本文针对多层级限价委托簿(LOB)中隐蔽的交易操纵(如欺诈性“假挂单”行为)检测难题,提出一种结合级联LOB表示与监督对比学习的新型表示学习框架。该框架通过引入Transformer嵌入模块和双重损失函数,有效提升表示区分度,显著改善多层级操纵行为检测性能。实验覆盖多模型、多输入配置,验证了多层级异常的复杂性及LOB数据适当表示的关键价值,Transformer架构获得最优结果。消融分析突出级联表示流水线及监督对比学习的贡献,为复杂序列数据的异常检测提供新洞见。
| Oversampling Ratio (β) | AUC-PR | AUROC | F4-Score |
|---|---|---|---|
| 0.5 | 0.470 | 0.956 | 0.852 |
| 0.3 | 0.470 | 0.946 | 0.828 |
| 0.1 | 0.483 | 0.950 | 0.834 |
| 0 (无采样) | - | - | - |
| Contrastive Loss Weight (α) | AUC-PR | AUROC | F4-Score |
|---|---|---|---|
| 1 | 0.252 | 0.583 | 0.498 |
| 0.8 | 0.540 | 0.962 | 0.868 |
| 0.5 | 0.526 | 0.958 | 0.851 |
| 0.2 | 0.470 | 0.946 | 0.828 |
| 0 | 0.252 | 0.854 | 0.653 |
报告标题: A Decoupled LOB Representation Framework for Multilevel Manipulation Detection with Supervised Contrastive Learning
作者: Yushi Lin, Peng Yang
发布机构: Southern University of Science and Technology,广东省脑启发智能计算重点实验室;统计与数据科学系
日期: 未明示,参考文献最晚为2024年,推测为2024年左右
研究主题: 多层级金融市场异常检测,聚焦于交易操纵中的“虚假挂单”(Spoofing)行为的检测,基于多层级限价委托簿(Limit Order Book, LOB)数据设计新的表示学习框架并融合有监督对比学习。
本报告旨在解决金融市场中的交易操纵问题,特别是“虚假挂单”这一多层次、多维度的复杂违规行为。金融市场作为全球经济重要组成,交易操纵尤其是TBM(Trade-Based Manipulation)会严重干扰市场公正性和稳定性。现有方法多从单层级异常入手,难以捕获隐藏于深层LOB中的多层级异常模式。
作者提出一个解耦的LOB表示学习框架,采用级联的多层LOB表示生成管道,结合有监督对比学习(Supervised Contrastive Learning, SCL)以提升表示的判别能力。框架兼容多种时间序列模型,实验证明Transformer架构表现最佳,实现了该领域的最新性能水平。报告主要传达的信息是:通过全新的表示学习方法与训练范式,能够有效捕捉和检测多层级的隐藏交易操纵行为,并为复杂的序列异常检测问题提供了有益启示。
该图展示数据流和模块划分:
| 检测方法 | 表示模型 | 训练模式 | AUC-PR | AUROC | F4-Score | Precision | Recall |
|---|---|---|---|---|---|---|---|
| OC-SVM | 无表示 | 无 | 0.163 | 0.759 | 0.609 | 0.160 | 0.739 |
| OC-SVM | CNN2 | 原始/提议 | 0.176/0.198 | 0.777/0.855 | 0.604/0.707 | 0.155/0.149 | 0.738/0.923 |
| OC-SVM | JFDS | 原始/提议 | 0.252 | 0.854 | 0.653 | 0.238 | 0.733 |
| OC-SVM | LSTM | 原始/提议 | 0.675/0.160 | 0.975/0.795 | 0.881/0.601 | 0.402/0.158 | 0.952/0.728 |
| OC-SVM | SimLOB | 提议/原始 | 0.375/0.164 | 0.902/0.768 | 0.734/0.603 | 0.166/0.144 | 0.935/0.754 |
| Isolation Forest | 无表示 | 无 | 0.101 | 0.736 | 0.562 | 0.133 | 0.705 |
左图:整体5层级异常检测;右图:关注2-5级异常检测。
三输入模式对比:无LOB数据;带原始LOB;带嵌入LOB数据;两种损失函数对比:仅MSE,和复合损失(结合对比损失)。
用JFDS+OC-SVM,比较无级联表示与多种LOB编码器(Transformer、LSTM、SimLOB、CNN2)性能差异。
| 超采样率 β | AUC-PR | AUROC | F4-Score |
|---|---|---|---|
| 0.5 | 0.470 | 0.956 | 0.852 |
| 0.3 | 0.470 | 0.946 | 0.828 |
| 0.1 | 0.483 | 0.950 | 0.834 |
| 0 | 失败 | - | - |
| 对比损失权重 α | AUC-PR | AUROC | F4-Score |
|---|---|---|---|
| 1 | 0.252 | 0.583 | 0.498 |
| 0.8 | 0.540 | 0.962 | 0.868 |
| 0.5 | 0.526 | 0.958 | 0.851 |
| 0.2 | 0.470 | 0.946 | 0.828 |
| 0 | 0.252 | 0.854 | 0.653 |
本报告虽非传统金融估值分析报告,无市盈率等估值模型,但对算法性能采用了多维度指标AUC-PR、AUROC、F4-Score等进行诊断,评估框架提升的实效性。结合多模型对比实验,体现提出方法在金融数据异常检测领域的实证估值优势,尤其在捕获隐蔽多层级异常方面效果最佳。
报告未直接展开具体风险因素章节,但隐含风险包括:
风险管理方面拟通过模块替换、持续实验和模型调优缓解,未来工作期待设计更专门的LOB架构和扩展到其他异常场景。
整体而言,报告提出思路科学严谨,实验设计全面,但在真实场景适用性和系统实现细节方面存提升空间。
本报告针对交易操纵中最隐蔽的多层级虚假挂单行为,提出了创新的多层LOB表示学习框架,结合级联LOB嵌入与监督对比损失,以解决高维、噪声、层级复杂的问题。
通过广泛的对比实验,报告验证了:
最终,该框架及训练范式使得JFDS模型以OC-SVM判别器实现在合成多层虚假挂单检测中的当前最好效果,是交易操纵检测领域的一项重要进展,为金融市场安全的智能保障提供了有效手段。报告同时展望未来将继续探索更专门的LOB结构模型、丰富监督策略、及扩展至更多异常检测任务,预期进一步促进该领域理论和应用的发展。
全文溯源页码标签均附于相应段落,确保结论与数据清晰对应。
2508.17086.pdf