基于Wasserstein GAN的LOB模型对抗后训练方法提出
热点事件持续更新
基于Wasserstein GAN的LOB模型对抗后训练方法提出
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Alexandre Bismuth等人提出了一种针对限制订单簿（LOB）基础模型的对抗后训练方法，发表于arXiv。该方法采用Wasserstein GAN目标，利用在线训练于真实非可微撮合引擎的批评者，指导进化策略在预训练生成器的秩4 LoRA扰动上进行更新，并处于KL信任区域约束下。 在测试集上，该方法使LOB-Bench的WS-21现实主义指标提升17.6%，Mean-L1提升17.0%，并将500消息滚出的误差累积从3.1倍降至2.3倍。
AI 根据报道生成 · 1 小时前更新
最新进展10月20日 12:00
基于 Wasserstein GAN 的高频交易 LOB 基础模型对抗后训练报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · ML基于 Wasserstein GAN 的高频交易 LOB 基础模型对抗后训练
针对限制订单簿（LOB）基础模型提出的对抗后训练方法，使用 Wasserstein GAN 目标与进化策略（LoRA 扰动）更新生成器。 在测试集上，该方法使 LOB-Bench 的 WS-21 现实主义指标提升 17.6%，Mean-L1 提升 17.0%，并将 500 消息滚出的误差累积从 3.1 倍降至 2.3 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。