做市商是賣方的主要參與者，為市場提供流動性。投機者站在買方一邊，進行實驗和研究，希望從中獲利。最終用戶是向零售經(jīng)紀人咨詢建議和交易的散戶投資者?？傮w而言，金融公司有興趣評估金融機器學(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。我們試圖利用高頻數(shù)據(jù)和隨機森林（ RF ）模型的可解釋性，并選擇了本文中提出的 RF 方法研究短期價格預(yù)測的限價訂單簿特征：一種機器學(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)測結(jié)果所需的時間。由于大部分運行時間都可以用于分類器訓(xùn)練，因此人們當然對更有效的訓(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，使用限價訂單簿（ LOB ）數(shù)據(jù)進行價格預(yù)測，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)練時間，從而實現(xiàn)更高效和更廣泛的模型開發(fā)

數(shù)據(jù)集

本研究使用顯示實時股價的時間序列數(shù)據(jù)集來更好地理解 LOB 結(jié)構(gòu)和方向預(yù)測。市場數(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克股票代碼的實際市場價格樣本，以 1 秒為基礎(chǔ)，來自道瓊斯 30 指數(shù)股票。

1 秒的報價被用作 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 LOB 的 LOB 數(shù)據(jù)。每條記錄上的時間戳都在第二個標記處；例如： 2019 年 1 月 2 日的 2019-01-02T14 : 09 : 18Z ，即 2019 年的第一個交易日

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

使用 ABIDES 生成合成數(shù)據(jù)

ABIDES 是一種模擬金融市場運作的方法。在最近的論文中進行了解釋，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)的個人交易代理。模擬中的每一筆交易和其他事件都會被記錄下來，并與執(zhí)行交易的代理人聯(lián)系在一起。這使市場研究人員能夠詳細分析不同的代理人策略和事件如何影響模擬市場。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間序列來評估資產(chǎn)，該時間序列表示代理在某個頻率下觀察到的資產(chǎn)的真實價值，并添加一些噪聲。這個時間序列被稱為基本價值股票的價格。為了在宏觀尺度上模擬一個更現(xiàn)實的市場，我們使用真實的歷史數(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 秒報價作為 ABIDES 模擬的歷史基本值。圖 1 將輸出 LOB 數(shù)據(jù)的中間價與用作 AAPL 歷史基本面的 1 秒報價進行了比較。

圖 1 。將 Intrinio 的 1 秒輸入 AAPL 報價數(shù)據(jù)（藍線）與單個交易日輸出 ABIDES 模擬的中間價（黑線）進行比較的圖表

LOB 作為短期價格變動的預(yù)測指標

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

給定證券的 LOB 是一個訂單大小列表， x 軸為證券價格， y 軸為該價格下買賣雙方的總交易量。例如，買家愿意以每股 580 美元的價格購買 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。請參見圖 2 以獲取 LOB 示例。

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

圖 2 :將 GOOG 安全的訂單簿快照限制在相隔 292 微秒的兩個時間點。訂單量顯示在 y 軸上，價格顯示在 x 軸上。中間報價由買賣盤之間的紅線標記。

簡單地說，買方希望在市場上支付更低的價格，而賣方希望獲得更高的價格。時間點在小數(shù)點后有九位數(shù)，這反映了現(xiàn)代證券交易所的納秒精度

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

圖 3 顯示，當向分類器提供更多的 LOB 深度時，預(yù)測價格走勢即時方向的準確性會提高。這是直觀的，因為分類器在訓(xùn)練過程中有更多關(guān)于市場兩側(cè)的可用信息（出價水平和要價水平）。

圖 3 。限制訂單簿深度可能會有所不同。 ML 中間價格方向預(yù)測的準確性在書中有更多級別時更加穩(wěn)健
圖片來源：費薩爾·庫雷希

使用 RAPIDS 加速隨機森林訓(xùn)練

我們訓(xùn)練了一個隨機森林模型，以 LOB 數(shù)據(jù)作為輸入來預(yù)測短期價格走勢。我們訓(xùn)練了一個分類器來預(yù)測給定的股價是向上、向下還是持平

具體來說，目標是預(yù)測未來 20 個中間價格（ m下一個) 將小于或大于之前 20 個中間價格的平均值（ m上一個) 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 LOB 幀之間中間價格的最小非零差異。

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

以下實驗是在一個NVIDIA A100用于 RAPIDS cuDF 和 RAPIDS cuML 的 80 GB SXM ，以及用于 scikit learn 和 pandas 的兩個 AMD EPYC 7742 64 核處理器。使用 RAPIDS cuDF 庫和 pandas 計算中間價、平均值和標簽

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

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

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

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

五次熱身的平均時間是 50 分以上，而 scikit 的學(xué)習(xí)時間是五次熱身平均 10 分以上。使用 GPU 進行訓(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)練運行時間（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)使其時間密集，特別是考慮到金融市場中使用的大量時間序列數(shù)據(jù)。簡而言之， GPU 是 ML 算法研究的游戲規(guī)則改變者。

金融數(shù)據(jù)集日益增長的計算需求

雖然前面的例子使用了一個股票行情器，但這些高頻交易和限價訂單的用例需要多個 AI 系統(tǒng)運行相當于多個的算法NVIDIA DGX SuperPODs通常，專門研究此類用例的組織需要多個資產(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，案例可以擴展到需要加速時間和大量計算的多個人工智能系統(tǒng)。例如，定量金融、機器學(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 算法時加快培訓(xùn)速度，您可以使用 RAPIDS 庫套件來利用 GPU 加速：

RAPIDS cuDF 取代 pandas Python 庫

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

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