Rendre l'ordre flow lisible : du réseau neuronal à un modèle paramétrique

Du prédicteur à la structure

Les rendements de très court terme et les volumes signés sont liés par des mécanismes de liquidité, d'impact et de persistance de l'ordre flow. Un modèle VAR est lisible, mais sa forme linéaire peut manquer des effets saturants ou dépendants de l'état. Un réseau neuronal est plus flexible, mais son avantage est difficile à interpréter.

Manuel Naviglio et Fabrizio Lillo utilisent le réseau comme un outil de découverte de structure plutôt que comme une boîte noire finale. Ils comparent un réseau feed-forward profond à un VAR, puis appliquent une décomposition inspirée de SHAP pour isoler la contribution des retards de rendement et de volume.

Données et protocole

Le corpus vient de LOBSTER et contient des événements de carnet pour dix actions cotées au Nasdaq, cinq à grand tick et cinq à petit tick. Les auteurs retirent les 30 premières et dernières minutes, agrègent certains événements, filtrent les observations extrêmes entre les quantiles 0,005 et 0,995, puis normalisent les données. La moitié initiale de juin 2024 sert à l'entraînement et la moitié restante au test hors échantillon.

Les modèles prédisent simultanément les rendements logarithmiques et les volumes signés à partir de retards. Le papier retient p = 20 comme compromis après une analyse de l'effet de la longueur mémoire. Cette construction est différente d'un signal d'investissement : elle cherche à décrire des dépendances de microstructure à l'échelle des transactions.

Effets non linéaires rapportés

Le réseau améliore la prévision par rapport au VAR, surtout pour les rendements, dans les comparaisons de l'étude. Les profils de contribution montrent que le premier retard domine généralement. Le volume signé retardé produit un effet qui conserve le signe et sature : un flux acheteur ou vendeur plus intense ne se transforme pas nécessairement en réponse linéairement proportionnelle.

Le rendement retardé joue aussi le rôle de variable d'état. Lorsque la transaction précédente ne déplace pas le prix, le modèle peut prolonger la direction associée au flux passé. Lorsqu'un rendement non nul est déjà observé, la contribution tend davantage vers une atténuation ou une inversion. Les profils diffèrent selon que l'action appartient au groupe grand tick ou petit tick.

De SHAP à un modèle simple

Les auteurs reconstruisent des surfaces de réponse conditionnelles et les confrontent à des moyennes observées directement dans les données. Cette étape sert à vérifier que la structure apprise n'est pas seulement un artefact de l'architecture. La décomposition SHAP ajoute ensuite une attribution des composantes individuelles, que la moyenne conditionnelle seule ne peut pas fournir.

À partir de ces régularités, le papier construit un modèle paramétrique non linéaire inspiré des contributions SHAP. Il reproduit les dépendances principales entre rendement et volume, dépasse le VAR dans le protocole et obtient une performance comparable au réseau. Une extension multi-retards utilise une décroissance pour conserver de la mémoire sans introduire un paramètre indépendant pour chaque retard.

Interprétation éditoriale

Le résultat utile n'est pas qu'un réseau prédit parfaitement le prochain tick. C'est la possibilité de passer d'une fonction flexible à des hypothèses testables sur l'impact et la persistance. Un modèle paramétrique peut être inspecté, simulé et comparé plus facilement qu'une attribution isolée dans une architecture profonde.

Cette lisibilité doit toutefois rester descriptive. Une contribution SHAP dépend du modèle, de la distribution de référence et des variables incluses. Elle ne prouve pas qu'un flux cause mécaniquement un mouvement de prix, et elle ne remplace pas un modèle d'exécution ou une analyse de capacité.

Limites

L'étude couvre dix actions, un mois de données et une séparation moitié–moitié. Les relations de microstructure peuvent changer avec le régime, la place de marché, le tick, la latence et la profondeur. Le corpus observe des événements visibles et ne couvre donc pas tout le carnet ni les ordres cachés. Les auteurs soulignent aussi qu'une dépendance résiduelle de volatilité peut subsister après la correction structurelle.

Le preprint ne fournit ni stratégie de trading, ni estimation de coûts, ni garantie de transfert à une autre période. Il est destiné à l'analyse méthodologique de la dynamique prix–transactions, pas à une décision d'investissement.

Sources

Manuel Naviglio et Fabrizio Lillo, « Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models », ArXiv 2609.06085v1 : résumé et preprint, PDF.