Benchmark prüft, ob Orderbuch-Modelle die Wirkung großer Aufträge abbilden

Der blinde Kontrolllauf soll mechanische Effekte abgrenzen

Ein zentraler methodischer Schritt ist der Vergleich zwischen sichtbaren und blinden Einspeisungen. Bei einem sichtbaren Lauf erhält das Modell die Nachrichten beziehungsweise den Orderbuchzustand, in dem die eingespeisten Aufträge enthalten sind. Beim blinden Kontrolllauf werden die Aufträge zwar im Simulator ausgeführt, aber nicht als Eingabe an das Modell weitergegeben. Der erzeugte Nachrichtenfluss läuft somit weiter, als wäre der Metaorder nicht bekannt. [3]

Beide Varianten werden nach Angaben der Autoren mit denselben Zeitfenstern und Seeds verglichen. Die Differenz soll zeigen, welcher Teil der beobachteten Wirkung über die Reaktion des Modells entsteht und welcher auf die unmittelbare Mechanik des Orderbuchs zurückgeht. Das ist relevant, weil ein sichtbarer Preisimpakt für sich genommen noch nicht belegt, dass das Modell die Marktreaktion gelernt hat: Bereits das Entfernen von Liquidität kann den Preis verändern. [3]

Der blinde Kontrolllauf ist im beschriebenen Protokoll auf die Aufbauphase des Metaorders begrenzt. Die Relaxation wird stattdessen innerhalb eines sichtbaren Laufs ausgewertet. Für eine Interpretation der Ergebnisse ist daher zu beachten, dass die Attribution der Modellreaktion und die Messung des Nachlaufs über unterschiedliche Testanordnungen erfolgen. [3]

Fünf Modelle, fünf Nasdaq-Aktien und eine begrenzte Ergebnisspanne

Die Autoren wenden den Benchmark auf fünf generative Modelle und fünf Nasdaq-Aktien an. In der Arbeit berichten sie identifizierte Impact-Gesetze für alle 25 Modell-Aktien-Kombinationen. Der Abstract beschreibt die getestete Gruppe als autoregressive Modelle; der Methodenteil spricht von neuronalen Zustandsraummodellen. Für die Befunde entscheidend ist, dass sich die Aussage auf dieses begrenzte Testfeld bezieht und nicht auf generative Orderbuchmodelle insgesamt. [1][3]

Die geschätzten Exponenten liegen laut Abstract zwischen 0,63 und 1,21. Sie befinden sich damit oberhalb des Referenzwerts von etwa 0,5 für das Quadratwurzelgesetz. Die Spanne zeigt zugleich, dass die gemessenen Reaktionen nicht einfach mit dem klassischen Referenzexponenten gleichgesetzt werden können. Die Autoren beschreiben Market Impact als emergentes Verhalten, doch die Befunde bedeuten nicht, dass die Modelle die empirische Impact-Kurve exakt reproduzieren. [1][2][3]

Die Auswertung ist auf einzelne Aktien kalibriert. Dazu verwendet die Studie LOBSTER-Nachrichtendaten für Januar 2026; dieser Monat wird im Paper als Evaluationsmonat bezeichnet, der vom Modelltraining ausgeschlossen war. Teilauftragsgröße, Abstand zwischen den Aufträgen und Volumennormalisierung werden entsprechend der jeweiligen Aktie bestimmt. [3]

Die Autoren geben außerdem an, eine Zahl nur dann auszuweisen, wenn ein Impact-Gesetz identifizierbar ist und der gemessene Spitzenwert eine festgelegte statistische Schwelle überschreitet. Das ist ein Schutz gegen die Interpretation zufälliger Schwankungen als belastbare Kurve. Es ersetzt jedoch keine externe Replikation oder Prüfung an real ausgeführten Handelsaufträgen. [3]

Kein messbarer Rückgang des Impacts nach dem letzten Teilauftrag

Der auffälligste negative Befund betrifft die dritte Phase: Für die getestete Modellfamilie konnten die Autoren nach dem Ende der Ausführung keinen Rückgang des Impacts während der anschließenden Ruhephase feststellen. In realen Metaorder-Daten fällt die Wirkung nach dem Ausführungsende typischerweise teilweise zurück; das Paper nutzt diesen Verlauf als Vergleich für den Relaxationstest. [1][3]

