量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。

量化投资与机器学习公众号独家解读

量化投资与机器学公众号  QIML Insight——深度研读系列 是公众号今年全力打造的一档深度、前沿、高水准栏目。

公众号遴选了各大期刊前沿论文，按照理解和提炼的方式为读者呈现每篇论文最精华的部分。QIML希望大家能够读到可以成长的量化文章，愿与你共同进步！

重构订单簿

深交所的Level2数据包含逐笔委托和成交数据。准确的模拟撮合方法就是回放交易所的逐笔委托和成交数据，根据交易所撮合机制、市场流动性来模拟撮合订单，从而得出策略的成交概率。高频策略研究中，可以通过这两个数据重构订单簿，并生成任意时间间隔的快照数据。（上交所的逐笔数据暂时还未完全公开）。

作者基于深交所的Level2数据重构了订单簿，生成了1秒间隔的快照数据及每一秒间隔内发生的交易统计数据，分别称为Snapshot component和Periodical component，下图就展示了平安银行某个时间点的快照：

关于重构订单簿，作者指出学术界常用LOBSTER软件，公众号查了下一年的费用需要近5000欧元😭。他们自己用C++实现了重构逻辑，但没给出具体逻辑和代码。

基于以上1秒间隔的Snapshot及Periodical数据，作者尝试构建预测模型对未来一段时间的价格及成交量进行预测。

深度学习模型预测Tick级价格变动

特征

作者一共构建了124个特征, 分成两大类：

• 第一类是过去一段时间的交易数据，一共有8个特征，包含：VWAP、成交量、订单量及高开低收成交量；

• 第二类是买卖双方的力量对比，一共有116个特征，买卖双方分别有58个，包含：

• 10档快照数据（价格、规模、订单数量、订单平均的新鲜度*），这里一个有40个特征；

• 已成交订单的数据，分为三个类别，总成交/大单/中单，每个类别包括价格、成交量、订单量及被动端的平均新鲜度，这里一共3*4=12个特征；

• 取消订单的数据，订单发出时及订单取消时的市场平均深度、平均价、成交量及取消订单的数量，一共2*3=6个特征。

作者对以上特征数据做了以下处理：

• 价格数据保持不变，当没有成交量时，对价格数据进行前向填充；
• 交易量数据除以所有交易量数据的10%分位数进行标准化；
• 订单量数据除以所有订单量数据的10%分位数进行标准化；
• 新鲜度分为三类: 0 (过去5秒以内), 1 (过去5-30秒), 2 (过去超过30秒)。

标签

预测未来1, 2, 3, 5, 10, 20, 30, 60, 120, 180, 240, 及300秒的价格及成交量：

• 对于价格，预测的是未来时间点加权平均价的分位数，分位数划分如下，10%、20%、40%、20%及10%，分别对应标签-2、-1、0、1及2；

• 对于成交量，也是预测成交量大小的分位数：20%、40%及20%，分别对应标签0、1及2。

详细的特征及标签的说明如下（除去股票代码和时间）：

模型

训练数据：2020年6月3日至2020年8月31日，9:30-11:30及13:00-14:57的快照数据；

测试数据：2020年9月1日至2020年9月30日的快照数据；

每个输入到模型的数据结构如下：

针对每个预测标签都构建一个模型，所以任何一类模型都会有24个子模型，如12个预测价格的模型及12个预测成交量的模型。（1, 2, 3, 5, 10, 20, 30, 60, 120, 180, 240, 及300秒的价格及成交量）。

总共测试了5个模型，模型的架构如下图展示：

测试结果 

由于计算资源的限制，作者在最后的实证中对20个交易最活跃的股票进行了建模分析，预测的标签是未来5，6及300秒的价格。使用的是Pytorch和RTX 2080显卡，结果如下：

可以看出，LSTM和CNN-LSTM要优于MLP和CNN。且所有四个非线性的模型的表现都优于线性模型。但是同样也可以看到，每个模型预测准确率最高的分位数是区间是0.3-0.7，也就是说模型对于极端价格的变动没有很好的预测能力。作者表示，未来应该使用更多的数据，更长的历史Lookback长度及更复杂或合适的网络结构构建深度学习模型。

开源代码

所有的模型代码及数据均已在Github开源，大家可以访问如下网址获取：

https://github.com/hkgsas/LOB