崩れるクオートとその検知：気配値（板）における一時的なメカニカル流動性の侵食の検出

arXiv cs.LG / 2026/4/27

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、電子制約付き板（リミットオーダーブック）における一時的な流動性侵食（「崩れるクオート」）を検出する方法を扱い、気配値の悪化が「流動性の引き揚げ」なのか「情報による再価格付け」なのかを区別することを目的としています。
ABIDESのエージェントベース・シミュレータを用い、マーケットメイカーの確率的なレジーム切替によって崩れが生じる多主体環境を構築し、実市場データでは得られにくい時間解像度のあるグラウンドトゥルースを用意しています。
著者らは、板情報の特徴量にもとづく検出パイプラインを提案し、ニューラルモデルで崩れ発生確率を校正（calibrated）して出力します。
実験では、エージェント側のグラウンドトゥルースに対してイベント識別が信頼性高く行え、ルールベースのベースラインに対してAUCが36%改善し、通常局面・高ボラ・強気相場・弱気相場でも頑健であることが示されます。
アブレーション分析や、グラウンドトゥルース機構の依存構造（独立/自己相関）を変えた検証により、この枠組みが両タイプの流動性引き揚げダイナミクスに一般化することが確認されています。

Abstract

本研究では、電子指値注文板における一時的な流動性の侵食（「崩れる見積り」）の検出を扱う。観測される見積りの劣化は、機械的な流動性引き揚げ、または情報に基づく再価格設定のいずれかを反映し得る。ABIDESエージェントベース・シミュレータを用いて、マーケットメイカーにおける確率的なレジーム切替から「崩れる見積り」が生じる、多エージェント環境を構築し、実市場データでは利用できない時間分解された真の状態（ground truth）を提供する。そこで、注文板の特徴量を用いて機械的に駆動される見積りの侵食を識別する検出パイプラインを開発し、調整済みの崩れる見積り確率を出力するニューラルモデルを学習させる。実験の結果、提案フレームワークは、エージェントレベルのground truthに対して「崩れる見積り」事象を確実に識別できることが示される。さらに、ニューラルモデルはルールベースのベースラインに比べてAUCを+36%改善し、通常時、高ボラティリティ、強気相場、弱気相場といった市場状況全般で頑健な性能を示す。時間的特徴に関するアブレーション研究およびground-truthメカニズムの依存構造を変える検証により、本フレームワークが、独立した流動性引き揚げダイナミクスと自己相関を持つ流動性引き揚げダイナミクスの両方に対して汎化することが確認される。