本文提出面向限价订单簿数据的LOB-ID评估框架,以DeepLOB学习Level-2订单簿轨迹的96维嵌入,并结合FID与MIND衡量真实数据和生成数据的分布差异。研究表明,MIND能够稳定区分不同股票与交易日,随价格、时间结构扰动增强而单调上升,并且相较FID和基于统计量的LOB-Bench更能识别矩匹配及深度订单簿重排攻击。对五类生成模型的比较显示,无未来信息条件下的DiffLOB整体表现最佳,LOB-ID的模型排序与其捕捉的时间及跨价位联合结构相一致。
标题:《LOB-ID: Evaluating Synthetic Market Data by Inception Distances》。
作者:Andreea Bacalum、Zhuohan Wang、Ollie Olby、Martin Garaj、Namid Stillman。
机构:Simudyne,英国伦敦。
发布日期:正文未明确列出正式发布日期,但参考文献中包含2026年工作,报告本身属于关于金融生成模型评估方法的研究论文,而非传统券商股票研究报告。
研究主题:如何评价合成限价订单簿(Limit Order Book,LOB)数据的真实性,重点是提出基于嵌入空间的LOB-ID指标,并比较FID与MIND两种距离度量在识别时间结构、跨价位结构和买卖盘依赖方面的能力。
报告没有股票评级、投资建议或目标价,其核心结论不是“买入/卖出”,而是:传统风格化事实、市场统计量和FID可能遗漏合成订单簿中的联合结构问题;通过使用DeepLOB学习出的领域特定表示,再计算MIND,可以更有效地识别合成数据与真实数据之间的结构性差异。
作者首先指出,合成市场数据可以用于回测、交易执行分析、风险计量和市场微观结构研究,并能够生成历史市场中没有实际发生过的替代路径。 其关键逻辑是,历史市场数据只包含一条已经实现的路径,而生成模型可以从某种潜在分布中产生大量可能情景,因此具有扩展压力测试和反事实分析范围的价值。
但是,LOB模型生成的对象并不只是价格序列。限价订单簿记录买方和卖方在多个价格层级上的挂单数量,订单通过价格优先和时间优先规则成交,订单簿状态则由连续的订单消息流不断更新。 因而,真正具有现实意义的模型应当同时刻画订单方向、订单类型、到达时间、数量、价格深度、买卖两侧以及这些变量之间随时间变化的依赖关系。
报告认为,现有评价通常依赖重尾收益、波动率聚集、订单流持续性等“风格化事实”,或者比较价差、盘口不平衡、成交量和价格冲击等选定统计量。 这些方法具有直观、可解释的优点,但问题在于统计量通常是人为选定的,并且不同研究使用的统计项目和计算方式并不一致,导致模型之间难以直接比较。
更重要的是,逐项匹配统计量不等于生成了一个连贯的市场轨迹。一个模型可能准确匹配收益分布、成交量分布和价差分布,却无法保持相邻订单簿状态之间的连续性,也无法保持一级盘口与深层盘口、买卖两侧及市场状态之间的联合关系。 作者因此将评价问题从“单个样本是否对应历史样本”转化为“生成样本是否来自与真实数据相似的分布”。
实验使用2025年9月至12月在香港交易所上市的五只流动性较高股票的消息级数据,包括腾讯0700.HK、快手1024.HK、网易9999.HK、美团3690.HK和百度9888.HK。 原始数据是Level-3消息流,作者据此重建包含买卖双方十档价格的Level-2订单簿。
时间划分采用严格的时间顺序:9月1日至12月12日用于训练,12月13日至20日用于验证,12月21日至31日用于测试。 这种划分避免了随机打乱造成的未来信息泄漏,并且测试区间处于年末交易活跃度较低的假期阶段,因此形成了从活跃市场到薄市场的自然分布变化。
需要强调的是,虽然原始数据和部分生成器在消息级别工作,但LOB-ID的特征提取器只接收Level-2订单簿状态窗口,因此LOB-ID直接评估的是Level-2轨迹中的时间、跨档位和买卖盘依赖,而不是完整的消息级订单流机制。
作者使用DeepLOB作为领域特定特征提取器,而不是直接使用图像领域的Inception-v3。 每个输入窗口包含连续100个事件索引的Level-2状态,输入维度为 (100\times40),其中40个特征来自十档买盘和十档卖盘的价格与数量信息。
DeepLOB原本用于预测未来100条消息之后的中间价是上涨、持平还是下跌,最终测试集准确率为75.44%,宏平均F1为75.29%,说明该网络在三类中间价变动预测上具有较均衡的表现。 作者移除DeepLOB的LSTM和最终分类头,只保留Inception模块的时间平均输出,得到96维嵌入向量。
