Представлен Causal Market Simulator: нейросеть оценивает влияние ордеров на цену

Когда трейдер исполняет крупный ордер, важен не вопрос «какой будет цена», а вопрос «какой была бы цена, если бы я не торговал». Рыночное влияние, как подчёркивают авторы статьи, причинная величина. Классические модели (Almgren, Chriss, пропагаторные модели) при этом регрессируют цену на поток ордеров, и такая оценка смещена, когда информированный поток двигает цену не только самими сделками, но и через информацию.

В ответ авторы представляют proof-of-concept (демонстрацию принципа) под названием Causal Market Simulator: это непрерывная по времени причинная prior-data fitted network (PFN, сеть, обученная на априорном распределении данных). Её обучают на синтетическом рыночном prior (априорной модели рынка), в котором скрытый информационный поток по построению смешивается со связью «поток, цена»; сила этого смешения (конфаундинга) задаётся точно для каждого эпизода.

На синтетическом prior смещение наивной оценки подчиняется замкнутой формуле, которую авторы подтвердили эмпирически: наивная оценка завышает влияние до 68%. При сильном конфаундинге PFN следует за несмещённым оракулом, знающим истинные параметры. Её «двойник» (та же модель, у которой убраны входы интервенции) схлопывается к среднему значению до окна.

Далее модель проверяют zero-shot, то есть без дообучения. В лимитной книге заявок ABIDES она откликается на метаордеры в масштабе истинного эффекта: +0,38 стандартных отклонений до начала ордера против контрфактических прогонов seed-replay. Отклик воспроизводится и на реальных данных: на примерно 2300 обнаруженных всплесках потока ордеров в бессрочных контрактах (perpetuals) на BTC, ETH и SOL и на 3800 всплесках в акциях Nasdaq. Сами авторы называют это свидетельством, согласующимся с причинным переносом, но не доказательством его.

Вне синтетического prior отклик деградирует плавно, а сплит-конформная рекалибровка (split-conformal) восстанавливает калибровку интервалов. Перенос на реальные данные, по словам авторов, зависит от того, что метаордер кодируется как добавленный поток, а не как зафиксированный ценовой уровень, а не от объёма обучения. Рекуррентный вариант (recurrent state-space) закрывает оставшийся разрыв по форме отклика: влияние в нём накапливается за время исполнения, тогда как у трансформера остаётся плоским. Корреляция с измеренным влиянием метаордера выросла с +0,68 до значений от +0,92 до +0,96, но ценой более слабого деконфаундинга на prior, которое авторы связывают с рецептом обучения, а не с рекуррентностью.

Ключевые факты

Causal Market Simulator, proof-of-concept: непрерывная по времени причинная prior-data fitted network, обученная на синтетическом рынке со скрытым информационным потоком, который смешивается со связью «поток, цена».
На синтетическом prior наивная регрессия цены на поток завышает влияние до 68%; PFN при сильном конфаундинге следует за несмещённым оракулом.
Zero-shot отклик на метаордеры в ABIDES составляет +0,38 стандартных отклонений до начала ордера; на примерно 2300 всплесках потока в BTC/ETH/SOL perpetuals и 3800 в акциях Nasdaq отклик воспроизводится.
Авторы называют реальные данные свидетельством, согласующимся с причинным переносом, но не доказательством.
Рекуррентный вариант поднял корреляцию с измеренным влиянием метаордера с +0,68 до +0,92…+0,96, но хуже деконфаундит на prior.

Почему это важно

Оценка рыночного влияния, вопрос о том, как крупный ордер сдвигает цену, и от неё зависит, во что обходится исполнение сделки. Авторы настаивают, что это причинная величина («что было бы без моей сделки»), а классические модели Almgren, Chriss и пропагаторные модели регрессируют цену на поток и дают смещённый результат, если информированный поток влияет на цену и через информацию. Работа предлагает вместо регрессии обучать причинную PFN на синтетическом рынке, где степень смешения известна точно, и затем переносить её на реальные потоки.

Кому это важно

Прежде всего исследователям микроструктуры рынка и количественным аналитикам, которые занимаются оценкой рыночного влияния и издержек исполнения, а также тем, кто работает с причинным выводом и prior-data fitted networks (PFN). Для широкого круга читателей это методическая статья: конкретных продуктов и участников рынка в ней нет.

Как это применить

Это proof-of-concept, и о готовом инструменте речь не идёт: в аннотации не заявлено применение модели в реальной торговле или получение торговой прибыли, не указаны размер модели, вычислительные затраты и публикация кода или данных. Практически полезны методические выводы авторов: сила конфаундинга в синтетическом prior регулируется точно, перенос зависит от кодирования метаордера как добавленного потока, а не зафиксированного ценового уровня, а для калибровки интервалов вне prior помогает сплит-конформная рекалибровка.

Можно ли доверять

Это препринт на arXiv, и главные цифры получены в основном на синтетических данных: до 68% завышения наивной оценкой относится к синтетическому prior, а не к реальному рынку. Авторы сами осторожны: репликацию на крипто- и nasdaq-данных они называют свидетельством, согласующимся с причинным переносом, но не доказательством. Для реальных данных в аннотации нет численной оценки смещения, а сравнение с наивным оценщиком проведено на синтетическом prior, а не с моделями Almgren, Chriss или пропагаторными на реальных данных. Срок и период сбора данных BTC/ETH/SOL и Nasdaq в тексте не указаны.

Риски и подводные камни

Обучение идёт на синтетическом рынке, в котором скрытый информационный поток встроен по построению, поэтому качество на реальном рынке зависит от того, насколько этот prior на него похож; вне prior отклик, по словам авторов, лишь плавно деградирует. Перенос чувствителен к тому, как кодируется метаордер (как добавленный поток, а не как зафиксированный ценовой уровень). У рекуррентного варианта, который лучше передаёт форму отклика, слабее деконфаундинг на prior. Наконец, +0,38 стандартных отклонений выражено лишь в единицах до начала ордера, без перевода в деньги или базисные пункты.

«свидетельство, согласующееся с причинным переносом, хотя и не доказывающее его»

— из аннотации статьи «Market Impact Estimation via Causal Foundation Models»