Newest papers

LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models

George Nigmatulin, Valentin Mohl, Sascha Frey, Kang Li, Aramis Marti-Shahandeh, Mihai Cucuringu, Anisoara Calinescu, Jakob Foerster, Stefan Zohren · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27100 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Quan sát thực tế là tác động thị trường mở là điều cần thiết để các mô hình lệnh giới hạn tạo ra dữ liệu (LOB) phục vụ như các mô hình thế giới cho các đại lý giao dịch. Nếu một mô phỏng đánh giá sai cơ chế này, các đại lý học các chính sách mà là tối ưu trong mô phỏng nhưng sai trong thị trường thực. Các chỉ số hiện tại đánh giá các dòng chảy được tạo ra hoàn toàn thông qua so sánh phân phối với dữ liệu lịch sử, để lại phản ứng phản ứng đối thực tế đối với các đơn đặt hàng của một đại lý phần lớn chưa được khám phá. Ở đây, chúng tôi cho thấy rằng tác động thị trường xuất hiện tự nhiên trong các thiết bị tạo ra LOB thần kinh được đào tạo chỉ cho dự đoán token tiếp theo. Chúng tôi tiêm các chỉ số meta-lệnh thực hiện vào dòng chảy thông điệp được tạo ra của năm mô hình tự

Machine translation (Meta M2M100); the English original follows.

Abstract

Realistic market impact is essential for generative limit order book (LOB) models to serve as world models for trading agents. If a simulator misprices this mechanism, agents learn policies that are optimal in the simulator but wrong in the real market. Existing metrics assess generated streams purely through distributional comparison with historical data, leaving counterfactual response to an agent's own orders largely unexplored. Here, we show that market impact emerges naturally in neural LOB generators trained solely for next-token prediction. We inject execution-style metaorders into the generated message flow of five autoregressive models across five NASDAQ stocks and measure the response using estimators from the empirical impact literature, validated on baselines whose physics is known in advance. Our benchmark evaluates any message-level generator in three phases: free generation (reading order-flow persistence against price diffusivity); metaorder injection (yielding the impact law's exponent and amplitude); and a post-execution window (measuring relaxation). In addition, comparing each visible injection to a blind, simulator-only control isolates the model's learned response from standard book mechanics. For every model on every stock, we measure how the impact responds as a function of cumulative metaorder participation. Interestingly, we observe emergent impact in generative models of market data, with exponents in the range of 0.63 to 1.21, slightly above the traditional 0.5 of the square-root law of impact. In the family of models tested, we are so far unable to observe impact decay during relaxation. We tentatively attribute this to the still-short context windows of the models. We release the benchmark as open source to validate future generative models for market data.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Counterfactual thinking, Benchmark (surveying), Context (archaeology), Market impact, Econometrics, Generative grammar

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange