用RAPIDS生成用于加速短期價(jià)格預(yù)測(cè)的限價(jià)訂單簿數(shù)據(jù)集

做市商是賣方的主要參與者，為市場(chǎng)提供流動(dòng)性。投機(jī)者站在買方一邊，進(jìn)行實(shí)驗(yàn)和研究，希望從中獲利。最終用戶是向零售經(jīng)紀(jì)人咨詢建議和交易的散戶投資者?？傮w而言，金融公司有興趣評(píng)估金融機(jī)器學(xué)習(xí)（ ML ）算法，以發(fā)現(xiàn)哪些算法最有利可圖。

研究人員最近發(fā)表了許多版本的這種類型的算法。我們?cè)噲D利用高頻數(shù)據(jù)和隨機(jī)森林（ RF ）模型的可解釋性，并選擇了本文中提出的 RF 方法研究短期價(jià)格預(yù)測(cè)的限價(jià)訂單簿特征：一種機(jī)器學(xué)習(xí)方法.

我們的研究發(fā)現(xiàn)，使用 GPU 的硬件加速減少了金融 ML 研究人員獲得預(yù)測(cè)結(jié)果所需的時(shí)間。由于大部分運(yùn)行時(shí)間都可以用于分類器訓(xùn)練，因此人們當(dāng)然對(duì)更有效的訓(xùn)練方法感興趣。

本文介紹了我們的研究，包括生成的數(shù)據(jù)集，使用限價(jià)訂單簿（ LOB ）數(shù)據(jù)進(jìn)行價(jià)格預(yù)測(cè)，以及 ML 訓(xùn)練的推薦步驟。我們解釋了所研究的 GPU 配置如何顯著加快 ML 訓(xùn)練時(shí)間，從而實(shí)現(xiàn)更高效和更廣泛的模型開發(fā)

數(shù)據(jù)集

本研究使用顯示實(shí)時(shí)股價(jià)的時(shí)間序列數(shù)據(jù)集來更好地理解 LOB 結(jié)構(gòu)和方向預(yù)測(cè)。市場(chǎng)數(shù)據(jù)公司提供Intrinio，本研究的數(shù)據(jù)集包含紐約證券交易所和納斯達(dá)克股票代碼的實(shí)際市場(chǎng)價(jià)格樣本，以 1 秒為基礎(chǔ)，來自道瓊斯 30 指數(shù)股票。

1 秒的報(bào)價(jià)被用作 ABIDES （基于代理的交互式離散事件模擬）的輸入，以生成看起來像市場(chǎng) LOB 的 LOB 數(shù)據(jù)。每條記錄上的時(shí)間戳都在第二個(gè)標(biāo)記處；例如： 2019 年 1 月 2 日的 2019-01-02T14 : 09 : 18Z ，即 2019 年的第一個(gè)交易日

輸入到 ABIDES 的 CSV 文件由這一列作為第一列，后面是 30 列 DOW 30 的美元價(jià)格（到兩位數(shù)）。本文將 AAPL 股票行情作為一個(gè)測(cè)試案例。

使用 ABIDES 生成合成數(shù)據(jù)

ABIDES 是一種模擬金融市場(chǎng)運(yùn)作的方法。在最近的論文中進(jìn)行了解釋，ABIDES: Towards High-Fidelity Multi-Agent Market Simulation，由佐治亞理工學(xué)院、佐治亞大學(xué)和摩根大通銀行的研究人員撰寫

ABIDES 模擬了許多通過交易所代理買賣資產(chǎn)的個(gè)人交易代理。模擬中的每一筆交易和其他事件都會(huì)被記錄下來，并與執(zhí)行交易的代理人聯(lián)系在一起。這使市場(chǎng)研究人員能夠詳細(xì)分析不同的代理人策略和事件如何影響模擬市場(chǎng)。重要的是，給定交換的 LOB 可以在模擬之后重建

ABIDES 模擬中的一些代理基于時(shí)間序列來評(píng)估資產(chǎn)，該時(shí)間序列表示代理在某個(gè)頻率下觀察到的資產(chǎn)的真實(shí)價(jià)值，并添加一些噪聲。這個(gè)時(shí)間序列被稱為基本價(jià)值股票的價(jià)格。為了在宏觀尺度上模擬一個(gè)更現(xiàn)實(shí)的市場(chǎng)，我們使用真實(shí)的歷史數(shù)據(jù)作為基本值。

