q))是预期价格变化,(Q)是元订单规模,(V)是日成交量,(\sigma)是日波动率,(Y)是无量纲影响幅度;(Q/V)也可以理解为交易参与率。
平方根法则中的指数约为0.5,意味着交易规模扩大四倍,价格影响大约扩大两倍,而不是扩大四倍。其背后的经济机制是两个相互制衡的力量:一方面,交易方向具有持久性,即买单后更可能继续出现买单;另一方面,市场流动性具有补充和恢复能力,可以防止每笔同方向交易都造成永久性价格趋势。
报告还区分了机械冲击和间接冲击。机械冲击是主动订单直接吃掉盘口上的卖单或买单,从而移动最优价格;间接冲击则是其他市场参与者看到订单后作出的反应。在生成模型中,模型本身就是“其他参与者”,因此通过“可见注入”与“盲注入”的比较,可以判断价格变化是否来自模型的反应,而不仅是订单簿撮合机制的机械结果。,
基准测试需要四类输入:待测试的消息级LOB生成模型、一只股票、基于该股票数据得到的校准参数,以及每个方向和阶段的滚动次数预算。所有注入时间表、校准方法和估计器在模型运行前固定,不根据模型结果调整。
第一阶段是自由生成。模型不接受任何外生元订单,运行与一次完整元订单执行周期相当的消息长度,具体为每只股票约12,000至73,000条消息。该阶段观察三个方面:交易方向自相关衰减指数 (\gamma_{\text{flow}})、中间价的Hurst指数 (H),以及模型在无注入状态下的自由漂移。
(\gamma_{\text{flow}})越小,表示交易方向记忆越长;(H=0.5)表示价格扩散,(H>0.5)表示价格具有超扩散趋势,(H<0.5)则表示价格变化偏向反持久性。若模型同时保留强交易方向持久性,却生成出 (H>0.5) 的价格,就意味着交易方向产生的趋势没有被流动性恢复机制抵消,模型内部出现了“免费午餐”。
第二阶段是元订单注入。模型先读取真实数据形成的条件窗口,然后每隔 (\Delta_N)条模型生成消息注入一个激进子订单。测试包括买入和卖出两个方向,并通过反对称化处理消除方向无关的自由漂移。构建阶段包含100个子订单,用于测量冲击随累计参与率增长的指数;盲控实验在完全相同的时间窗口和随机种子下重复,但注入订单不进入模型的消息输入或盘口状态。,
第三阶段是冲击恢复。此阶段先执行10个子订单,随后停止注入,并让模型继续生成100个静默区块。该设计是为了观察执行结束后价格冲击是否下降。真实市场研究显示,冲击通常在一至两个执行时长内下降到峰值的约三分之二,并在十个执行时长左右下降到约一半,因此一个完全平坦甚至继续上升的曲线不符合真实市场的典型恢复规律。,
报告把交易日而不是单次滚动作为主要独立统计单位。每只股票使用20个交易日,每个方向、每个阶段进行1,024次滚动。作者特别指出,少于五个交易日时,置信区间可能看起来更窄,但覆盖全样本估计值的比例只有40%至68%,说明表面上的精确性可能具有误导性。
冲击函数的识别分为“是否存在”和“幅度多大”两个步骤。作者在 (\delta\in[0.05,1.5])的网格上拟合:
[ I=a q^\delta, ]
其中 (q=Q/V)是累计参与率,(\delta)是冲击指数,(a)是幅度参数。先观察不同指数下的拟合误差曲线:如果误差曲线存在明显尖锐最低点,说明冲击法则可识别;如果曲线平坦且 (a) 接近零,则说明没有可靠冲击信号。
最终报告的数值采用18个分位数区间的带符号条件均值,再对正的均值进行普通最小二乘拟合。作者还使用加权中位数L1估计作为稳健性检查,并以 (|Y|<0.05)或最优指数落在网格边界作为不可识别条件。
估计器通过三种方式验证:在真实噪声和真实日期结构中植入已知指数,能够恢复0.5至1.0范围内的指数,但存在最多0.11的向下偏差;500次无信号试验没有产生一次假阳性;此外,具有预先写入恢复机制的模型基线能够按正确顺序恢复其冲击衰减。
报告把结果压缩为五项“主张阶梯”:
图1左侧展示输入、运行阶段和C1至C5判断标准。它的主要价值在于把“模型是否像市场”拆成一条逻辑链:先看无干预下是否具有合理的交易流—价格平衡,再看干预是否产生冲击,再看冲击是否来自模型自身,最后判断其形状和恢复是否合理。
图1右侧展示买入和卖出元订单的价格轨迹。买入时价格向上移动,卖出时价格向下移动,最终通过乘以负一并合并两个方向,以减少方向性噪声和自由漂移。图中还区分了临时冲击和永久冲击,理想的真实市场轨迹应在执行期间上升或下降,执行结束后向某个较低的永久水平回落,而不是继续朝执行方向无限延伸。
图2上半部分是Historic replay负控制。其原始带符号冲击点大体围绕零分布,约50%的影响值不大于零;按等数量分箱后,带符号均值在零附近上下摆动,说明不存在稳定的价格响应。图2下半部分是S5-120M,只有约17%的影响值不大于零,分箱均值则随参与率单调上升,形成清晰的正向曲线。
这张图直接支持报告的识别逻辑:若只看少量原始点,噪声和单次价格波动可能造成假象;先分箱再观察带符号条件均值,可以判断影响是否随交易规模系统性增长。Historic的均值相互抵消,S5-120M的均值逐级上升,因此前者不应被报告为“有冲击”,后者则可进入指数估计。
图3基于2026年1月、487只股票的日均数据,展示三项校准变量。左图是市场订单中位数,决定每个激进子订单的规模;中图是市场订单占全部消息流的比例 (\phi);右图是为了维持10%参与率,两个子订单之间需要生成的消息数 (\Delta_N)。,
右图明显右偏,说明股票之间的生成负担差异很大。参与率满足:
[ \eta=\frac{1}{1+\Delta_N\phi}, ]
当 (\eta=10%)时,近似有 (\Delta_N=9/\phi)。因此市场订单占比越低,模型就必须生成越多的普通消息,才能让注入的子订单只占市场交易流的10%。
报告选择五只股票作为不同订单—交易比率区间的代表:EA的消息间隔约122,NVDA约250,MSFT约261,AMD约401,GOOG约729;全体股票中位数约为311。AMD属于高订单—交易比率群组,一次100子订单的元订单大约需要生成40,000条消息;GOOG则代表高负担尾部。,
这张图的一个重要含义是,实验不是简单地在所有股票上使用相同的消息间隔。作者以每只股票自身的交易活跃度重新校准,因此冲击应被理解为股票特定的参与率响应,而不是固定数量订单的机械比较。
图4按三阶段排列。顶部是自由生成,中部是构建阶段冲击,底部是执行结束后的恢复;颜色区分Historic、多个机制基线和五个神经模型。
在自由生成部分,真实AMD订单流的交易方向记忆指数为1.66,中间价Hurst指数为0.54,基本接近扩散。Mamba系列的交易记忆更长,指数为1.20和1.06,但价格Hurst指数为0.58,显示交易持久性没有被充分抵消;S5系列的交易记忆较短,指数为1.90和1.83,同时价格扩散性接近真实值;GDN的交易记忆最长,指数为0.79,但价格指数为0.49。所有神经模型还出现自由漂移,从S5-4k的正向9个tick到Mamba3-4k的负向251个tick不等,因此全部未通过C1。
中部构建图显示五个神经模型均有清晰的上升冲击曲线。AMD上的指数分别为:S5-120M为0.66、S5-4k为0.79、Mamba3为0.87、GDN为0.90、Mamba3-4k为0.93;日聚类bootstrap区间半宽约为0.05至0.06,且没有一个区间接近0.5。由于估计器已知存在向下偏差,作者认为真实冲击可能比报告值更陡。
幅度方面,神经模型的 (Y)约为2.2至8.6,而经验市场水平约为0.5,意味着模拟器对每单位参与率收取的价格成本大约是真实经验值的4至17倍。换算成价格水平,AMD中100子订单造成约17至70个基点的价格变动,而基线模型最多约11个基点。
底部恢复图显示,神经模型的执行结束—峰值比分别为1.19、1.15、1.16、1.36和0.88。前四个模型在最后一个子订单执行后,价格仍然高于峰值;GDN虽然下降到峰值以下,但其自由漂移为负127个tick,无法把下降归因于真正的冲击恢复。五个神经模型因此均未通过C5。
表1将模型分为非神经基线和神经生成器两组。非神经组包括Historic replay这一无因果响应负控制、具有永久冲击的Heuristic、带幂律恢复的Propagator、带指数恢复的Obizhaeva–Wang模型,以及QR、CST、NMZI和Hawkes等机制模型。
神经组包括S5-120M、S5-4k、Mamba3、Mamba3-4k和GDN。它们都在生成消息和注入消息之间维护连续隐藏状态,这是模型产生间接冲击和恢复效应的可能来源。神经模型共享一个包含AMD在内的八股票语料库,而评估月份被排除在训练之外,因此AMD属于分布内测试,EA则被报告为训练语料之外的测试股票。,
表1还体现了计算成本问题:AMD一次约40,000条消息的构建滚动对神经模型需要使用H100,而传统回放只需转换已有流,参数化基线可在CPU运行。模型上下文长度仍远小于完整元订单所需的消息跨度,特别是部分模型只具有500条左右的训练窗口,这成为作者解释缺少长期恢复机制的重要线索。,
表2每个订单—交易比率群组选择一只代表股票,并列出市场订单中位数、日间标准差和100子订单构建阶段所需生成的消息数。AMD被作为高订单—交易比率群组代表,平均间隔约401条消息,约需40,000条生成消息;其他代表股票覆盖低负担、常见区间、高负担及高负担尾部。,
它说明实验中的“100个子订单”并不意味着每只股票面对相同的时间长度或相同生成成本。作者固定的是元订单结构和参与率,而不是固定消息数量,这使得比较更接近实际执行研究中的参与率标准。
表3汇总13个模型、5只股票的全部结果,列包括模型参数量、上下文长度、LOB-Bench的KS/L1/WS分数、交易流记忆、Hurst指数、自由漂移、冲击指数(\delta)、幅度(Y)、可见峰值与盲控底值之比,以及恢复阶段的峰值比和斜率。
表3最重要的结论是神经模型在25个模型—股票组合上呈现完全一致的主张阶梯:C1失败、C2通过、C3通过、C4失败、C5失败。也就是说,它们确实产生了自身冲击,但这种冲击既没有与自由生成阶段的真实市场平衡相容,也不符合平方根法则,更没有可靠恢复。
跨股票的指数范围为:AMD和MSFT约0.63至0.93,GOOG约0.73至1.21,NVDA约0.97至1.15,EA约0.84至1.12;25个日聚类区间均排除0.5,最窄的MSFT S5-120M区间也位于0.53以上。
幅度在训练语料内的AMD和MSFT约为2至9,GOOG约为1.7至12.6,NVDA约为7至19;在训练分布外的EA则达到12至50。作者认为EA的外推结果仍然保留了“有冲击”的形式,但冲击校准明显恶化。
此外,按冲击指数或幅度对模型排序具有较高一致性,Kendall’s (W)分别为0.82和0.81,说明测得的冲击特征具有模型特异性,并非完全由股票噪声决定。
本报告不存在股票估值、DCF、P/E、EV/EBITDA或目标价,因此没有传统金融研究中的估值区间或敏感性分析。报告的“量化核心”是冲击函数估计,而不是企业价值估计。冲击指数(\delta)衡量价格影响随参与率增长的陡峭程度,幅度(Y)衡量单位参与率对应的价格成本,执行结束—峰值比和后执行斜率则衡量冲击是否恢复。,
从这一角度看,神经模型的主要问题不是完全没有反应,而是反应过强、增长过快、执行结束后仍持续存在。报告指出,若真实市场中的订单流具有持久性,但每一笔交易造成的冲击会逐步衰减,那么100次子订单的累计效果应受到补充流动性的抑制;模型缺少这一补充机制时,累计冲击会更接近线性叠加,而不是平方根增长。
第一是交易成本低估风险。若模型产生的冲击形状和幅度错误,强化学习代理可能偏好过于激进、过于集中的执行计划,因为模拟环境没有惩罚真实市场会产生的价格成本。
第二是长期恢复风险。神经模型执行结束后仍继续朝原方向移动,这可能使策略错误地认为某种持续执行能够不断推动价格,或者无法正确评估拆单速度、等待时间和临时冲击之间的权衡。
第三是分布外校准风险。EA的结果显示,模型即使仍然产生可识别冲击,幅度也可能明显高于训练语料内股票,因此“能检测到冲击”不等于“能准确模拟冲击”。
第四是传统分布指标与交互真实性脱钩。三个500上下文模型在分布式指标上非常接近,但冲击结果却有显著差异;LOB-Bench排名与偏离平方根指数之间的相关性不稳定,且在神经模型内部甚至可能为负。这说明更像历史数据的模型未必更适合做交易环境。
报告只对AMD进行了逐阶段图形化分析,其他四只股票主要通过表3呈现;所有实验也只覆盖一个参与率、一个子订单规模、激进型子订单、一个元订单形状、一个交易月和一个交易所。
报告的指数(\delta)依赖所选操作点,因此不能直接推断模型在3%、30%或极端成交量环境下仍会保持相同规律。10%参与率虽然位于既有经验样本范围内,但没有测试极端交易规模区间。
作者将缺少恢复主要归因于短上下文窗口和缺少长期参考价格记忆,这是一个有理论合理性的解释,但仍属于暂定归因,而不是通过严格因果实验已经证明的结论。尤其是4k上下文模型仍远短于完整元订单跨度,作者认为更长上下文和更大模型是下一步测试方向。
月份选择也可能影响统计结论。作者指出,如果该月份相对典型月份偏离约一个月内标准差,指数就可能移动超过报告区间的半宽,因此“所有区间都排除0.5”应理解为该股票、该月份和该实验操作点下的统计结果,而非所有市场状态下的普遍定理。
报告的优势在于,它没有把“发现一个价格变化”直接当作模型具有真实冲击,而是先进行法则识别,再使用盲控拆分盘口机械作用和模型自身反应,最后才评估平方根指数和恢复能力。这种先检验存在性、再估计幅度的流程有效降低了把噪声误判为冲击的风险。,
但C1至C5的通过标准相当严格,且C1同时要求交易流记忆、价格扩散和自由漂移三者都接近真实值,因此模型只要存在明显自由漂移,就会整体判定C1失败。这个标准有利于揭示系统性缺陷,但也意味着C1不能单独说明模型完全没有其他有用的分布式真实性。
另一个需要谨慎处理的细节是,神经模型的冲击指数与部分机械基线的指数区间存在重叠:AMD上基线指数约0.73至0.81,而神经模型约0.66至0.93。真正拉开差距的是神经模型的幅度更高,并且盲控比率显示其额外冲击来自模型自身,而不是单纯来自撮合机制。
报告并未证明所有神经生成模型必然无法产生真实冲击,只证明当前测试面板在当前上下文长度、参与率、元订单形状和数据样本下没有通过C4和C5。作者发布开源实现,允许未来模型在相同协议下复测,这使结论更像一个可重复的诊断框架,而不是对生成式LOB技术的最终否定。
这篇报告的根本贡献,是把生成式LOB模型的评估从“像不像历史数据”推进到“是否能对交易者的反事实行为作出正确响应”。实验通过自由生成、元订单注入和执行后恢复三个阶段,分别考察交易流—价格平衡、冲击存在性、冲击归因、平方根法则和恢复机制。,
从图表和表格看,结论高度一致:图2显示无因果回放不会产生可识别冲击,而S5模型会产生随参与率上升的冲击;图3显示不同股票的生成负担和校准条件差异巨大;图4显示AMD上神经模型冲击指数普遍高于0.5、幅度远高于经验市场水平,并且执行结束后多数价格不下降;表3则把这一模式扩展到全部25个神经模型—股票组合。, , ,
因此,作者对当前模型的总体判断可以概括为:冲击确实涌现,但涌现出的不是市场现实中的冲击机制。模型能够对自身可见的元订单作出反应,说明下一词预测训练可以产生一定程度的交互行为;然而,冲击增长过陡、价格成本过高且缺乏执行后的恢复,表明模型尚未学会真实市场中对持续订单流至关重要的流动性补充和长期记忆。,
最终报告建议未来模型在训练检查点上同时接受自由生成、元订单注入和恢复测试,目标不是简单消除交易方向记忆,而是在保留真实订单流持久性的同时补足流动性恢复机制。只有当模型同时满足分布相似性、反事实归因、平方根型冲击和合理衰减时,才更适合作为交易代理的世界模型。
2610.27100.pdf