跳到正文
← 返回论文列表与筛选
阅读说明

本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。

DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。

本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。

引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。

关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。

分类依据与纠错

AI 根据所提供的论文材料归类：摘要明确使用高频限价订单簿数据比较金融价格预测模型，直接对应高频计量方向。

forecastingneural networktime series
反馈分类问题

正在核对关联版本…

DOI · 预印本使用 arXiv 编号

arXiv

作者的期刊发表依据

暂未核实关联作者的本站覆盖期刊正式发表记录。仍保留在“全部预印本”；资料缺失不代表没有发表经历。

arXiv：2309.11400 · v1

首次提交：2023-09-20 · 最近修订：2023-09-20

原站分类：q-fin.TR / cs.LG / econ.EM / q-fin.ST

收录依据：arXiv 计量经济学分类（econ.EM）

下载 BibTeX下载 RIS

代码、数据与补充材料

正在核对对应版本的资源…

关注这篇论文的作者
Paul Bilokon
Yitao Qiu

AI 解读 · 基于可核验材料

电子交易中的 Transformer 与 LSTM 比较

研究问题
在高频限价订单簿预测任务中，Transformer 能否优于 LSTM，其相对表现是否因绝对价格、价格差分和价格变动目标而改变？
方法与思路
作者比较多种 LSTM 与 Transformer 模型，提出新的 DLSTM 模型及适配金融预测的 Transformer 架构，并在多项订单簿任务上实验。
材料陈述的贡献
摘要称 Transformer 仅在绝对价格序列预测上具有有限优势，而 LSTM 类模型在价格差分和价格变动预测中表现更好且更稳健。
阅读关注点
应核对订单簿样本、预测期限、时间划分与调参预算、各任务损失函数，以及模型优势是否跨市场和不同时间段保持。
阅读边界
这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出比较数值、交易成本或收益结果，预测表现不能推出盈利能力。

GPT-6.1 Sol · 高 · 2026-10-03

原文摘要

With the rapid development of artificial intelligence, long short term memory (LSTM), one kind of recurrent neural network (RNN), has been widely applied in time series prediction. Like RNN, Transformer is designed to handle the sequential data. As Transformer achieved great success in Natural Language Processing (NLP), researchers got interested in Transformer's performance on time series prediction, and plenty of Transformer-based solutions on long time series forecasting have come out recently. However, when it comes to financial time series prediction, LSTM is still a dominant architecture. Therefore, the question this study wants to answer is: whether the Transformer-based model can be applied in financial time series prediction and beat LSTM. To answer this question, various LSTM-based and Transformer-based models are compared on multiple financial prediction tasks based on high-frequency limit order book data. A new LSTM-based model called DLSTM is built and new architecture for the Transformer-based model is designed to adapt for financial prediction. The experiment result reflects that the Transformer-based model only has the limited advantage in absolute price sequence prediction. The LSTM-based models show better and more robust performance on difference sequence prediction, such as price difference and price movement.

摘要来源：arXiv

笔记与分组