本报告提出基于超维向量Tsetlin机框架的微价格估计模型,通过融合订单簿中深层级的买卖量比例及价差信息,实现对短期未来价格的高频率精确预测。实证结果表明,该模型在提高微价格预测准确度和计算速度方面表现优异,适用于高频交易环境中的实时价格调整 .
微价格估计模型拓展
订单簿特征编码方法
微价格调整流程及算法框架
实证分析结果
| Adjusted error | Microprice error | AvgSpread | Volatility |
|---|---|---|---|
| 0.1630 (0.0202) | 0.1723 | 15.2010 | 10.21 |
| 0.1099 (0.0155) | 0.1339 | 17.3512 | 31.04 |
| 0.0676 (0.0332) | 0.1069 | 10.1725 | 11.10 |
| 0.0648 (0.0092) | 0.0830 | 7.4088 | 35.20 |
| 0.1173 (0.0206) | 0.1417 | 10.0867 | 25.03 |
| 0.0461 (0.0091) | 0.0530 | 11.2936 | 9.22 |
量化因子及策略构建
报告题目: HIGH RESOLUTION MICROPRICE ESTIMATES FROM LIMIT ORDERBOOK DATA USING HYPERDIMENSIONAL VECTOR TSETLIN MACHINES
作者: Christian D. Blakely
发布机构: Centre for Artificial Intelligence Research, University of Agder, Norway
发布日期: 2024年11月22日
研究主题: 利用超维向量Tsetlin机器基于限价订单簿数据进行高分辨率微价格估计
报告提出了一种面向限价订单簿数据的微价格(Microprice)估计的误差校正模型。微价格是一种基于市场深度信息的高频价格预测器,利用订单簿中买卖双方订单的权重信息预测未来的价格走势。作者基于Stoikov的微价格估计模型进行了扩展,创新地引入了来自订单簿更高价格等级的不平衡动态信息,以对传统微价格估计进行快速而准确的调整。通过使用新兴的超维向量Tsetlin机器框架,该模型能在微秒级别快速高效地对未来价格进行预测。报告的核心信息在于,在科研与实盘交易中,预测精度的提升及实时处理速度是微结构市场中非常关键的,本文提出的算法有效地结合了更深层次的订单簿信息并展现出较强的实证效果。,1]
引言部分详细阐释了高频交易(HFT)及市场制造(Market Making)策略中,准确且快速响应订单簿数据以预判价格走向的重要性。在微秒乃至纳秒速度的市场中,对价格的合理预估可大幅提升流动性提供者的收益。报告指出,传统模型主要依赖订单簿最优买卖价(最佳买卖盘)和其不平衡指标,但真实市场价格变动受限价订单簿更深层级订单的影响,尤其要考虑多价位的买卖盘体量动态变化。此外,市场会存在“虚假信号”如市假盘(Spoofing)及具信息优势的交易行为,这些均要求模型在快速性与准确性上达到高度平衡,实现可靠的价格预测。报告的贡献即在于提出了基于更多订单簿层级的微价格校正并设计了高效计算框架。此部分确立了研究的动机、背景及需求。
本节简述了Stoikov提出的微价格概念及计算方法。微价格基于当前市场的中间价(mid-price)加权调整,调整项由订单簿的不平衡情况与价差(spread)决定。中间价为最佳买价与卖价的平均,带权中间价则利用买卖盘成交量占比决定权重。
具体公式如下:
该微价格的递归调整项 (g_i(I,S)) 通过期望计算未来价格变动并采用矩阵递归求解,确保估计的收敛性,显著优于简单加权或单纯中间价。这体现了微价格能够更好地反映价格的未来方向,尤其在高频市场中减少高度自相关性的不足。报告详细列出了用于估计参数的对称化数据处理、转移矩阵计算((Q,T,R))、及调整矩阵计算步骤。,2]
该章节引入了订单簿更深层级信息的处理方法。订单簿按价格等级划分,分别定义买卖盘在各价位的委托量 ( A_i )(卖盘)与 ( B_i )(买盘),总成交量为所有价位成交量之和 ( V_{\mathrm{total}} )。定义价格等级成交量占比 ( P_{A,i} = A_i / V_{\mathrm{total}} ), ( P_{B,i} = B_i / V_{\mathrm{total}} ),作为供应与需求的相对指标。
示例中,卖盘及买盘前三价位分别有成交量20、10、10时,总成交量80,各价位占比分别为0.25、0.125、0.125。价格变动事件触发这些比例快速变更。
此外,还考虑价差 ( S = P_a - P_b )、最新成交价格变动 (\Delta M_t)与微价格本身等特征。所有信息被形成一个时间戳的特征向量 (\mathbf{F}_t),全面描述当时订单簿状态。,3]
该部分详细介绍如何以高维稀疏二进制向量(Hyperdimensional Vectors, HVs)进行特征编码,这种方法具有效率高、鲁棒性强且操作简便等优势。
每个特征值(如价格层级成交量百分比、价差、价格变动等)被量化为离散等级,并映射为稀疏二进制高维向量。
