Yang, Fang, Zhang & Zhou (2025) — An Efficient Deep Learning Model Based on LOB
一句话：A 股上 OFI 特征显著优于原始 LOB（149 个测试集复现了 Nasdaq 的结论）；提出利用买卖两侧对称性的孪生架构；A 股架构与 Nasdaq 不同——组合架构反而变差，Transformer 失败。
完整引用: Yang, J., Fang, R., Zhang, M., & Zhou, J. (2025). An Efficient deep learning model to Predict Stock Price Movement Based on Limit Order Book. arXiv:2505.22678（2025-05）。PDF 30 页。
机构: 中科院声学研究所（Institute of Acoustics, CAS）+ 中国科学院大学。
数据: 14 只军工板块 A 股股票，2021-01-06 至 2021-05-13（约 4 个月）。A 股 LOB 为每 3 秒一次十档 Level-2，每天 4,500–5,000 tick。
实验规模: 5 个模型 × 2 种输入（LOB / OFI）= 20 个组合，在 149 个测试集上评估。
四条核心结论
1. OFI 特征显著优于原始 LOB（A 股复现成功）
149 个测试集上，除 MLP 外，OFI 在各种预测期与测试集上都显著优于 LOB。
与 Nasdaq 一致：Kolm 等在 115 只 Nasdaq 股票上发现"订单流训练的模型显著优于订单簿训练的"。
MLP 例外：MLP 在 A 股上明显不如其他基线，可能不适合直接用于 A 股。
2. A 股架构与 Nasdaq 不同（本文最值得注意的发现）
| 架构 | Nasdaq | A 股 |
|---|---|---|
| LSTM（纯） | 基线 | 优于组合架构 |
| MLP-LSTM | 有改进 | 不如 LSTM，用 OFI 时恶化 |
| CNN-LSTM | 最强基线 | 不如 LSTM |
论文的解释：A 股 LOB 每 3 秒更新（Nasdaq 毫秒级），因此喂入 LSTM 前做预处理不再带来收益。
3. Transformer 失败
因果与非因果 Transformer 都表现很差。两条原因：
- 数据量不足（4 个月 14 只股票无法支撑 Transformer 训练）
- Transformer 通常要求输入离散化（tokenization / patchify），不适合 LOB 的连续动态特性
4. Siamese 架构有效
利用 LOB 买卖两侧的固有对称性——两侧分开过同一模块、共享参数。这样保证对两侧处理一致、减少参数与计算量、更有效利用数据。
除 LSTM-MHA 在 LOB 特征下外，Siamese 在多数情形优于基线。 总体在超过 75% 的情形下改进了强基线。
一个精细的定量结论：OFI 优势如何随预测期变化
用 LOB 与 OFI 的 MAE / R^2 互为回归：
| 指标 | 截距 | 斜率 | 含义 |
|---|---|---|---|
| MAE | 接近 0（MLP 除外） | 小于 1 且不变 | OFI 在各种数据难度上都更好，且几乎不受预测期影响 |
| R^2 | 显著大于 0（MLP 除外） | h{=}10 时 >1，随预测期增大而减小 | 短预测期在难数据上优势更大；长预测期在简单数据上优势更大 |
方法细节：标签截断
价格变动多数是 0.01 元渐进变化，但偶有跳价。论文把目标绝对值截断在 1 元（实际涨 1.5 元则标签设为 1 元），理由是让模型聚焦正常价格变动、降低罕见大跳的影响。
在本 wiki 的位置
- 摘要: 中文摘要
- 喂入概念: 更新 DeepLOB · LOB 深度学习序列 (Deep LOB Literature) · concepts/microstructure/Order Flow Imbalance (OFI)
- 作者: Jun Zhou
- 同系列: Zhang Zohren Roberts 2018 DeepLOB（Nasdaq）· Briola Bartolucci Aste 2024 Deep Limit Order Book Forecasting（评价方法论）
与本 wiki 其他页面的一致性
"OFI 优于原始 LOB"在四条证据上方向一致：
| 市场 | 口径 | 来源 |
|---|---|---|
| Nasdaq | 订单流训练 vs 订单簿训练 | Kolm 等（本文引用） |
| A 股 | 149 个测试集 | 本文 |
| Nasdaq（TAQ） | 预测口径下成交侧更优 | Ait-Sahalia Fan Xue Zhou 2022 High-Frequency Predictability |
| A 股 | 十分组多空 TI 1.71 > OFI 1.36 | concepts/microstructure/订单流分解 (Order Flow Decomposition) |
本 wiki 认为这是本批次最一致的实证共识。
四个待验证
- 14 只军工股是有偏样本——同质性高，OFI 优势可能来自板块特性。需全市场复现。
- 4 个月数据是否足够——论文自己指出这是 Transformer 失败的候选原因之一。
- 3 秒 LOB 能否改进以提升预测——若有更细的逐笔委托，结论是否改变？
- p_T 指标能否用于本文模型——本文只报 MAE 与 R^2，未报可交易性评估。