基于$K$-最近邻重采样的限价单簿模拟与交易评估
原文中文，约1800字，阅读约需5分钟。
📝
内容提要
本研究提出了改进的LOBRM模型和TAQ稀疏编码方法，提升了预测准确率。通过构建市场仿真器DSLOB，研究高频数据的分布偏移，并开发基于强化学习的市场做市策略和生成模型，探讨深度学习在金融领域的应用及局限性，提出新的市场仿真器校准方法，以提高交易决策的有效性。
❓
Q&A
LOBRM模型的改进主要体现在什么方面？
LOBRM模型的改进主要体现在引入时间加权z分数标准化和指数衰减核，提升了预测准确率。
DSLOB数据集的构建目的是什么？
DSLOB数据集的构建目的是用于对高频时间序列数据中的分布偏移进行对比实验。
强化学习在市场做市策略中的应用效果如何？
强化学习在市场做市策略中的应用效果良好，通过卷积神经网络和注意力机制提取特征。
深度学习模型在新数据中的表现如何？
深度学习模型在新数据中表现出明显的性能下降，质疑其在实际市场中的适用性。
JAX-LOB模拟器的主要优势是什么？
JAX-LOB模拟器的主要优势是能够并行处理数千个挂单簿，显著减少消息处理时间。
新型深度学习模型HLOB的特点是什么？
HLOB模型利用信息过滤网络揭示卷面层次之间的依赖结构，并保证处理复杂性的确定性设计。
🏷️
