README.md

metadata

tags:
  - finance
  - order-book
  - institutional-trading
  - algorithmic-trading
  - level-2
  - A-share
  - LOB
  - TWAP
  - VWAP
  - iceberg-orders
  - pytorch
license: mit

LOBAlgoNet — 主力算法单模式识别

📌 核心思路

真实行情数据没有标签——我们不知道哪笔委托是"主力"下的。但主力几乎都使用算法单（TWAP、VWAP、冰山订单等）， 这些算法在委托簿中会留下可识别的特征签名。

本模型的方法：

1. 规则引擎检测算法签名 → 生成伪标签（无需人工标注）
2. 深度学习模型学习 → 从原始LOB数据直接识别这些模式（泛化超越规则）

🏗️ 架构

Input: 100个连续Level-2快照 (batch, 100, 40)
  ↓ BilinearNorm (自适应归一化)
  ↓ Spatial CNN (十档价位间的空间模式)
  ↓ Temporal CNN (多尺度时间特征)
  ↓ Transformer Attention × 2 (时序依赖)
  ↓ 5-class Classification

参数量: 338,525

🎯 识别的5种模式

ID	类型	说明	关键特征
0	TWAP	时间加权平均价	等量等间隔下单，被动-主动交替
1	VWAP	量加权平均价	跟随市场成交量节奏，参与率稳定
2	ICEBERG	冰山订单	一档反复补单，实际量>>显示量
3	SUPPORT	护盘/支撑位	关键价位持续大单，深度不对称
4	NORMAL	散户/正常	无明显算法特征

📊 性能

Metric	Value
Test Accuracy	0.5273
Test F1 (Macro)	0.3538
Test F1 (Weighted)	0.5822

Per-class:

类型	Precision	Recall
TWAP	0.0000	0.0000
VWAP	0.1739	0.4444
ICEBERG	0.9820	0.5573
SUPPORT	0.4684	0.5764
NORMAL	0.2338	0.3858

🚀 使用方法

import torch, numpy as np
from model import LOBAlgoNet

model = LOBAlgoNet(num_classes=5, d_model=128, nhead=4, dropout=0.25)
model.load_state_dict(torch.load("model.pt", weights_only=True))
model.eval()

stats = np.load("norm_stats.npz")
# raw_lob: your (100, 40) LOB data, normalized with stats["means"] and stats["stds"]
x = torch.from_numpy((raw_lob - stats["means"]) / stats["stds"]).unsqueeze(0).float()

with torch.no_grad():
    probs = torch.softmax(model(x), dim=1)
    pred = probs.argmax(1).item()

labels = ["TWAP(时间加权)", "VWAP(量加权)", "冰山订单", "护盘/支撑", "散户/正常"]
print(f"识别结果: {labels[pred]} (置信度: {probs[0,pred]:.1%})")

💡 如何用于实盘

1. 接入Level-2行情: 万得、聚宽、TuShare Pro等获取十档委托数据
2. 实时推理: 每收到新快照，用最近100个快照组成输入
3. 信号融合: 结合MACD、成交量异动等传统指标，多信号确认
4. 跟随策略: 检测到TWAP/VWAP买入 → 考虑跟随；检测到SUPPORT → 关注支撑位

📚 参考文献

• DeepLOB (Zhang et al., TNNLS 2019, arxiv:1808.03668)
• TLOB (Berti & Kasneci, 2025, arxiv:2502.15757)
• MarS (Li et al., Microsoft, arxiv:2409.07486) — TWAP签名定义
• PULSE (Cartea et al., 2023, arxiv:2312.05827) — 多时钟特征
• CoLES (Babaev et al., 2022, arxiv:2002.08232) — 对比学习

⚠️ 声明

本模型仅供研究学习使用，不构成任何投资建议。股市有风险，入市需谨慎。