基于深度学习的中间价预测特征工程

为了进一步解释这一点，让我们考虑以下示例：为了提取日内标签，我们从timetk开始测量，中间价格将在多少事件中变化，以及在哪个方向（即上升或下降）。例如，从现在起，中间价将在10个活动中发生变化，并将上升。这意味着我们在kis时的标签将是{1,10}，其中1是中间价的方向，10是需要通过的事件数，以便看到移动发生。我们从这个标签系统出发，回答了一个关键问题：源自计量经济学的手工特征是否能够促进深度学习分类和回归性能。我们基于九种神经拓扑（即五种MLP、两种CNN和两种LSTM）和两种TotalView瘙痒数据集进行了广泛的实验，并将计量经济学特征的性能与其他三种特征集进行了比较。第一组基于【31】和【41】中所述的时间敏感和时间不敏感特征，第二组基于【40】中介绍的技术和定量分析，第三组基于第5.4节中所述的LSTM AEA序列自动提取的特征表示。4.

手工制作的特征库在本节中，我们提供了广泛的计量经济学特征列表的名义列表（见表3），以及文献中的其他两个最先进的手工制作特征集，它们是基于1级的。。。询问出价时间戳中间价价差价格数量价格数量1275386347944 126200 200 126300 300 126100 17。。。1275386347981 126200 200 126300 300 126100 17 ...1275386347981 126200 200 126300 300 126100 17 ...1275386348070 126050 100 126100 291 126000 2800 ...1275386348070 126050 100 126100 291 126000 2800 ...1275386348101 126050 100 126100 291 126000 2800 ...表2：关于技术和定量分析以及时间不敏感和时间敏感指标的订单示例。经济计量特征的描述见附录，而技术和定量特征集以及从LOB中提取的时间敏感和时间不敏感特征集的描述见【40】。我们从MB和LOB中提取经济计量特征，并将其分为四大类：统计特征、波动性度量、噪声度量和价格发现特征。第一类包括文献中广泛使用的基本统计特征（例如，【31】、【48】）。选择波动性度量特征背后的逻辑是价格过程的波动性与价格运动本身之间的密切关系。因此，我们认为本文中包含的波动性度量可以保留对实时价格预测有用的信息。当预测目标是下一次价格变动时，尤其如此。此外，计量经济学文献广泛证明，当在最高频率下工作时，所谓的微观结构噪声在测量基本量时会产生重大的有害影响。

此外，噪声过程直接影响基础价格过程本身，因此有助于观察到的价格变动。由于这些原因，我们对噪声过程的特征进行了大量估计，我们将其识别为噪声度量特征集。最后一组功能包括与价格发现过程相关的所有功能；i、 例如，考虑LOB双方互动的项目。文献中的几篇文章（例如，[40]、[37]）集中并证明了为了提高中间价预测的准确性，考虑买卖双方差异的重要性。表3中的每个功能在不同的持续时间下运行。持续时间特性在捕获有关时间序列下划线行为的信息方面起着重要作用。更具体地说，特征提取过程包括低频特征（例如基于插值的技术指标）和高频特征（例如自适应逻辑回归），两者相辅相成。低频特征识别长期趋势和结构化数据组件，而高频特征捕获不连续性和快速度量变化。这些功能的结合提高了神经网络的性能（例如，[31]和[33]）。5、深入学习本文的目的是预测中间价的走势。预测的产出具有双重信息：中间价运动的方向和导致中间价上升或下降的事件数量的预测。一种有效的方法是使用深度学习架构。我们考虑三种不同的神经网络类型（即MLP、CNN和LSTM），并分别运行它们。

然后，我们就优化问题检验它们的有效性。所提出的大多数测度都是在基本价格过程和污染噪声过程的广泛假设下制定的，并且是一致的估计量；在本文范围之外，我们不会详细讨论这些假设。