M3 : simuler le carnet d’ordres et les événements de marché ensemble

Pourquoi simuler les trajectoires

Les données de marché montrent une seule trajectoire réalisée. Elles ne disent pas directement ce qui se serait produit avec une autre séquence d’ordres, une autre profondeur de carnet ou une autre contrainte de liquidité. La simulation de microstructure cherche donc à produire des trajectoires contrefactuelles assez réalistes pour étudier la prévision, le stress testing ou l’impact d’un ordre.

Le preprint de Yanzhi Zhang et ses coauteurs présente M3, un modèle génératif de fondation pour la microstructure. Son idée centrale est de modéliser ensemble les événements d’ordres et l’état du carnet à limites, plutôt que de traiter le flux d’ordres et le carnet comme deux objets indépendants. Les ordres générés sont décodés puis rejoués dans un moteur d’appariement qui fait évoluer le carnet.

Un modèle en deux parties

M3 associe un tokenizer d’ordres vectoriellement quantifié à un modèle auto-régressif conditionné par le carnet. Le tokenizer transforme les attributs continus et catégoriels d’un événement en un token discret. Les événements décrivent notamment le prix, le volume, le temps, le type d’action et le côté de l’ordre.

Cette quantification évite de créer un vocabulaire cartésien énorme en combinant séparément chaque attribut. Elle traite aussi un problème de décalage entre entraînement et inférence. Si le prix est normalisé par le mid-price véritable pendant l’entraînement, puis par un mid-price reconstruit pendant la génération, une petite erreur de replay peut déplacer le point d’ancrage de l’ordre suivant et créer une boucle d’erreurs.

Les auteurs normalisent donc les prix par rapport au prix d’ouverture quotidien, fixe et disponible de la même manière pendant l’entraînement et l’inférence. Cette référence conserve l’information de position intrajournalière, mais élargit la distribution des prix relatifs. La vector quantization apprend alors un codebook non uniforme dans l’espace conjoint des caractéristiques.

Conditionner le flux par le carnet

L’encodeur du carnet convertit les niveaux observés en caractéristiques normalisées : distance au prix moyen initial, volume logarithmique et indicateur de validité. Un petit Transformer modélise les interactions entre les 20 niveaux du carnet. Des tokens de requête produisent ensuite des embeddings préfixes, placés avant les tokens d’ordres dans le Transformer causal.

Pendant l’inférence, chaque token généré est décodé en ordre exécutable. Cet ordre est appliqué au moteur d’appariement, qui met à jour le carnet. M3 encode le carnet initial une seule fois, puis laisse les ordres précédents déterminer l’état réalisé. Les auteurs rapprochent ce choix d’un modèle vision-langage : l’état structuré entre sous forme de tokens continus, tandis que le Transformer produit une séquence d’événements discrets.

Cette architecture est importante pour la simulation contrefactuelle. Si l’état du carnet n’influençait pas la suite des ordres, le modèle pourrait produire un flux plausible sans respecter la liquidité réellement disponible. Si le flux n’était pas rejoué, on obtiendrait des ordres écrits mais pas une trajectoire de prix et de profondeur cohérente.

Données et évaluation

Les auteurs utilisent des données d’ordres couvrant l’univers des constituants des indices CSI 300 et CSI 500, soit 800 actions non chevauchantes, de janvier 2024 à décembre 2025. L’entraînement porte sur janvier 2024 à novembre 2025 et rassemble environ 31,9 milliards d’événements. Le mois de décembre 2025 est gardé pour une évaluation strictement hors échantillon.

L’étude vérifie d’abord une loi d’échelle des pertes de validation selon le nombre de paramètres, les tokens d’entraînement et le calcul. Une validation leave-one-model-size-out est rapportée, avec une erreur absolue relative moyenne de 0,66 % sur les plis et de 0,53 % lorsqu’un ajustement limité aux modèles jusqu’à 366 millions de paramètres prédit le modèle de 1,27 milliard.

