Feature Extraction with Time Series Foundation Models for High-Frequency Limit Order Book

Read full text Summarise with VIRAT
Authors: Joel Solé Casalé
Cited by: 0
References: 26

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Les dades del Llibre d'Ordres Límit (LOB) presenten característiques intrínsecament sorolloses i no estacionàries, les quals són encara més pronunciades en el context del Trading d'Alta Freqüència (HFT). Aquests reptes compliquen la tasca de construir models predictius efectius per a la presa de decisions financeres. Els enfocaments existents solen basar-se en arquitectures complexes d'aprenentatge profund d'extrem a extrem o en una extensa enginyeria de característiques específica del domini; ambdues opcions requereixen recursos computacionals substancials i coneixement expert. En aquesta tesi, proposem i avaluem una nova metodologia que utilitza Models Fundacionals de Sèries Temporals (TSFMs) com a extractors de característiques de propòsit general, combinant específicament els embeddings de Chronos 2 amb l'Anàlisi de Components Principals (PCA) i classificadors lleugers simples. El flux de treball proposat es compara tant amb models existents d'aprenentatge profund d'extrem a extrem de l'estat de l'art, com amb classificadors temporals clàssics d'aprenentatge profund entrenats amb característiques economètriques dissenyades manualment, utilitzant dades d'alta freqüència de futurs de Bitcoin. Els nostres resultats demostren que una simple Regressió Logística entrenada sobre els embeddings del TSFM aconsegueix un rendiment competitiu amb arquitectures complexes basades en transformers, utilitzant més d'un 99.9% menys de paràmetres entrenables. Específicament, l'enfocament proposat supera els models de l'estat de l'art en tasques de predicció a curt horitzó i escenaris amb un alt desequilibri de classes, alhora que mostra una menor variància de rendiment en diverses condicions de mercat. Tot i que les arquitectures específiques de la tasca, com TLOB, mantenen un avantatge en prediccions a major horitzó, les nostres troballes indiquen que els TSFMs de propòsit general ofereixen una alternativa robusta, altament eficient i agnòstica [...].

Fields of Study & Subjects

Stock Market Forecasting Methods Financial Markets and Investment Strategies Time Series Analysis and Forecasting

Publication details

Journal / source
UPCommons institutional repository (Universitat Politècnica de Catalunya)
Publication date
26 February 2026
Language
EN
Document type
Thesis