Jane Street staj projesi, otoregresif difüzyonu emir defteri verisi üzerinde test ediyor

Emir defterleri için üretken bir model

Jane Street, kökleri görüntü üretimine dayanan otoregresif difüzyon tekniğinin, fiyatları tahmin etmenin ötesinde emir defteri piyasa verisini sentezlemek için kullanılıp kullanılamayacağını soran bir araştırma yazısı yayınladı. Firmanın 2026 yaz staj projesi serisinin parçası olan ve Hacker News ana sayfasında öne çıkan yazıda, Kavish adlı bir stajyerin dört yıllık ABD hisse senedi verisi üzerinde eğitilmiş olay düzeyinde bir üretken model geliştirdiği anlatılıyor.

Motivasyon, mevcut uygulamadaki bir boşluk. Nicel finans dünyasında zaten çok sayıda model var; bu modeller bir sembol için bekleyen emirlerin eklenmesi, iptal edilmesi, gerçekleşmesi gibi defter olaylarından oluşan bir akışı alıp gelecekteki bir fiyat üretiyor. Üretken bir model ise daha ileri giderek olayların kendisini, borsaya ulaşma zamanları dahil üreterek. Böyle bir modelden alınan rollout'lar tek bir fiyat yörüngesinden çok daha fazla doku taşır.

Bu çerçeve, yazının sürekli geri döndüğü bir soruyu gündeme getiriyor: piyasa verisi video mu yoksa metin mi? Yazıya göre gerçekten ikisi birden. Emir defteri ayrı bir eylem uzayı üzerinden evrilir, ancak bir emrin fiyat gibi temel parametreleri öyle yüksek kardinaliteye sahiptir ki sürekli davranır; ayrıca varış zamanlaması doğrudan süreklidir. Dağılımlar ayrıca sivridir: fiyatı bir tik iyileştirmek, "pennying" olarak bilinen davranış, iki tık iyileştirmekten çok daha yaygındır; olaylar sıfır geçen sürede, mümkün olan en erken tepki zamanında ve tam saniyelerin civarında kümelenir.

Encoder, kategorik başlık, difüzyon başlığı

Autoregressive Image Generation without Vector Quantization makalesini izleyerek proje bir encoder–difuser tasarımı kullanıyor. Nedensel maskelenmiş bir transformer encoder her konumda bir latent embedding üretiyor. Küçük bir kategorik başlık bu latent'i kullanarak bir sonraki olayın bir işlem mi yoksa en iyi alış-satış (BBO) güncellemesi mi olacağını tahmin ederken, difüzyon başlığı fiyat ve geçen süre gibi sürekli hedefleri, latent'e ve AdaLN koşullandırmasıyla olay türüne koşullu olarak üretiyor. Çıkarım sırasında son olayın latent'i bir sonraki olayın örneklenmesini yönlendiriyor; bu olay daha sonra akışa eklenerek üretim otoregresif şekilde sürüyor.

DDPM ıraksadı, flow matching etmedi

En somut teknik bulgu, difüzyon hedefinin seçimine ilişkin. İlk başlık, Improved DDPM'de önerildiği gibi 1.000 adımlı bir kosinüs programında gürültü tahmin ediyor ve örnekleme DDIM ile yapılıyordu. Yazıya göre bu yapılandırma kararsızdı: gürültüden arındırma yörüngeleri patladı ve yedi sürekli hedefin tamamında değerlerin yüzde 88 ila 95'i dağılım ortalamasından sekiz standart sapmadan daha uzakta kaldı.

Daha fazla örnekleme adımı adım başına artışı küçültüyor ve örneklemeye stokastisite eklemek gürültüden arındırma sürecini düzenliyor; dolayısıyla bu kararsızlık etrafında ayarlama yapılabiliyor. Ancak sonunda hiçbir geçici çözüme gerek kalmadı: modelin gürültü ile veri arasında doğrusal olarak aradeğerleme yaptığı ve hız (velocity) tahmin etmeyi öğrendiği rectified-flow yaklaşımı hiçbir ayar gerektirmeden iyi performans gösterdi ve proje flow matching'e geçti. Yazı, iki yöntemin aynı hedefin farklı parametreleştirmeleri olduğunu, ancak pratikte bu farkın çok büyük önem taşıdığını belirtiyor.

Hibrit veri hibrit başlıklar gerektiriyor

Daha derindeki sorun, piyasa verisinin sürekli anlık görümlere sahip olması ama mikro yapı tarafından yönetilen ayrı bir şekilde evrilmesi. Fiyatlar alış ve satış fiyatının ortasında ya da güncelik alış veya satış fiyatında kümeleniyor ve zamanlama noktas kütleleri taşıyor; dolayısıyla tamamen sürekli bir difüzyon başlığı veriyi iyi uyduramıyor. Ayrıca bir sınıf dengesizliği de vardı — olayların yalnızca yüzde 8'i işlem, geri kalanı BBO değişiklikleri — ve bu, ikili kategorik başlığın işlemleri fazla tahmin etmesine yol açtı.

Çare, kategorik başlığı 20 sınıfa bölmek oldu: örneğin fiyat hareketi olmayan yalnızca büyüklük değişimleri, satış fiyatının yükselmesi, alış fiyatının düşmesi gibi. Bu, tam olarak sıfır geçen süre gibi keskin atomların kendi kategorileri olarak tahmin edilmesini sağlıyor ve difüzyon başlığına, sıfır olmayan bir zaman boşluğunun büyüklüğü veya alış fiyatı değişiminin büyüklüğü gibi daha düzgün artıkları modelleme görevi bırakıyor. Yazı, hem olay türü hem sürekli hedefler için belirgin şekilde daha iyi marjinal dağılımlar rapor ediyor, ancak yaklaşımın daha büyük öznitelik kümeleriyle ölçeklenemez hale gelen önemli bir el yapımı mühendislik içerdiğini kabul ediyor.

Neden önemli

Emir defteri olaylarının çalışan bir üretken modeli yalnızca bir araştırma merakı değil, pratik bir araç olurdu: gerçekçi mikro yapıya sahip simüle piyasalar, işlem stratejilerini eğitmek ve stres testinden geçirmek için kullanılabilir ve yazı, bu tür rollout'ların yalnızca fiyat tahminlerinden çok daha zengin olacağını öne sürüyor. Projenin kısmi sonuçları ayrıca hazır difüzyon araçlarının hibrit ayrık-sürekli veride nerede tıkandığını haritalıyor — kararsız gürültü tahmini örneklemesi, hedef dağılımlarındaki noktas kütleleri ve kategorik dengesizlik — ve çalışan bir tasarımın muhtemelen ne gerektirdiğine işaret ediyor: flow matching tarzı hedefler artı süreksizliklerin açıkça ele alınması. Bu dersler finansın ötesinde, ayrık olayları sürekli değerlerle harmanlayan herhangi bir ardışık alana genelleniyor; yazı ayrıca nicel firmaların artık en güncel üretken modellemeyi doğrudan piyasa mikro yapısına uyguladığının sinyalini veriyor.