PulseAugur
实时 11:58:31
English(EN) LOB-ID: Evaluating Synthetic Market Data by Inception Distances

新的LOB-ID框架使用AI嵌入评估生成式市场数据

研究人员推出LOB-ID,一个用于评估AI模型生成的生成式市场数据的新框架。该框架将现有的基于嵌入的指标,如Fréchet Inception Distance (FID)和Monge Inception Distance (MIND),应用于限价订单簿(LOBs)的特定领域。通过在大量的LOB数据上训练DeepLOB架构,LOB-ID可以评估订单簿轨迹的时间和跨级别结构,比传统方法对失真更敏感。 AI

影响 引入了一种更强大的方法来评估金融市场数据的生成模型,有可能提高量化金融中使用的生成数据集的质量和可靠性。

排序理由 该条目描述了一篇介绍AI生成数据新评估框架的新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的LOB-ID框架使用AI嵌入评估生成式市场数据

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Andreea Bacalum, Zhuohan Wang, Ollie Olby, Martin Garaj, Namid Stillman ·

    LOB-ID:通过初始距离评估合成市场数据

    arXiv:2608.13082v1 Announce Type: cross Abstract: Generative models of limit orderbook (LOB) data have advanced rapidly, but their evaluation often focuses on stylised facts and selected market statistics. These measures provide useful diagnostics but may not capture the joint te…