Key points are not available for this paper at this time.
A simulação de mercado financeiro (FMS) serve como uma ferramenta promissora para entender anomalias de mercado e os comportamentos de negociação subjacentes. Para garantir simulações de alta fidelidade, é crucial calibrar o modelo FMS para gerar dados que se assemelhem de perto aos dados de mercado observados. Esforços anteriores se concentraram principalmente na calibração dos dados de preço médio, levando a uma perda essencial de informações sobre as atividades do mercado e, assim, enviesando o modelo calibrado. Os dados do Livro de Ordens (LOB) são os dados fundamentais que capturam totalmente a microestrutura do mercado e são adotados por bolsas ao redor do mundo. No entanto, o LOB não é aplicável às funções de objetivo de calibração existentes devido à sua estrutura tabular que não é adequada para o requisito de entrada vetorizada. Este artigo propõe aprender explicitamente as representações vetorizadas do LOB com um autoencoder baseado em Transformer. O vetor latente, que captura as principais informações do LOB, pode ser aplicado para calibração. Extensos experimentos mostram que a representação latente aprendida não apenas preserva a auto-correlação não linear no eixo temporal, mas também a precedência entre níveis de preço sucessivos do LOB. Além disso, foi verificado que o desempenho da etapa de aprendizado de representação é consistente com as tarefas de calibração a jusante. Assim, este trabalho também avança o FMS sobre dados do LOB, pela primeira vez.
Li et al. (Qui,) estudaram essa questão.