Jane Street testet autoregressive Diffusion für synthetische Marktdaten
Can you use autoregressive diffusion to generate market data?
Ein Sommerpraktikant bei Jane Street baute ein generatives Modell für Marktdaten, das Orderbuch-Events mit Zeitstempeln erzeugt. Reine Diffusion erwies sich als instabil, Flow Matching funktionierte besser. Die größte Hürde: Marktdaten sind teils kontinuierlich, teils diskret – Preise und Zeiten haben scharfe Spitzen. Mit „Atom Smoothing“ und einem 20-Klassen-Kategorienkopf verbesserten sich die Randverteilungen deutlich, doch die Rollouts bleiben noch unrealistisch.
Obwohl die Ausrichtung der Randverteilungen wichtig ist, erfasst sie weder die gemeinsamen Beziehungen zwischen den Merkmalen noch die zeitliche Konsistenz mit dem vorherigen Kontext.
- armcat
Die eigentliche Geschichte hier ist diese wunderbare Darstellung der Anwendung von Diffusionsmodellen auf Zeitreihendaten, die weder diskret noch kontinuierlich sind. Es ist immer faszinierend zu sehen, wie Diffusionsmodelle in verschiedenen Szenarien eingesetzt werden, genauso wie bei Diffusions-Sprachmodellen.
- stult
Es gibt kein Marktmodell, das dauerhaft genau bleiben kann, weil der Markt unweigerlich die Erkenntnisse jedes Modells aufnehmen wird, das genau ist, bis diese Erkenntnisse nicht mehr genau sind.
- arjie
Bemerkenswertes Praktikum. Ziemlich dichte Ausarbeitung. Alles ist informativ.
Amüsanter Detailgrad, obwohl es Sinn ergibt, dass es auf zukünftige Praktikanten abzielt. Warum sollte man erwarten, dass die Zwischenankunftszeit von Aufträgen normalverteilt ist? Sicherlich erhöht die Ankunft eines Auftrags die Wahrscheinlichkeit anderer, Hawkes-artig. Ein netter kleiner Trick, um Studenten zum Reden zu bringen, nehme ich an.
Jane Street Praktikanten wie immer beeindruckend.