深度学习可以在限额订单簿中复制适应性交易者

背景：深度学习神经网络（DLNNs）详细解释深度学习神经网络（DLNNs）的操作超出了本文的范围，深度学习神经网络是一种相对新颖的机器学习算法，近年来已被证明非常成功。对于本文的目的，读者不需要详细了解DLNN的工作原理，除了它们基于并行分布式处理体系结构的基本信息，每个DLNN是一个由互连节点组成的网络，分为若干层，每层中有特定数量的节点，以及节点之间的加权连接。DLN中的每个节点都执行一个简单的计算，通常会生成一个输出值，该输出值是非线性函数的结果，该非线性函数是根据该节点的加权输入值之和计算得出的。在DLNN中，输入变量的值首先被馈送到节点的初始输入层，由每个连接上的权重进行调制；输入层节点的输出作为输入馈入下一层节点，称为第一个隐藏层。然后，来自隐藏节点层的输出作为输入馈送到下一层的节点，下一层可能是另一个隐藏层，也可能是一个或多个输出节点的最后一层，称为输出层。因此，DLNN可能很浅，只有三层（输入层、一个隐藏层，然后是输出层），或者如果有多个隐藏层，则可能更深。在这里考虑的DLNN中，所有加权连接都从一层中的节点沿输出层的方向向下运行到下一层。

也就是说，一层中的节点与早期层中的节点之间没有反馈连接，任何一层中的节点之间也没有连接，即我们只使用“前馈”DLNN。DLNN最常用于所谓的监督学习（supervisedlearning），其中一组训练数据重复呈现给DLNN，学习算法在每次呈现训练集中的一项数据后调整节点间连接上的权重。训练集中的数据项通常由一对向量组成：一个输入值向量和一个期望输出值的“目标”向量，当相关的输入值向量被馈送到DLNN的输入节点时，网络应该产生这些向量。随着时间的推移，学习算法会减少训练集中每个输入向量的目标输出和网络实际输出之间的误差。在通过学习算法减少或最小化错误后，通过将其暴露于一组测试数据（通常从训练数据的相同分布中提取）来评估LNN有效地学习从输入向量到输出向量的映射的程度。如果DLNN已学习到适当的映射，则测试集上的误差不应显著高于学习过程结束时在训练集上获得的误差。通常，DLNN是否学习从输入向量到输出向量映射的有效表示取决于学习系统的许多因素、超参数。特别重要的类型参数是那些决定网络体系结构的参数，即。

每层的层数和单元数：为这些数字设置适当的值与其说是一门科学，不如说是一门艺术，这涉及到一个实验错误的过程，以及有根据的猜测：这是我们回到第四节的主题。有关DLNNs的更多详情，请参见[24、20、6、18、26]。B、 背景：限额订单簿（LOB）。在几乎所有的世界主要金融市场中，买卖双方通过一种技术上称为连续双重拍卖（CDA）的机制进行互动。在CDA中，任何买家都可以随时宣布或报价，任何卖家都可以随时报价。在此期间，任何卖方都可以随时接受任何买方的投标；任何买方都可以随时接受卖方的报价。这是一个连续的异步过程，不需要集中的拍卖商，但它确实需要某种方式来记录已经发出但尚未交易的出价和报价：此记录是limitorder book（LOB）。在金融市场术语中，limitorder是指只有在找到愿意以该订单预先规定的限价进行交易的交易对手时才会执行的订单：这与立即执行的其他类型的订单不同，例如，在市场上的订单，通过在提交订单的那一刻市场将承受的任何价格来结算。LOB是一种发布并实时更新的数据结构，作为特定可交易项目（例如特定股票、特定货币对、特定固定收益债券等）市场供求现状的主要摘要。几乎每个电子金融市场交易所都会为该交易所交易的每个证券发布不断更新的LOB。

