基于扩散模型的限价订单簿事件流预测

时空实验室 2026-04-14

DSE精选文章

Limit Order Book Event Stream Prediction with Diffusion Model

Data Science and Engineering (DSE)是由中国计算机学会(CCF)主办，数据库专业委员会承办，施普林格·自然(Springer Nature)集团出版的开放获取(OA)期刊。本篇文章精选自DSE近期发文。

文章介绍

限价订单簿（Limit Order Book, LOB）可以理解为一个实时记录市场买卖意愿的动态系统。在任意时刻，市场中的买单和卖单不断被提交、成交或撤销，这些操作形成了一条连续到来的“事件流”。因此，LOB并不是静态数据，而是一个由离散事件驱动、持续演化的时间序列系统。LOB事件流预测的目标，是在给定历史事件的情况下，预测下一步会在什么时间发生、以及会发生什么类型的事件（如下单、撤单或成交）。这一任务的关键难点在于：事件的发生时间和事件类型并不是相互独立的。例如，某类订单的密集出现可能会影响后续事件的时间间隔，而时间间隔的变化也会反映市场状态的演化。因此，需要对“时间—事件类型”这一联合分布进行建模，以刻画二者之间复杂的依赖关系。传统方法通常基于随机过程（如点过程模型），通过设计或学习核函数来描述事件之间的影响关系，但这类方法往往依赖较强的建模假设，难以充分捕捉金融市场中高度非线性、快速变化的动态特性。

为此，作者提出了一种面向限价订单簿事件流预测的扩散模型框架LOBDIF，为LOB事件流预测构建了全新范式。该方法借助扩散模型将复杂的时间—事件联合分布分解为若干由高斯分布表征的连续步骤，同时设计专用去噪网络与跳步采样策略，前者可有效捕捉时间与事件类型的相互依赖关系，后者能显著提升推理阶段的采样效率。基于三类高流动性资产LOB真实数据的大量实验验证，LOBDIF的性能显著优于当前主流的先进方法。

模型框架

1. 整体框架

本文提出的LOBDIF模型由正向扩散与反向去噪两大过程构成：正向扩散过程为时间—事件样本逐步添加噪声，反向去噪过程则通过逐步消噪还原原始样本。针对LOB事件流预测中时间与事件类型的复杂关联问题，模型还引入了时间—事件编码器以精准捕捉二者的特征表示，并设计专用去噪网络，充分利用该表示实现高效的反向去噪。图1为LOBDIF的总体框架图。

图1. LOBDIF总体框架

2. 正向扩散过程

对于每个LOB事件，首先将离散的事件类型通过线性投影转化为连续表示，再对时间和事件类型两个维度独立且同步地添加步高斯噪声得到，构建马尔可夫链。

该正向扩散过程类似于图像扩散模型，但关键区别在于，图像扩散模型是在像素维度添加高斯噪声，而本方法则直接对采样点的事件时间与事件类型施加高斯噪声。

3. 反向去噪过程

反向去噪过程的核心是从纯高斯噪声出发，结合历史上下文，逐步恢复原始事件，与经典扩散模型的关键区别是引入了历史事件的上下文依赖。

（1）时间—事件编码

对于时间表示，本文采用位置编码方法将时间编码为连续向量表征。对于事件类型，首先将其编码为独热向量，再通过线性变换得到维的连续表示，以此提升特征表达能力。通过该方式，时间与事件类型被统一表示为具有相同维度的连续向量。

对于每个事件，将时间编码和事件嵌入逐个元素相加，得到事件—时间嵌入。整个事件序列的嵌入表示为，为事件序列的长度，为嵌入维度。此外，我们分别维护时间嵌入序列与事件嵌入序列。这两类嵌入分别用于捕获时间与事件维度的差异化特征，使模型能够自适应地融合并利用这些表示以提升性能。在初始事件嵌入与时间编码层之后，将、和分别输入三个自注意力模块。

（2）降噪网络

本文设计了一个去噪网络用于捕捉时间和事件之间的相互依赖关系，从而更好地学习时间—事件联合分布。具体而言，该网络在每一步去噪过程中同时执行时间注意力与事件注意力，以捕捉二者间的细粒度关联。去噪过程的每个步骤共享相同的结构，以上一步预测结果、去噪步骤和上一步历史上下文表示为条件实现去噪。

