ViT-LOB：用于基于限价单簿的股票价格趋势预测的高效视觉 Transformer

在高频交易 (HFT) 中预测股票价格趋势要求极高的时间敏感性和资源效率。之前的研究在卷积神经网络 (CNN) 上堆叠了注意力机制，以提高预测性能。然而，这种堆叠的复杂网络结构表现出一定程度的冗余，导致过度的内存消耗和漫长的训练与推理时间，给在边缘智能设备上部署模型带来了挑战。在本文中，我们介绍了 ViT-LOB，一种轻量级深度学习模型，完全依赖于变换器和注意力机制，通过限价单簿 (LOB) 数据来预测股票价格趋势。在 FI-2010 数据集上的评估中，我们的模型在推理时间上实现了最低 54% 的减少，在内存消耗上实现了超过 90% 的减少，与最先进的方法相比，呈现出显著的成果.