在外汇交易所（foreignexchange，FX）等市场中，没有正式建立的集中式交易所，但聚合服务发布实时外汇价格流，可以很容易地在GUI中显示为LOB的近似值。CDA一直是经济学和金融学研究的主题（参见，例如[17]）。这引起了经济学家的兴趣，因为即使只有极少数交易员，交易价格（即商定的交易价格）也会迅速接近理论市场均衡价格。均衡价格是最符合市场需求量和供应量的价格，从这个意义上讲，它是市场最有效的价格。CDA也很实用，因为每天都有数万亿美元流入世界各地基于CDA的国家和国际市场。尽管仍有一些交易所，人类交易员在中央交易坑进行物理会面，并发出口头出价和报价，但在许多主要市场，交易员通过基于屏幕的电子市场进行远程交易，通过在LOB上以特定价格对特定数量的报价进行交互。LOB显示的数据汇总了所有未完成的出价和出价，即发起这些出价和出价的交易员尚未取消的“实时”订单。在市场术语中，报价也称为ask，LOB有两个方面：出价方和出价方。投标方按照价格的降序显示现有投标限价订单的价格，以及每个价格下的可用数量，以便最佳（最高）投标位于账簿顶部。

ask侧显示未完成ask的价格和相关数量，以增加价格顺序，以便最佳（最低）ask位于顶部。在金融市场术语中，价差是指最佳出价和最佳出价之间的差异。如果交易者希望以当前的最佳出价出售，这被称为卖出出价；如果交易者想以当前最好的要价买入，这被称为取消要价。交易者可以发出跨越价差的报价，即发出价格高于当前最佳ask的出价，或发出价格低于当前最佳出价的ask，这两种情况都可以被标记：交易然后在发出交叉报价时，以LOB上的任何最佳价格进行；交叉报价上的价格无关紧要，只要它跨越价差。因此，例如，如果有两名交易员各自寻求以不超过1.50美元的价格购买XYZ公司的30股股票，一名交易员希望以1.52美元的价格购买10股；同时，如果有一个交易员以1.55美元的价格发行20股股票，另一个交易员以1.62美元的价格发行50股股票，那么XYZ的LOBfor将如图1所示，交易员会说XYZ的定价为“152-55”，价差为0.03美元，中间价是最佳出价和最佳出价的算术平均值。LOB上显示的信息有时被称为“2级”或“市场深度”数据。相比之下，“1级”市场数据只显示了最佳出价和最高价的价格和规模（数量），以及正在交易的工具上一次记录的交易的价格和规模。

有些人喜欢在家里的电脑上尝试“日内交易”，他们经常使用更受限制的数据进行操作，例如工具上一次交易价格的时间序列，或中间价格，即当前最佳出价和最佳任务之间的点。通常，金融市场数据越丰富、数据量越大，从商业提供商处购买的成本就越高。投资银行和对冲基金的专业交易员经常使用完整的二级数据，但众所周知，这些机构的研究人员比资金微薄的大学学者获得的资源要好得多。在我们研究的早期探索性概念验证阶段，购买DLNN培训所需的大量2级数据历史记录许可证的成本非常昂贵：需要购买2级历史数据的替代品，这就是为什么我们使用第二节所述的LOB市场模拟器BSE。D以下。图1：虚拟可交易证券（股票代码为XYZ）的限额指令簿（LOB）如何出现在交易员屏幕上。账簿的出价侧显示在左侧，最高价格位于顶部；右侧显示询问端，顶部显示最低价格。最好的出价是1.52美元，按这个价格需要10台XYZ；最好的要价是1.55美元，按这个价格提供20套。书的两面深度为70，买卖价差为0.03英镑，市场中间价为1.535美元。有关进一步的解释，请参阅正文C。

方法：通过观察销售交易来训练DLNN如果我们试图让DLNN学习在基于LOB的真实金融市场中复制真实人类salestrader的自适应交易行为，假设交易员使用的是交易终端，而不是通过语音电话进行交易，记录交易者被要求执行的订单（这些订单来自客户），以及记录交易者通过其交易终端向市场发出的限价订单报价（出价或询价），将非常容易。即使她在打语音电话，speechrecognition软件也可以用来捕捉电话中的语录和回应流。假设准确的时间戳与贸易商发布的每个报价相关联；并且时间戳也与来自客户机的每个订单相关联；此外，假设每次LOB发生变化时，该变化也会记录在一个即时数据记录中，那么构建一个“整合磁带”就很简单了，即一个事件的时间序列，准确地记录涉及到交易方订单到达、该交易方报价发布的事件序列，以及LOB在某个交易期间的变化。该数据磁带可分为一组训练数据和一组测试数据。