為了創(chuàng)建合理的 LOB 數(shù)據(jù)來訓(xùn)練我們的 RF 模型，我們使用 Intrinio 提供的 1 秒報(bào)價(jià)作為 ABIDES 模擬的歷史基本值。圖 1 將輸出 LOB 數(shù)據(jù)的中間價(jià)與用作 AAPL 歷史基本面的 1 秒報(bào)價(jià)進(jìn)行了比較。

圖 1 。將 Intrinio 的 1 秒輸入 AAPL 報(bào)價(jià)數(shù)據(jù)（藍(lán)線）與單個(gè)交易日輸出 ABIDES 模擬的中間價(jià)（黑線）進(jìn)行比較的圖表

LOB 作為短期價(jià)格變動(dòng)的預(yù)測(cè)指標(biāo)

在貿(mào)易交易的投標(biāo)方，買方希望盡可能少地支付購(gòu)買給定證券的費(fèi)用。在要求方，賣方希望以盡可能高的價(jià)格出售證券。限價(jià)單是在買賣雙方設(shè)定這些限制的一種方式。

給定證券的 LOB 是一個(gè)訂單大小列表， x 軸為證券價(jià)格， y 軸為該價(jià)格下買賣雙方的總交易量。例如，買家愿意以每股 580 美元的價(jià)格購(gòu)買 100 股谷歌證券，因此出售者必須有足夠的股份來完成這 100 股。請(qǐng)參見圖 2 以獲取 LOB 示例。

LOB 分為出價(jià)部分（圖 2 中紅線左側(cè)）和要價(jià)部分（圖 2 紅線右側(cè)），前者的價(jià)格低于中間市場(chǎng)，后者的價(jià)格較高。

圖 2 :將 GOOG 安全的訂單簿快照限制在相隔 292 微秒的兩個(gè)時(shí)間點(diǎn)。訂單量顯示在 y 軸上，價(jià)格顯示在 x 軸上。中間報(bào)價(jià)由買賣盤之間的紅線標(biāo)記。

簡(jiǎn)單地說，買方希望在市場(chǎng)上支付更低的價(jià)格，而賣方希望獲得更高的價(jià)格。時(shí)間點(diǎn)在小數(shù)點(diǎn)后有九位數(shù)，這反映了現(xiàn)代證券交易所的納秒精度

兩個(gè)框架中的第一個(gè)框架（位于圖 2 頂部）的一個(gè)顯著特征是，從高點(diǎn)（高于標(biāo)記為 5 . 80 的點(diǎn)）可以看出，以 580 美元的價(jià)格出售的需求量很大。觀察這是如何主導(dǎo) LOB 的，預(yù)示著中間報(bào)價(jià)向右移動(dòng)，美元價(jià)值更高。

圖 3 顯示，當(dāng)向分類器提供更多的 LOB 深度時(shí)，預(yù)測(cè)價(jià)格走勢(shì)即時(shí)方向的準(zhǔn)確性會(huì)提高。這是直觀的，因?yàn)榉诸惼髟谟?xùn)練過程中有更多關(guān)于市場(chǎng)兩側(cè)的可用信息（出價(jià)水平和要價(jià)水平）。

圖 3 。限制訂單簿深度可能會(huì)有所不同。 ML 中間價(jià)格方向預(yù)測(cè)的準(zhǔn)確性在書中有更多級(jí)別時(shí)更加穩(wěn)健
圖片來源：費(fèi)薩爾·庫(kù)雷希

使用 RAPIDS 加速隨機(jī)森林訓(xùn)練

我們訓(xùn)練了一個(gè)隨機(jī)森林模型，以 LOB 數(shù)據(jù)作為輸入來預(yù)測(cè)短期價(jià)格走勢(shì)。我們訓(xùn)練了一個(gè)分類器來預(yù)測(cè)給定的股價(jià)是向上、向下還是持平

具體來說，目標(biāo)是預(yù)測(cè)未來 20 個(gè)中間價(jià)格（ m下一個(gè)) 將小于或大于之前 20 個(gè)中間價(jià)格的平均值（ m上一個(gè)) 以一定的幅度。我們將這一差額定義為 0 . 5 美分，這是我們數(shù)據(jù)集中任何兩個(gè) LOB 幀之間中間價(jià)格的最小非零差異。