首先，使用正弦位置嵌入对进行编码。然后，基于给定条件与当前去噪步长，模型同时计算时间注意力和事件注意力，分别聚焦于时间输入与事件类型输入，生成对应的上下文向量。引入历史上下文，能够刻画事件流中时间—事件关系的动态特性，为下一事件的预测提供有效约束；而引入去噪步长则可显式建模扩散过程的动态演化。这两种信息共同使模型能够根据时间—事件依赖关系与扩散过程的变化动态调整注意力权重，从而有效捕捉时序事件序列的复杂结构。

实验结果

（1）实验设置

表1. 数据集信息

文章采用来自3类资产的6个真实数据集，覆盖美股与A股市场。每个数据集按照80%、10%、10%的比例划分为训练集、验证集和测试集。表1为数据集信息。

（2）性能测试

表2. 性能比较

实验选取了七类主流的LOB事件流预测模型作为对比方法，涵盖纯随机点过程、传统深度学习、基于神经网络的点过程、扩散基点点过程四大类。实验结果如表2所示，结果表明：在6个数据集上，LOBDIF的时间预测误差MAE均取得最优表现，说明其对下一事件发生时间的建模能力明显优于传统点过程方法和神经点过程方法；在事件类型预测准确率上，LOBDIF在大多数数据集上取得最好结果，整体表现优于各类基线模型；相比依赖强度函数建模的传统方法，LOBDIF通过扩散模型直接学习联合分布，能够更好地处理 LOB 中非规则、强耦合的事件流模式。

（3）效率测试

本文还比较了各数据集完成测试所需的平均时间。实验结果如图2所示，可以看出，LOBDIF在效率上显著优于其他对比方法，在三个数据集上的单步平均预测时间分别仅为1.5 ms、1.9 ms和1.4 ms。这种效率水平使LOBDIF成为限制订单中事件流预测的实用选择。作者将这一优势归功于跳步采样机制，它显著提高了扩散模型的效率。在其他模型中，SAHP的运行速度仅次于LOBDIF；而基于LSTM的模型（包括CT-LSTM和PCT-LSTM）效率相对较低。这类模型高度依赖LSTM 结构，它以顺序链结构运行，需要前一步的输出来计算下一步，因此存在固有的执行延迟。

图2. 平均运行时间比较

（4）消融实验

表3. 不使用时间和事件编码的LOBDIF的性能

①　时间事件编码器的影响：实验结果如表3所示，移除时间编码/事件编码后，模型性能均下降，时间编码的影响更显著，证明对不规则时间序列的编码是LOB建模的关键。

表4. 去噪网络性能比较

②　去噪网络的影响：实验结果如表4所示，将专用去噪网络替换为MLP和GRU后，模型的MAE和Acc.均显著下降。这主要是由于本文设计的去噪网络利用时间注意力和事件注意力来有效地捕捉时间和事件特征之间的相互依赖关系。相比之下，虽然MLP和GRU可以提取事件或时间特征，但仅适用于规则采样时间序列。

③　跳步抽样的优势：实验结果如图3所示，在保持扩散步数固定的条件下，随着去噪步数的减少，模型的预测速度显著提高。然而，这种去噪步数的减少对预测精度几乎没有影响，这表明该模型即使在去噪过程中使用较少的步数也可以保持性能。

图3. 平均运行时间比较

（5）超参数分析

图4. 不同超参数下模型的性能分析

超参数实验结果如图4所示。

①　扩散步数K：随着 K 增大，模型精度整体提升，但收益会逐渐减弱，同时训练计算成本明显增加。

②　训练轮数Epoch：模型性能会随着训练轮数增加而提升，因为模型能够更好地学习数据中的基本模式。但当epoch超过一定范围后，边际收益逐渐变小。

③　编码维度：编码维度增加通常有助于提升表达能力，但维度超过64后，性能增益不明显。

（6）去噪过程可视化分析

为了更直观地展示扩散模型如何逐步恢复真实事件分布的过程，文章对去噪过程进行了可视化，可视化结果如图5所示。初始阶段，时间—事件分布表现为高斯噪声。随着去噪迭代的推进，事件类型与事件时间分布逐步收敛。在最后一步，时间—事件分布与地面真实分布非常接近，表明LOBDIF模型有效地学习了复杂的时间-事件依赖关系。此外，随着时间和事件类型分布逐渐与真实分布一致，去噪质量在迭代过程中持续提升。这表明时间域和事件域之间的相互依赖关系在去噪过程中得到了有效的捕捉，这也印证了模型性能的显著提升。

