基于机器学习技术的中间价预测

根据【46】和【64】提取第一组特征。这组特性旨在捕获LOB的动态。如果我们考虑实际的原始LOB数据和交易类型不同回顾期（即订单下达、执行和取消）的相对强度，这是可能的。第二组功能基于技术分析。建议的列表描述了大多数现有技术指标（基本和高级）。技术指标可能有助于交易者发现其时间序列中隐藏的趋势和模式。第三类是基于定量分析，主要是基于统计模型；它可以提供隐藏在数据中的统计信息。这可以通过排名过程来验证，其中高级在线功能（即自适应逻辑回归）在大多数功能选择指标（即五个功能列表中的四个）中处于首位。附录A中对新引入的adapative logistic Regression功能的描述对建议的功能进行了全面描述，如下所示。4.1. 自适应Logistic回归我们建立了一个Logistic回归模型，我们在实验方案中使用该模型作为特征。该模型的动机是【63】和【81】，其中重点是LOB级别的本地行为。我们通过使用自适应学习率进行在线学习来扩展这一想法。更具体地说，我们使用Hessianmatrix作为自适应率。我们还根据接近最佳LOB水平和LOB更深的LOB水平之间的关系报告了逻辑系数的比率。由于0 6 hθ（V）6 1和V是LOB前六个最佳水平的库存量，我们将模型表述如下：hθ（V）=1+e-θTV（1）是逻辑函数（即假设函数），θTV=θ+nPj=1θjVj。

通过计算参数的可能性来考虑参数估计：L（θ）=mYi=1（hθ（V（i）））y（i）（1- hθ（V（i）））1-y（i）（2）对于m个训练样本，基于这种概率方法的代价函数如下：J（θ）=mmXi=1- y（i）log（hθ（V（i）））- (1 - y（i））日志（1-hθ（V（i）））.