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

📄 arXiv: 2608.13096v1 📥 PDF

作者: Zhuohan Wang, Andreea Bacalum, Ollie Olby, Carmine Ventre, Namid Stillman

分类: cs.LG, cs.CE, q-fin.CP, q-fin.TR

发布日期: 2026-08-13

备注: 8 pages, 3 figures, 2 tables

💡 一句话要点

提出FlowLOB以解决限价单簿生成效率与可控性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 限价单簿 流匹配 市场动态 金融模拟 机器学习 可控生成 香港交易所

📋 核心要点

  1. 现有的限价单簿模拟器在市场动态、采样效率和泛化能力方面存在显著不足，无法满足实际应用需求。
  2. 本文提出FlowLOB，通过条件流匹配生成LOB轨迹，利用相同的数据和架构训练流和扩散模型，以提高效率和保真度。
  3. 实验结果显示，FlowLOB在多个分布度量上优于两种学习模型和两种基于代理的模型，尤其在较细采样频率下表现更佳。

📝 摘要（中文）

限价单簿（LOB）模拟器在结合真实市场动态、计算效率、可控场景生成及超越训练工具的泛化能力方面存在不足。本文提出了FlowLOB，一种条件流匹配的LOB轨迹生成器，基于香港交易所多个标的在不同采样频率下进行训练。通过相同的数据、架构和预算训练流和扩散模型，并使用固定步长的常微分方程求解器进行采样，FlowLOB在采样效率和保真度上实现了有效比较。实验结果表明，FlowLOB在大多数分布度量上优于基线模型，并在未见标的上实现了零-shot转移。

🔬 方法详解

问题定义：本文旨在解决现有限价单簿生成器在市场动态模拟、采样效率和可控性方面的不足，现有方法无法全面满足实际需求。

核心思路：FlowLOB通过条件流匹配生成LOB轨迹，利用相同的数据和架构训练流和扩散模型，从而实现高效且可控的模拟。

技术框架：整体架构包括数据采集、模型训练和轨迹生成三个主要模块。数据采集阶段从香港交易所获取多标的的交易数据，模型训练阶段使用相同的网络架构对流和扩散模型进行训练，轨迹生成阶段通过固定步长的ODE求解器进行采样。

关键创新：FlowLOB的关键创新在于采用条件流匹配生成LOB轨迹，相比传统的扩散模型，FlowLOB在采样效率和保真度上表现更优。

关键设计：在网络结构上，FlowLOB采用了相同的架构设计，并在训练过程中使用了相同的预算和学习率设置，确保了流和扩散模型的公平比较。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果表明，FlowLOB在大多数分布度量上优于基线模型，尤其在0.1秒和1秒的采样频率下，保真度显著提高。FlowLOB在仅需10步ODE求解的情况下，达到了与扩散模型相似的效果，显示出其在效率上的优势。

🎯 应用场景

FlowLOB的研究成果可广泛应用于金融市场的限价单簿模拟，帮助交易员和研究人员更好地理解市场动态，优化交易策略。此外，该方法的可控性使其在风险管理和策略测试中具有重要价值，未来可能推动金融科技领域的进一步发展。

📄 摘要（原文）

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.