Antonio Briola
Affiliation: University College London（计算机系）· London School of Economics（Systemic Risk Centre）· UCL Centre for Blockchain Technologies。
Email: antonio.briola.20@ucl.ac.uk
研究领域: 金融市场微观结构与机器学习的交叉，特别是深度学习预测的可评估性。
在本 wiki 中的论文
- Briola Bartolucci Aste 2024 Deep Limit Order Book Forecasting — LOB 深度学习的评价方法论批评。提出 p_T（正确预测完整成交的概率）替代传统 ML 指标；发现 tick size 决定深度学习是否奏效；开源 LOBFrame。见 LOBFrame 与可交易性评估
研究特征
站在"从业者能否真的用"的角度审视学术结果——这是本 wiki 认为这篇论文最重要的价值。
论文的三个批评性判断：
- "高预测力 ≠ 可交易信号"——DeepLOB 类模型报告的 F1 > 0.45、准确率 > 0.7 与实际可执行之间存在距离。
- 传统 ML 指标（准确率/F1/MCC）不足以评价实用性——因为它们奖励"总是预测不动"的保守模型，也不惩罚"打断信号连续性"的行为。
- 学术与实践的距离根源是技术性问题——数据访问与存储成本、计算资源成本，导致学术研究把 LOB 当成"时间序列预测的游乐场"，忽略了系统的复杂性。
论文明确指出这个领域缺乏标准化的协议与可操作的开放软件——LOBFrame 的发布正是为了建立这个基准资源。
相关
- 合作者: Silvia Bartolucci · Tomaso Aste（同机构）
- 概念: LOBFrame 与可交易性评估 · DeepLOB · LOB 深度学习序列 (Deep LOB Literature)
- 被其批评的对象: Zhang Zohren Roberts 2018 DeepLOB · Zihao Zhang
- A 股版本: Yang Fang Zhang Zhou 2025 Efficient Deep Learning LOB