为了体现价格等级信息,对每个价位的特征向量进行“绑定”(bind)操作,通过段的循环移位等方式进行编码,如:
[
\mathbf{H}{B,i} = \mathbf{H}(P{B,i}) \otimes \mathbf{H}_i
]
最终,将所有绑定后的向量及价差、最新价格变动、微价格估计向量进行“聚合”(bundle)合并成一个整体代表当前订单簿状态的高维稀疏二进制向量,用于后续机器学习模型输入。
随后,针对未来价格实际变动,设计了基于不同类型信息条(Tick bars、Dollar bars、Volume bars)的标签化标注方法,提升训练标签的多样适应性。训练过程中,Tsetlin机器(TM)通过输入编码的高维稀疏向量,学习如何对微价格进行调整。TM的分类输出对应微价格的调整幅度(例如-2、-1、0、+1 tick调整等)。,5,6]
算法1详细列出了事件驱动下,微价格估计实时更新的流程:
此外,作者说明目前实证中TM类别数设为5(对应从-2至+2 tick调整),根据实际交易环境,可灵活调整类别数量。该过程系统性强且便于实时部署,有利于高频交易系统集成。,7]
实证部分选取蓝筹股TSLA与小盘股TEM为案例,验证订单簿高阶价格层信息对微价格估计校正的有效性。以未来N步价格真实值与预测微价格估计值间的均方误差(L2范数)作为评价标准,考察两种股票微价格估计的精度改进。
关键发现如下:
整体来看,将订单簿多层级信息纳入微价格调整,对蓝筹股等流动性好、价差稳定的证券效果明显,有助于高频价格信号的精准预测。,8,9,10,11]
展示买卖盘在三个价格等级上的成交量变化过程。左侧显示事件前订单簿状态,右侧展现某买盘成功匹配卖盘后订单量减少,价差及成交量变化动态,表达限价订单簿的实时更新机制及其对分层订单量的影响。
从订单簿初始状态中提取数据,计算基本指标(如微价格、价差、不平衡),进而计算更深层价格等级的成交量百分比,编码为高维稀疏向量输入Tsetlin机器完成微价格调整学习。展示了从原始订单簿数据到模型输入的完整路径,强调编码和机器学习的衔接。
清晰描绘从原始订单簿数据、数据处理、超维向量计算到机器学习模型训练的全流程,体现了数据采集传输和计算各模块间的依赖顺序及数据交互,增强理解复杂过程的系统集成逻辑。
展示Tsetlin机器的输入由编码后的序列高维向量组成,输出为多分类预测,内部结构包括多条子句和参数。说明TM通过权重调控子句贡献,实现对分类的精细调节,支持复杂特征的学习。
这些图表共同呈现了微价格调整的理论与实证验证效果,深化理解订单簿深度信息对价格预测的影响。
,10]
表1(TSLA)与表2(TEM)分别显示了调整后微价格误差、传统微价格误差、平均价差以及日内波动率之间的关系。
该对比分明指出市场规模、流动性和价差对微价格估计准确性的关键影响因素。
报告核心在金融市场微结构微价格估计,非传统意义上公司财务估值,因此不涉及现金流折现(DCF)或市盈率等典型估值模型。其估值层面可理解为模型预测未来价格状态的准确度,通过L2误差衡量预测与真实未来价差的拟合优度。预测成功即为模型在高频交易中“价值”的体现。
机器学习模型(Tsetlin机器)根据订单簿信息训练,通过分类调整微价格,模拟对市场“真值”的估计修正。报告无直接财务估值而侧重于误差优化与交易信号价值体现。
报告在第5节经验部分间接揭示多种风险:
报告对算法实现中的效率提升提供了可行方向,如状态间相似度利用与预存编码向量等,提出FPGA加速作为未来方向,部分缓解计算时间风险。
总体,报告在其研究目标范围内严格且科学,但未来扩展和实际应用面仍需更多验证和优化。
本报告成功提出了一种结合更深层价格等级订单簿信息的微价格估计模型,创新地结合了超维向量编码技术和Tsetlin机器框架,实现了高效且鲁棒的高频价格预测调整。
在理论层面,基于Stoikov微价格模型构建递归调整机制,系统总结了订单簿等级成交量占比、价差及最近成交价格变动的动态特征。利用超维向量的编码方式,将海量高频复杂订单簿信息转化为简洁且稳定的表示,极大提升了机器学习模型的训练和预测效率。
实证结果显示,将高阶订单簿信息纳入微价格调整中,显著提升了预测的准确性,特别是在蓝筹股票(TSLA)流动性较高、价差较窄的环境中,微价格调整将价格预测误差降低约10%-20%。对应图表(图5至图8)清晰展示了调整带来的预测优势,其中订单簿不平衡指标对价格调整的引导效果明显。不同市场结构(大盘与小盘)间的性能差异亦被揭示,提示模型适用范围和潜在限制。
报告还指出实时交易环境中计算效率至关重要,提出采用FPGA硬件加速及编码重用等方法,作为未来研究与应用的方向。
总结而言,作者基于市场微结构理论和现代机器学习技术,提出的订单簿高阶信息微价格校正模型展示了极具潜力的高频价格预测能力,对高频交易、市场微结构研究具有重要参考价值。
全文所有结论与数据信息均直接依托报告文本,溯源见各章节页码。各图表及表1、表2均有明确溯源标记。
(附重要图表典型引用Markdown示例)
本分析力求全面涵盖报告所有核心内容、技术方法、实证分析与风险考量,对微价格估计领域的研究者及高频交易实践者均具实证与方法论参考价值。
2411.13594.pdf