Ces chiffres décrivent l’ajustement de la loi d’échelle et non une garantie que la simulation sera fiable dans un autre marché. Ils montrent que l’équipe cherche une relation mesurable entre échelle et perte, mais la qualité économique d’une trajectoire doit être évaluée séparément.

Les faits stylisés

Pour évaluer les trajectoires, les chercheurs rejouent les ordres générés et comparent les rendements du mid-price aux trajectoires empiriques. Ils examinent quatre faits stylisés : queues épaisses, gaussianité agrégée, faible autocorrélation linéaire des rendements et regroupement de la volatilité.

Le résumé de l’article rapporte que M3 reproduit ces propriétés dans les expériences présentées. Les rendements à court horizon restent fortement concentrés et à queues épaisses, puis deviennent moins pointus à horizon plus long. L’autocorrélation des rendements bruts décroît rapidement alors que celle des rendements absolus reste positive sur des retards plus longs, ce qui correspond au clustering de volatilité.

Une telle reproduction est utile, mais elle ne suffit pas à valider un simulateur. Deux modèles peuvent partager quelques moments statistiques et diverger sur les scénarios de stress, l’impact d’un ordre ou la dépendance entre niveaux du carnet. Les expériences contrefactuelles doivent donc compléter les faits stylisés.

Prévision et scénarios what-if

M3 est évalué sur des tâches de prédiction du mid-price et de la volatilité, ainsi que sur des scénarios directionnels et l’impact d’une stratégie TWAP. L’intérêt du replay est de relier une modification de la trajectoire d’ordres à une évolution du carnet, puis du prix. Une question « que se passe-t-il si le rythme d’exécution change ? » peut ainsi être posée dans un environnement simulé plutôt que seulement sur l’unique historique observé.

La prudence reste nécessaire : un scénario généré n’est pas une observation causale du futur. Les résultats dépendent du marché chinois, de la période d’entraînement, de la définition des événements et du moteur d’appariement. Une stratégie de risque ne doit pas traiter un replay comme une probabilité calibrée sans validation indépendante.

Implications pour la recherche financière

Le papier illustre une voie entre modèle de séries temporelles et simulateur agent-based. Le token d’événement permet de traiter un grand volume d’ordres avec une séquence auto-régressive. Le préfixe du carnet conserve une représentation compacte de la liquidité initiale. Le moteur d’appariement impose ensuite une contrainte opérationnelle pendant le rollout.

Pour un usage de recherche, il faudrait conserver les versions du tokenizer, du modèle et du moteur, ainsi que les règles de preprocessing. Les comparaisons devraient inclure un modèle qui ignore le carnet, un tokenizer ancré au mid-price et des baselines plus simples. Sans ces ablations, un gain global peut venir du volume de données ou de la capacité du Transformer plutôt que du couplage état-événement.

Limites et statut de la source

Le corpus couvre un univers et une période spécifiques, avec un seul mois strictement hors échantillon rapporté dans l’expérience principale. La reproduction de faits stylisés ne garantit pas la validité de tous les scénarios contrefactuels. Les performances de prévision et d’impact dépendent du replay et de la calibration des données ; elles ne constituent pas une recommandation de trading.

Le document est un preprint ArXiv et n’est pas nécessairement évalué par les pairs. Il faut considérer M3 comme une proposition de modèle et une série d’expériences, à confronter à des données et marchés indépendants avant toute utilisation financière.

Une autre précaution concerne la résolution temporelle. Un replay peut respecter les événements visibles dans le jeu de données tout en omettant une information d’ordres annulés, de latence ou de priorité qui influence réellement l’exécution. Les métriques de prix, de volatilité et d’impact doivent donc être accompagnées d’un audit de couverture des événements. Le modèle apporte un mécanisme de simulation plus riche ; il ne remplace pas la validation du moteur ni l’analyse des données manquantes.

Sources

Yanzhi Zhang, Yu Ma, Yilin Cheng, Jian Li et Yitong Duan, « M3: A State-Event Generative Foundation Model for Market Microstructure Dynamics », ArXiv 2608.19227v1 : preprint, PDF.