arXiv cs.AI· Jung Hun Phee, Tucker Balch·· 11 小时前AI 评分20
OrderFlowDiT：用传输正则化扩散 Transformer 预测限价单供给
OrderFlowDiT: Transport-Regularized Diffusion Transformer for Probabilistic Limit-Order Supply Forecasting
AI 导读
OrderFlowDiT 是一个面向未归一化买卖盘量价场的条件扩散 Transformer，通过引入非平衡最优传输（UOT）辅助损失，在 30 只美股 1950 个验证条件下将全场传输成本降低 45.8%、传输能量分数降低 26.1%，且每只股票均有改善。研究同时提出结合价格位移与总量敏感性的全场评估框架，将场精度与预测不确定性一并衡量。
正文 · AI 翻译
摘要：我们研究在给定当前订单簿和近期订单流的条件下，未来五分钟内提交的限价订单量的条件分布。该任务需要同时捕捉价格挂单位置、总量和预测不确定性。逐坐标的扩散损失没有显式考虑价格位移，而将场归一化为单位质量则会移除关于总量的信息。在选定的汇总统计量上达成一致，也不能确立对联合场分布的保真度。我们提出 OrderFlowDiT，一种用于未归一化买价和卖价价格量场（volume-at-price fields）的条件 Diffusion Transformer，并使用非平衡最优传输（UOT）辅助损失进行训练。我们还开发了一个全场评估框架，将同时对价格挂单位置和总量敏感的传输成本与适当的评分规则及校准诊断相结合。在针对 30 只美国股票的 1950 个验证条件的主要比较中，与仅使用均方误差训练相比，加入 UOT 使全场传输成本降低 45.8%，传输能量得分降低 26.1%。这两项指标在每只股票上均有改善。这些发现支持将价格几何和成交量纳入生成建模，并将场精度与预测不确定性一起评估。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；交易与市场微观结构（q-fin.TR） |
| 引用为： | arXiv:2610.22727 [cs.LG] |
| （或 arXiv:2610.22727v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22727 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jung Hun Phee [查看邮箱]
[v1]
2026年10月15日 星期四 22:56:40 UTC（217 KB）
来源：arXiv cs.AI · arxiv.org