A modular model for limit order book forecasting

In the financial industry, as in other fields, the usability of models largely depends on the flexibility they offer in a production environment, and the ability to adapt to scenarios that were not necessarily intended for the model to handle. In this work, we present a modular model that offers great flexibility and allows to be scaled according to the needs of a particular situation. The model proposed here is made up of a series of neural network, and its purpose is to forecast price movements in a high-frequency setting. In particular, we apply our model to Limit Order Book data from the NASDAQ and Bitfinex exchanges. Moreover, we illustrate a series of analysis steps that need to be taken in order to determine relevant parameters for models -not necessarily similar to ours- trying to deal with the same data at our disposal.

Nel settore finanziario, come in altri campi, l’usabilità dei modelli dipende in gran parte dalla flessibilità che offrono in un ambiente di produzione e dalla capacità di adattarsi a scenari diversi da quelli pensati nella fase di definizione del modello. In questo lavoro, presentiamo un modello modulare che offre grande flessibilità e consente di essere scalato in base alle esigenze. Il modello qui proposto è costituito da una serie di reti neurali e il suo scopo è prevedere i movimenti dei prezzi in un ambiente ad alta frequenza. In particolare, applichiamo il nostro modello a dati provenienti da Limit Order Book estratti dagli exchange NASDAQ e Bitfinex. Inoltre, illustriamo una serie di passaggi di analisi che devono essere compiuti per determinare parametri rilevanti per modelli -non necessariamente simili al nostro- che cerchino di trattare gli stessi dati a nostra disposizione.