FlowLOB: 플로우 매칭을 이용한 효율적이고 제어 가능한 호가 체계 생성

FlowLOB: Efficient and Controllable Limit Order Book Generation with Flow Matching

호가 체계(LOB) 시뮬레이터는 현실적인 시장 역학, 계산적으로 효율적인 샘플링, 제어 가능한 시나리오 생성, 그리고 학습 과정에서 관찰된 상품 범위를 넘어 일반화할 수 있는 기능을 제공해야 실무자에게 유용합니다. 기존의 에이전트 기반 및 딥 생성 시뮬레이터는 이러한 기능 중 일부만 제공합니다. 본 연구에서는 조건부 플로우 매칭 생성기를 사용하여 호가 체계(LOB) 트레인 데이터를 생성하는 extbf{FlowLOB}를 제안합니다. FlowLOB는 홍콩 거래소(HKEX)의 다양한 상품을 대상으로 세 가지 샘플링 빈도($0.1$초, $1$초, $10$초)로 학습되었으며, 틱 상대적 표현 방식을 사용하여 학습되지 않은 상품에도 적용 가능합니다. 플로우 모델과 확산 모델은 공통된 수학적 구조를 가지므로, 동일한 데이터, 아키텍처, 그리고 예산을 사용하여 학습하고, 동일한 고정 단계 ODE 솔버를 통해 샘플링하여 샘플링 효율성과 정확성을 비교했습니다. 플로우 매칭은 단 $10$개의 ODE 솔버 단계를 통해 최상의 품질을 달성하는 반면, 확산 모델은 동일한 정확도를 얻기 위해 훨씬 더 많은 함수 평가가 필요합니다. 이러한 효율적인 운영 지점에서 FlowLOB는 두 가지 학습 기반 모델과 두 가지 에이전트 기반 모델을 포함한 기존 모델보다 대부분의 분포 측정 기준에서 현실성을 향상시킵니다. 카운터펙추얼 제어 가능성은 시나리오 조건을 변경했을 때 생성된 통계 값이 해당 실제 데이터의 꼬리 영역으로 이동하는지 확인하는 분포 테스트를 통해 평가했습니다. FlowLOB는 대부분의 테스트 환경에서 이 기준을 충족합니다. 현실성과 제어 효과는 학습되지 않은 상품에 대해서도 일반화됩니다. 또한, 네트워크 아키텍처 및 학습률에 대한 추가적인 분석 연구를 수행했습니다.

Limit order book (LOB) simulators are most useful to practitioners when they combine realistic market dynamics, computationally efficient sampling, controllable scenario generation, and the ability to generalize beyond the instruments seen during training---properties that existing agent-based and deep generative simulators provide only partially. We present \textbf{FlowLOB}, a conditional \textbf{flow}-matching generator of \textbf{LOB} trajectories, trained on multiple Hong Kong Exchange (HKEX) symbols at three sampling frequencies ($0.1$s, $1$s, $10$s) in tick-relative representation that transfers to unseen instruments. Because flow and diffusion models admit a common formulation, we train both with identical data, architecture, and budget, and sample both through the same fixed-step ODE solvers, yielding a controlled comparison of sampling efficiency and fidelity. Flow matching attains its best quality with only $10$ ODE-solver steps, whereas diffusion needs many more function evaluations to approach the same fidelity. At this efficient operating point, FlowLOB improves realism over baselines, two learned and two agent-based models, in most distributional metrics at the two finer sampling frequencies. We evaluate counterfactual controllability with a distributional test that asks whether changing a scenario condition moves the generated statistic toward the corresponding real tail regime; FlowLOB satisfies this criterion in most tested settings. Both realism and control effects transfer zero-shot on a held-out symbol. We additionally conduct ablation studies on the network architecture and the learning rate.