跳转至

LOB-ID：通过初始距离评估合成市场数据

文章背景与核心概要

长期以来，评估限价订单薄（LOB）数据的生成式模型主要依赖于风格化事实（stylized facts）和孤立的市场统计指标。尽管这些指标可作为诊断工具，但它们往往无法捕捉复杂的联合时间结构与跨层级结构。

本文介绍了 LOB-ID，这是一个基于嵌入的评估框架，专门针对 LOB 数据调整了弗雷歇初始距离（FID）和蒙日初始距离（MIND）。通过利用在五只股票的四个月二级（Level-2）订单薄数据上训练的 DeepLOB 架构所得出的特定领域嵌入，LOB-ID 被证明在时间、交易品种和检查点之间均具有稳健性。此外，作者证明了与传统的基于统计的指标相比，MIND 对分布攻击和深盘扰动保持了显著更高的敏感度，并成功根据五种生成式 LOB 模型的结构保真度对其进行了基准测试。

论文元数据

  • arXiv ID: arXiv:2608.13082 [q-fin.CP]
  • 学科领域: 计算金融 (q-fin.CP); 人工智能 (cs.AI); 计算工程、金融与科学 (cs.CE)
  • 发布日期: 2026年8月13日
  • 作者: Andreea Bacalum, Zhuohan Wang, Ollie Olby, Martin Garaj, Namid Stillman

摘要

生成限价订单簿 (LOB) 数据的模型进展迅速，但其评估往往集中于风格化事实和选定的市场统计数据。这些度量提供了有用的诊断，但可能无法捕捉订单簿轨迹的联合时间和跨层级结构。我们引入了 LOB-ID，这是一个基于嵌入的框架，它将弗雷歇初始距离 (FID) 和蒙日初始距离 (MIND) 调整用于 LOB 数据。为了获得特定领域的嵌入，我们在五只股票的四个月 Level-2 订单簿数据上训练了 DeepLOB 架构。我们表明，LOB-ID 在时间、工具和嵌入检查点之间是稳定的，并且在受控失真下单调上升。然后，我们针对 FID 构建了一个矩匹配攻击以及一个可逃避基于统计评估的深盘扰动。MIND 对这两种失真都保持了显着的更高的敏感度。最后，我们对五个生成式 LOB 模型（涵盖随机基线和深度学习方法）进行了评分，发现 LOB-ID 根据每个模型构建时所捕获的联合时间和跨层级结构对它们进行了排名。

Generative models of limit orderbook (LOB) data have advanced rapidly, but their evaluation often focuses on stylised facts and selected market statistics. These measures provide useful diagnostics but may not capture the joint temporal and cross-level structure of order-book trajectories. We introduce LOB-ID, an embedding-based framework that adapts the Fréchet Inception Distance (FID) and Monge Inception Distance (MIND) to LOB data. To obtain domain-specific embeddings, we train the DeepLOB architecture on four months of Level-2 order-book data for five equities. We show that LOB-ID is stable across time, instruments, and embedding checkpoints, and rises monotonically under controlled distortions. We then construct a moment-matching attack against FID and a deep-book perturbation that evades statistic-based evaluation. MIND remains substantially more sensitive to both distortions. Finally, we score five generative LOB models, spanning stochastic baselines and deep learning approaches, and find that LOB-ID ranks them in line with the joint temporal and cross-level structure each captures by construction.

访问与资源