LOB-ID: Inception 거리를 활용한 합성 시장 데이터 평가

LOB-ID: Evaluating Synthetic Market Data by Inception Distances

리미트 주문장(LOB) 데이터 생성 모델은 빠르게 발전해 왔지만, 그 평가는 종종 단순화된 사실과 선택된 시장 통계에 초점을 맞춥니다. 이러한 지표는 유용한 진단 정보를 제공하지만, 주문장의 시계열적 및 다단계 구조를 완전히 반영하지 못할 수 있습니다. 본 연구에서는 LOB-ID라는 임베딩 기반 프레임워크를 소개하며, 이는 Fréchet Inception Distance (FID)와 Monge Inception Distance (MIND)를 LOB 데이터에 적용합니다. 도메인 특화 임베딩을 얻기 위해 DeepLOB 아키텍처를 사용하여 5개 주식의 4개월 분량의 Level-2 주문장 데이터를 학습했습니다. LOB-ID는 시간, 자산 및 임베딩 시점에 대해 안정적이며, 제어된 왜곡 하에서 단조적으로 증가하는 경향을 보입니다. 우리는 FID에 대한 모멘트 매칭 공격과 통계 기반 평가를 회피하는 심층 주문장 교란을 구성했습니다. MIND는 두 가지 유형의 왜곡 모두에 대해 훨씬 더 민감하게 반응합니다. 마지막으로, 확률 기반 모델부터 딥러닝 접근 방식까지 다양한 5개의 생성 LOB 모델을 평가하고, LOB-ID가 각 모델이 갖는 시계열적 및 다단계 구조를 반영하여 모델 순위를 결정한다는 것을 확인했습니다.

Generative models of limit orderbook (LOB) data have advanced rapidly, but their evaluation often focuses on stylised facts and selected market statistics. These measures provide useful diagnostics but may not capture the joint temporal and cross-level structure of order-book trajectories. We introduce LOB-ID, an embedding-based framework that adapts the Fréchet Inception Distance (FID) and Monge Inception Distance (MIND) to LOB data. To obtain domain-specific embeddings, we train the DeepLOB architecture on four months of Level-2 order-book data for five equities. We show that LOB-ID is stable across time, instruments, and embedding checkpoints, and rises monotonically under controlled distortions. We then construct a moment-matching attack against FID and a deep-book perturbation that evades statistic-based evaluation. MIND remains substantially more sensitive to both distortions. Finally, we score five generative LOB models, spanning stochastic baselines and deep learning approaches, and find that LOB-ID ranks them in line with the joint temporal and cross-level structure each captures by construction.