这一步的经济含义是:模型并非直接比较原始盘口的每一个数值,而是比较一个已经学习过短期价格变化规律的表示空间。若该嵌入确实包含订单簿的有效微观结构信息,则两个数据集在嵌入空间中越接近,意味着它们越可能具有相似的联合盘口行为。
FID将真实嵌入和生成嵌入分别近似为高斯分布,只比较均值和协方差,因此本质上只能感知一阶和二阶矩的差异。 FID越低,表示两个嵌入分布在均值和协方差意义下越接近,但不同形状、不同尾部或不同多峰结构的分布可能因为前两阶矩相似而获得较低FID。
MIND则不对96维嵌入整体作高斯近似,而是从随机单位方向上投影数据,并计算投影后两个一维分布之间的平方二阶Wasserstein距离,再对多个方向求平均。 报告使用96维嵌入、缩放因子 (\alpha=3d=288),并采用256个随机投影估计MIND。
二阶Wasserstein距离可以直观理解为把一个分布“搬运”成另一个分布所需的最小运输成本;在样本数相同且权重相等时,一维投影后的距离可以通过排序样本精确计算。 因此,MIND既不需要估计高维协方差矩阵,又能够捕获超越均值和协方差的分布形状差异。
作者比较了五类生成模型:Zero Intelligence(ZI)、Compound Hawkes(CH)、LOBGAN、LOBS5和DiffLOB。
评价体系包括三部分:11项金融时间序列风格化事实、LOB-Bench的12项不依赖消息级数据的统计距离,以及LOB-ID。 LOB-Bench的统计距离包括L1距离和Wasserstein-1距离,涉及价差、不平衡、时间和成交量等指标;作者没有使用LOB-Bench的分类器部分。
图1展示五只股票、六个测试日之间的两两MIND距离矩阵,主对角线为同一股票同一天与自身比较,因此MIND为零。 每只股票对应一个约6×6的方块,同一股票不同日期之间颜色整体较深,表示距离较低;跨股票的方块颜色明显更亮,表示不同股票的盘口表示具有稳定差异。
这说明MIND没有简单地把所有Level-2数据视为同一种市场状态,而是能够识别股票之间持续存在的流动性、价格行为或订单簿结构差异。 圣诞节附近少数日期与相邻日期的距离上升,可能反映流动性、波动率或交易参与度变化,但作者没有进一步识别具体原因。
图2上半部分展示单个股票交易日的中间价路径,下半部分展示四类扰动下平均MIND随扰动强度 (\varepsilon) 的变化,纵轴采用对数刻度,阴影表示跨股票—交易日的一倍标准差。
四类扰动分别为线性趋势、随机游走、价格跳跃和行删除。线性趋势对所有价格列施加共同的时间变化,随机游走加入平滑但随机的价格运动,跳跃扰动在窗口中间制造一次阶跃变化,行删除则随机删除事件并用最后保留的状态填补尾部。
图中四条MIND曲线都从(\varepsilon=0)时的零开始,并随着扰动增强而持续上升,没有明显反转。 线性趋势和单次跳跃的MIND上升相对温和,说明这类扰动虽然改变了价格路径,但未必全面破坏盘口联合结构;随机游走导致整个窗口持续噪声,因此MIND升幅更大;行删除同样产生较强影响,因为它改变了事件间隔和时间结构。
这一实验支持MIND不仅能识别显著失真的数据,也能识别仍处于“看起来合理”范围内的细微结构变化。 但图2的扰动是人工设计的,且价格特征经过z-score标准化,因此其单调性不能自动保证在所有真实市场异常类型中都成立。
图3左侧显示DeepLOB训练损失随训练步数下降,右侧显示五个训练检查点下,真实数据与各生成模型之间的MIND。 左图标注的检查点从C1到C5逐渐靠后,验证集准确率约从74.6%提升到75.4%,加权F1约从74.2%提升到75.2%。
右图显示,早期训练阶段不同模型的MIND变化较大,但约4万至5万训练步之间,各模型的MIND逐渐进入平台期。 更重要的是,虽然绝对MIND水平会随嵌入网络训练阶段变化,模型相对排序基本保持不变。 这表明LOB-ID依赖嵌入网络质量,但在特征提取器充分训练后,对具体检查点并不高度敏感。
表1以三只股票、六个测试日共18个股票—交易日样本为基础,报告均值和一个标准差;除风格化事实数量外,所有距离指标均是越低越好。
未来条件DiffLOB使用真实未来轨迹计算出的趋势、波动率、流动性和订单流不平衡,因此属于“预知未来”的oracle设定,作者将其作为上限参考而不是公平竞争者。 它在三个距离指标上均表现最好,并复现7.22±1.00项风格化事实,而真实历史数据本身为7.67±0.59项。