测试数据将在DLNN学习时使用，调整其权重以减少误差；然后，在学习过程结束后，测试集将用于评估经过训练的DLN的有用性。虽然此处报告的工作不涉及从真实金融市场中的真实人类交易员处获取数据，但由于本文前面讨论的行为可能会产生令人望而却步的成本，我们可以在概念验证中采用与上述方法完全相同的方法，试图让DLNN学习在基于LOB的金融市场的适当现实模拟中复制ZIP销售交易员的适应性交易行为。为了最清楚地解释我们是如何做到这一点，第二节。D首先介绍了BSE，即我们用作实验平台的低端市场模拟，然后介绍了第二节。E提供了关于我们如何使用BSE以及公共领域机器学习DLNN软件工具包TensorFlow和Keras来设置我们的机器学习实验的更多详细信息；和第二节。F然后讨论相关工作。D、 设备：BSE对LOB市场的最低限度模拟理想情况下，需要的是一个真实世界的金融交易所，将其视为一个实验测试平台，但这显然是不可行的前景。然而，一个可行的替代方法是使用基于LOB的市场模拟，该模拟充分捕获了本研究的相关细节：BSE（the Bristol Stock Exchange）是一个开源模拟器，可以满足这些需求。疯牛病在【11、12】中有详细描述。

概括而言，其主要特点是：o虽然实际金融交易所通常会同时维护数十个、数百个、多个类型的可交易项目（即不同的股票、不同的货币对或不同的商品）的LOB，但B只有一个LOB，用于记录单一匿名/抽象类型的可交易项目中的限额订单。o疯牛病使实验者能够控制疯牛病市场上各种供需动态中的任何一种的规格BSE包括许多预先编码的机器人交易算法，这些算法来自过去30年来有关自动交易的文献，包括ZIP。这允许用户探索基于LOB的CDA市场的动态，而无需编写自己的机器人交易算法BSE的预编码机器人交易算法可以很容易地被复制和修改/编辑/替换，让BSE用户有机会探索开发自己的机器人交易算法，并根据BSE现有算法的各种组合对其进行评估。在广泛使用的编程语言Python（版本2.6）中，BSE故意编写为一个简单、可理解的单线程最小模拟。自2012年10月以来，该代码已在GitHub存储库中以开放源代码提供，并已下载多次，许多个人已经生成了Fork并上传了系统扩展，包括Vytelingum的AdaptiveAggressive（AA）robot trader strategy[37]，2011年IJCAI的一篇论文[14]证明了这是与人类交易者对抗时最具适应性的机器人交易者策略。

有关疯牛病的更多详情，请参见[11、12]。重要的是要记住，这里配置的BSE是对仅在单个可交易证券中运行LOB的金融交易所的模拟。它抽象或简单地忽略了现实金融交易中的许多复杂性。特别是，我们使用了BSE配置的一种方式，交易员可以在任何时候发布新的订单，取代交易员之前在LOB上的任何订单：也就是说，任何一个交易员在任何时候在aLOB上最多只能有一个订单；我们还使用了BSE设置，以便分配数量为1。这与基于实验主体的解构主义中长期确立的规范和实践是一致的。此外，按照目前的配置，B假设交易方和交易所之间的通信延迟为零，并且（非常方便）假设在任何一个交易员发出更改LOB的订单后，更新的LOB将在任何其他交易员发出其他订单之前分发给所有交易员（并且可能也会导致交易）。真正的金融交易远比这复杂，尤其是在延迟方面。E、 使用BSE作为销售交易员培训数据的来源第二节中概括描述的方法。C实现如下。BSE被用来创建完全由机器人交易员组成的市场，并制定了各种供应和需求计划，以从非平稳（即依赖时间的）分布随机生成客户订单，以便在SE中出售或购买任意可交易证券的单位。