本研究针对限价单簿（LOB）表示学习中的特征提取和通用性不足问题，提出了标准化基准LOBench，并利用中国A股市场数据进行评估。研究展示了有效提取可转移特征的方法及其在不同任务中的优势，为未来研究提供了可复制的框架和指导。

该研究介绍了一种名为HLOB的大规模深度学习模型，用于预测限价单簿的中间价格变动。该模型通过信息过滤网络和同源卷积神经网络的灵感，揭示了限价单簿信息的空间分布和预测时间范围内的退化情况。实验证明，HLOB模型在金融市场预测中优于其他深度学习模型。

研究引入了一种新型的深度学习模型HLOB，用于预测限价单簿的中间价格变动。该模型利用信息过滤网络揭示了更深层次和非平凡的依赖结构，并通过同源卷积神经网络处理底层系统复杂性。实验结果表明，HLOB优于其他深度学习模型，揭示了限价单簿信息的空间分布和预测时间范围内的退化情况。