在非oracle模型中,无条件DiffLOB整体最强,复现7.33±0.69项风格化事实,并取得最低的L1和LOB-ID距离,但在Wasserstein-1距离上排名第二。 LOBS5的Wasserstein-1距离最低,在L1和LOB-ID上均排名第二。 LOB-ID给出的非oracle排序为:无条件DiffLOB、LOBS5、LOBGAN、CH、ZI。
这一排序与模型结构存在明确对应关系:ZI独立抽样,几乎没有订单流与盘口状态之间的联合关系;CH只在事件到达时间上引入自激,数量和深度仍较独立;LOBGAN通过市场状态反馈改善了依赖结构;LOBS5直接建模消息流;DiffLOB则在时间和价格层级上联合生成完整轨迹。
值得注意的是,CH复现了6.06±0.87项风格化事实,超过其他非DiffLOB模型,但Wasserstein-1距离最高;LOBS5复现的风格化事实相对较少,却在三个距离指标中表现强劲。 这说明不同指标衡量的是不同性质,风格化事实数量高并不必然代表联合订单簿结构更真实。
作者构造了一个攻击,使被攻击嵌入的均值和协方差接近真实数据,同时最大化其分布形状差异。 攻击使用1024个真实LOB窗口作为可优化输入,固定DeepLOB网络,通过交替的“制造形状差异”和“修正矩条件”阶段进行优化。
最终矩损失为0.0033,满足约束条件;FID从真实—真实样本的噪声基准0.17上升至0.59,FID比率为3.5,而MIND从0.54上升至40.3,MIND比率达到74.5,约为FID比率的21倍。 这意味着FID并非完全无法识别攻击,但因为只观察均值和协方差,严重低估了已经匹配前两阶矩后的分布扭曲;MIND则保留了更强的识别能力。
第二种攻击保持一级盘口、价格、时间戳、消息特征和数量不变,只重新排列二至十档的深层盘口数量与订单数。 由于大多数LOB-Bench统计量主要依赖一级数据,且深层数据是在相同长度片段内重排,边际分布被保留,但深层盘口的时间连续性、买卖两侧关系和与一级盘口的协调性被破坏。
在18个股票—交易日上,LOB-Bench的12项统计指标平均比真实—真实噪声基准低95%±1%,其中9项被完全保留,另外三项也低于真实样本基准;价格冲击响应同样没有变化。 相比之下,LOB-ID的MIND平均高于噪声基准75%±17%,并且三个股票的增幅分别为9999.HK的40%、1024.HK的144%和0700.HK的42%。
该结果是全文最重要的实证之一:单项统计量可以认为被攻击数据“至少与另一份真实样本一样好”,但嵌入型MIND仍能发现深层盘口作为联合时间序列已经失去连贯性。
第一,LOB-ID的绝对数值高度依赖嵌入网络、预处理方式、样本量和随机投影协议,因此只有在这些条件一致时才适合横向比较。
第二,当前特征提取器只使用Level-2状态,所以它不能直接评价消息级订单流的完整生成机制;某些生成器虽然在消息级别运行,其消息逻辑仍可能没有被LOB-ID充分评估。
第三,样本仅覆盖五只香港交易所流动性股票和有限的测试时期,尤其测试集处于年末低参与度阶段,因此结论能否推广至其他市场、资产类别、极端行情或危机阶段仍需验证。
第四,报告承认未来条件DiffLOB使用实现后的未来状态变量,属于明显更容易的oracle任务,因此其优秀结果不能直接与无条件模型作公平比较。
第五,MIND虽然比FID更能抵抗矩匹配攻击,但作者也明确指出它并非完全免疫;同时,随机投影数量、嵌入维度和DeepLOB训练目标仍可能影响结果。
总体而言,报告建立了一个具有清晰方法论基础的评价框架:先用DeepLOB把100个连续Level-2订单簿状态压缩为96维领域嵌入,再通过FID或MIND比较真实与生成分布。 实证结果显示,MIND能够识别股票之间的结构差异、交易日之间的相似性、逐步增强的价格和时间扰动,以及传统统计量和FID可能忽略的联合结构破坏。
在模型比较上,LOB-ID支持这样一种结构性判断:能够直接或间接建模时间依赖、跨价位依赖和买卖盘联合关系的模型,通常优于仅匹配边际分布或只建模事件到达强度的模型。 无条件DiffLOB和LOBS5表现最佳,LOBGAN居中,CH和ZI相对较弱;但不同评价指标出现排名差异,恰恰说明合成LOB真实性不是单一维度,LOB-ID应与可解释的风格化事实和LOB-Bench统计量结合使用,而不应完全替代它们。
作者的总体立场是:MIND应作为LOB-ID框架中的主要分数,因为它比FID更能捕获Level-2订单簿轨迹的高阶分布差异和联合结构。 论文的最终贡献并不是证明单一指标可以完整评价市场生成模型,而是提出一种与传统统计诊断互补的、面向时间与跨价位联合结构的评价工具。
2608.13082.pdf