標(biāo)簽為 2 表示價(jià)格上漲（ m下一個(gè)–米上一個(gè)> 0 . 5 美分），標(biāo)簽為 1 表示中性價(jià)格變動(dòng)，標(biāo)簽為 0 表示向下價(jià)格變動(dòng)（ m下一個(gè)–米上一個(gè)< -0 . 5 美分）

以下實(shí)驗(yàn)是在一個(gè)NVIDIA A100用于 RAPIDS cuDF 和 RAPIDS cuML 的 80 GB SXM ，以及用于 scikit learn 和 pandas 的兩個(gè) AMD EPYC 7742 64 核處理器。使用 RAPIDS cuDF 庫(kù)和 pandas 計(jì)算中間價(jià)、平均值和標(biāo)簽

圖 4 顯示了運(yùn)行時(shí)的比較。平均預(yù)處理時(shí)間是根據(jù)每種配置的 10 次運(yùn)行和 10 次預(yù)熱計(jì)算得出的。這是在 ML 訓(xùn)練運(yùn)行之前的一個(gè)標(biāo)記步驟，如圖 5 所示。

圖 4 。 CPU 與 pandas 以及 GPU 與 cuDF 的平均預(yù)處理時(shí)間的比較

我們使用 scikit learn 和 RAPIDS cuML 訓(xùn)練了一個(gè)由 100 棵樹組成的隨機(jī)森林分類器，并比較了兩者的訓(xùn)練時(shí)間。 RAPIDS cuML 是 scikit learn 的免費(fèi)替代品，它使許多流行的 ML 算法能夠在 GPU 上加速

圖 5 顯示了一個(gè) NVIDIA A100 80 GB 與 RAPIDS cuML 以及兩個(gè) AMD EPYC 7742 64 核處理器與 scikit learn 上訓(xùn)練工作負(fù)載的運(yùn)行時(shí)間的比較。 CPU 上的訓(xùn)練是多線程的，有 128 個(gè)線程，使用 scikit learnn_jobs參數(shù)

五次熱身的平均時(shí)間是 50 分以上，而 scikit 的學(xué)習(xí)時(shí)間是五次熱身平均 10 分以上。使用 GPU 進(jìn)行訓(xùn)練的速度大約快 10 倍。這些結(jié)果與 2022 年 GPU 研究結(jié)果一致，詳見Accelerating Machine Learning Training Time for Limit Order Book Prediction.

圖 5 。 scikit 在 CPU 上學(xué)習(xí)和在 GPU 上學(xué)習(xí)的訓(xùn)練運(yùn)行時(shí)間（秒）

GPU 上的培訓(xùn)可為這一工作量提供 10 倍以上的加速。 ML 分類器開發(fā)的迭代性質(zhì)使其時(shí)間密集，特別是考慮到金融市場(chǎng)中使用的大量時(shí)間序列數(shù)據(jù)。簡(jiǎn)而言之， GPU 是 ML 算法研究的游戲規(guī)則改變者。

金融數(shù)據(jù)集日益增長(zhǎng)的計(jì)算需求

雖然前面的例子使用了一個(gè)股票行情器，但這些高頻交易和限價(jià)訂單的用例需要多個(gè) AI 系統(tǒng)運(yùn)行相當(dāng)于多個(gè)的算法NVIDIA DGX SuperPODs通常，專門研究此類用例的組織需要多個(gè)資產(chǎn)類和跟蹤器

因此，這種算法的分析和應(yīng)用可以很容易地并行化，案例可以擴(kuò)展到需要加速時(shí)間和大量計(jì)算的多個(gè)人工智能系統(tǒng)。例如，定量金融、機(jī)器學(xué)習(xí)（如 RAPIDS cuML ）和深度學(xué)習(xí)應(yīng)用（如 LOB 數(shù)據(jù)集之上的神經(jīng)網(wǎng)絡(luò)）。

為了在開發(fā)金融 ML 算法時(shí)加快培訓(xùn)速度，您可以使用 RAPIDS 庫(kù)套件來利用 GPU 加速：

RAPIDS cuDF 取代 pandas Python 庫(kù)

RAPIDS cuML 取代 scikit 學(xué)習(xí) Python 庫(kù)

下載并安裝 RAPIDS開始為您的數(shù)據(jù)科學(xué)工作負(fù)載啟用 GPU 。記得事先安裝 NVIDIA 驅(qū)動(dòng)程序和 CUDA 工具包。