本研究使用深度学习方法预测纳斯达克交易所上异构股票的高频限价挂单簿中价位变动的可预测性。通过开源代码 'LOBFrame' 处理大规模数据，评估深度学习模型的预测能力。结果表明，股票的微观结构特征影响深度学习方法的有效性，高预测能力不一定对应可执行的交易信号。提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径。

本研究开发了名为JAX-LOB的金融交易所限价挂单簿动态模拟器，能够高效模拟大规模交易。通过GPU加速，每条消息处理时间显著减少。研究还展示了如何通过强化学习解决最优执行问题，并分享了在GPU上进行端到端强化学习训练的初步结果。