图5. 时间—事件分布可视化

结语

本文提出了一种新的模型LOBDIF，它突破了传统的基于随机的预测方法，首次将扩散模型应用于限价订单簿事件流预测任务。为了有效和高效地建模时间和事件类型之间的关系，文章还引入了去噪网络和跳步采样策略两个关键组件。去噪网络擅长捕捉时间和事件类型之间的复杂模式，而跳步采样策略加快了预测过程中的去噪过程，显著提高了效率。大量实验表明，与最先进的方法相比，该模型取得了更好的有效性和效率，充分验证了其在限价订单簿事件流预测方面的潜力。

作者简介

郑泽涛，电子科技大学计算机科学与工程学院博士后，主持多项国家级和省级项目，在ICDE、AAAI等会议和期刊上发表多篇高质量论文，研究方向：事件流建模、时序决策、数据挖掘

李国安，电子科技大学计算机科学与工程学院硕士生，研究方向为金融智能决策与算法交易

梁德翠，电子科技大学经济与管理学院研究员、博导，国家级青年人才项目入选者，现研究方向为大数据分析与智能决策、风险管理、商务智能、粒计算、智能运维与管理等，发表SCI/SSCI期刊论文100余篇，是IET Fellow、BCS Fellow、RSA Fellow，入选全球顶尖科学家榜单（包括：国际学术机构ScholarGPS发布前0.05%榜单，美国斯坦福大学与Elsevier合作发布前2%榜单）。

邵杰，电子科技大学计算机科学与工程学院教授、博导，国家高端外国专家引进计划受聘专家，兼任四川省人工智能研究院（宜宾）常务副院长。发表高水平学术论文200余篇，入选全球前2%顶尖科学家榜单。主持和承担国家自然科学基金面上项目、重点项目，科技部科技创新2030—新一代人工智能重大项目，四川省重点研发项目，以及腾讯、华为、铁道科学研究院等企业项目。2019年担任CCF大数据领域推荐国际会议APWeb-WAIM程序委员会主席。2021年获四川省科技进步二等奖。

期刊简介

Data Science and Engineering（DSE）是由中国计算机学会（CCF）主办，数据库专业委员会承办，施普林格·自然（Springer Nature）出版的开放获取（Open Access）期刊。DSE致力于发表与数据科学与工程领域相关的关键科学问题与前沿研究热点，以大数据为研究重点，建设国际学术交流的重要平台，推动学术界和企业界的深度融合。征稿范畴主要包括：数据库系统、大数据管理与分析、大数据治理等相关基础理论、关键技术与系统实践。现任主编（Editors-in-Chief）为数据科学与工程领域的知名专家华东师范大学周烜教授和意大利英苏布里亚大学Elena Ferrari教授，现任执行主编(Managing Editor)为数据库专业委员会主任、华东师范大学周傲英教授和浙江大学高云君教授。

目前期刊已被EI、ESCI与SCOPUS收录，2024年影响因子(Impact Factor)为4.6，CiteScore为11.9，在计算机科学应用领域排名前8.87%(84/947)、计算机软件领域排名前9.6%(47/490)、信息系统领域排名前9.7%(46/474)，人工智能领域排名前12.7%(57/450)。欢迎大家免费下载阅读期刊全文，并积极投稿。

原文链接：

https://www.scopus.com/pages/publications/105029493324

文稿：吴嘉玲

校稿：李瑞远

排版：张育榕

审核：高云君

时序数据库

文章转载自时空实验室，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

基于扩散模型的限价订单簿事件流预测

评论