Can you use autoregressive diffusion to generate market data?

Jane Street · 2026 · 4. Điều chỉnh · Độ khó: Khó — bài gốc

Bài nghiên cứu (dự án thực tập), không phải hệ đang chạy production. Wiki giữ vì nó cho thấy cách một quỹ định lượng nghĩ về dữ liệu thị trường như đầu vào cho model; phần toán chỉ tóm tắt ngắn.

Bối cảnh

• Model thường gặp trong tài chính định lượng nhận luồng sự kiện thị trường của một mã (lệnh treo được thêm, huỷ, khớp) và dự đoán giá tương lai. Model sinh thì hiếm hơn: tổng hợp được cả sự kiện sổ lệnh lẫn thời điểm chúng tới sàn, cho các "rollout" giàu chi tiết hơn một điểm dự báo.
• Dữ liệu thị trường vừa rời rạc vừa liên tục: sổ lệnh tiến hoá theo từng lượt hành động, nhưng giá có số giá trị lớn tới mức gần như liên tục, và thời điểm thì liên tục thật. Phân phối có nhiều "gai": cải thiện giá một tick ("pennying") phổ biến hơn hai tick nhiều; lệnh tới theo cụm, quanh giây tròn.

Thay đổi chính

• Dữ liệu: bốn năm cổ phiếu Mỹ, mỗi dòng có timestamp, giá, loại sự kiện (trade, cập nhật giá mua/bán tốt nhất (BBO)…). Model sinh đặc trưng của sự kiện kế tiếp rồi nối vào luồng (autoregressive).
• Kiến trúc encoder–diffuser: transformer che nhân quả cho latent mỗi vị trí; một head phân loại cho loại sự kiện, một head diffusion cho các đích liên tục (giá, thời gian trôi…).
• DDPM phân kỳ (88–95% giá trị cách trung bình hơn 8 độ lệch chuẩn); flow matching chạy tốt ngay.
• Xử lý điểm gián đoạn: chỉ 8% sự kiện là trade nên head phân loại đoán lệch. Chẻ BBO thành nhiều lớp ("chỉ đổi khối lượng", "ask tăng", "bid giảm"…), tách các "atom" (ví dụ thời gian trôi bằng 0) thành lớp riêng: head 20 lớp. Tốt hơn nhưng làm tay, không scale khi có thêm biến nhiều giá trị như "sàn nào".
• Atom smoothing: làm mượt phân phối có gai rồi "nặn" lại gai để giữ khối xác suất mà không tạo điểm gián đoạn; phải chọn đúng cách biểu diễn biến.
• Đánh giá bằng độ lệch total variation của phân phối biên, và một classifier phân biệt sự kiện thật với sự kiện sinh ra (bắt được quan hệ giữa các đặc trưng và tính nhất quán theo thời gian).

Vì sao

• Theo bài, model chưa đủ chính xác để làm bộ sinh thực tế, và rollout xa thì kém dần. Giá trị nằm ở chỗ chỉ ra các núm chính: bao nhiêu phần nên dự đoán theo lớp và bao nhiêu theo diffusion, và biểu diễn/làm mượt đặc trưng thế nào.

Bài học cho SWE

• Trước khi chọn kiến trúc model, xác định bản chất dữ liệu (liên tục, rời rạc hay lai); dữ liệu thị trường là lai.
• Đánh giá model sinh cần cả thước đo phân phối biên lẫn bộ phân biệt thật/giả.
• Kỹ thuật thủ công giải được ca nhỏ thường không scale khi số biến tăng.

Liên quan

• Jane Street 2026 (feature từ cùng loại sự kiện) · Optiver 2026 · Hudson River Trading 2022
• Hạ tầng nghiên cứu định lượng (dữ liệu thị trường, feature, backtest)