大模型能生成真实订单簿事件，却不懂市场状态，预测易出偏。
Do LLMs Understand Limit Order Book Dynamics?
- 用合成数据训练的LLM能生成合规订单簿序列
- 模型无法掌握订单簿状态，导致预测偏差
- 适合研究金融时序建模中大模型的局限性
一个在合成限价订单簿（LOB）数据上训练的大语言模型（LLM），在生成有效订单簿事件序列方面达到了接近完美的得分。然而，该模型的隐式世界模型未能学习到订单簿的状态。这一缺陷导致利用该模型预测未来订单簿事件时产生偏差估计和虚假可预测性。我们的分析引入了新颖的测试方法，用于检验LLM的世界模型，将先前针对确定性环境的工作扩展至订单簿所需的随机动态场景。
原文摘要 · Abstract (English)
A large language model (LLM) trained on synthetic limit order book (LOB) data achieves near perfect scores in generating valid sequences of LOB events. However, the LLM's implicit world model fails to learn the state of the LOB. This deficiency leads to biased estimates and spurious predictability in using the LLM to forecast future LOB events. Our analysis uses novel tests of an LLM's world model, extending prior work from deterministic settings to the stochastic dynamics needed for the LOB.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。