Die Autoren führen das fehlende Abklingen vorsichtig auf die begrenzten Kontextfenster der getesteten Modelle zurück. Das ist eine Erklärungshypothese, keine im Paper nachgewiesene Ursache. Die Arbeit beschreibt außerdem lange Generierungshorizonte: Für die Metaorder-Tests sind je nach Aktie 12.000 bis 73.000 Nachrichten vorgesehen; für AMD nennt der Methodenteil rund 40.000 Nachrichten und vergleicht dies mit einem 500-Nachrichten-Trainingsfenster bei neueren Modellen. [3]

Damit stellt sich eine technische Frage für die Simulation: Kann ein Modell über eine lange Ausführung hinweg genügend relevante Vorgeschichte berücksichtigen, um die Wiederauffüllung von Liquidität und den späteren Preisrückgang abzubilden? Die Studie legt nahe, dass genau diese zeitliche Dimension in künftigen Evaluierungen gesondert geprüft werden sollte. Sie zeigt aber nicht, dass längere Kontextfenster allein das Problem beheben würden. [3]

Stichprobengröße ist Teil des Benchmarks

Die Arbeit macht die Zahl der Wiederholungen und Handelstage zu einem ausdrücklichen Bestandteil des Testdesigns. Die Autoren berichten eine Kampagne mit 1.024 Rollouts je Richtung und Phase über 20 Handelstage pro Aktie. Rollouts helfen dabei, ein Signal zu erkennen; die Handelstage gelten in der Auswertung als unabhängige Einheiten und sollen die Präzision der Schätzung absichern. [3]

Nach den im Paper beschriebenen Stichprobenanalysen können wenige Handelstage zu trügerisch engen Unsicherheitsintervallen führen. Bei weniger als fünf Tagen deckten solche Intervalle den Wert der vollständigen Stichprobe demnach nur in 40 bis 68 Prozent der Fälle ab. Die Aussage ist für die Nutzung des Benchmarks wichtig: Viele simulierte Wiederholungen an wenigen Tagen sind laut Autoren kein gleichwertiger Ersatz für Beobachtungen über ausreichend viele unabhängige Handelstage. [3]

Vor der Anwendung auf die generativen Modelle prüfen die Autoren das Verfahren an Kontrollfällen mit bekannter oder fehlender Impact-Physik. Sie berichten, dass der Test in 500 Nullversuchen kein fälschlich identifiziertes Gesetz ergab und dass die verwendeten Kernel-Baselines ihre eingebaute Resilienz in der vorgesehenen Rangfolge abbildeten. Das stützt die interne Funktionsprüfung des Verfahrens; es bestätigt nicht unabhängig die Übertragbarkeit der generativen Modelle auf reale Märkte. [3]

Bedeutung für Handelsunternehmen: Simulatoren brauchen Gegenproben

Für Banken, Broker und quantitative Handelsteams ergibt sich aus der Studie vor allem eine Evaluierungsfrage. Wenn Sie generative Orderbuchmodelle als Szenariogeneratoren oder als mögliche Trainingsumgebung für Agenten einsetzen, sollten Sie neben der Ähnlichkeit historischer Verteilungen auch die Reaktion auf kontrollierte Aufträge untersuchen. Das folgt aus der von den Autoren beschriebenen Lücke zwischen einem plausiblen Nachrichtenstrom und einer plausiblen Antwort auf Eingriffe. [3]

Als Analyse lässt sich daraus ableiten, dass die Bewertung eines Simulators nicht bei einer einzigen Kennzahl für Impact enden sollte. Relevant sind auch die Trennung von mechanischer und modellvermittelter Wirkung, der Verlauf nach Ausführungsende, die Robustheit über mehrere Aktien sowie ausreichend unabhängige Handelstage. Der Benchmark bietet dafür ein konkretes Testgerüst; die Studie weist jedoch keine Verbesserung von Handelsstrategien oder eine zuverlässige Vorhersage von Ausführungskosten nach. [3]

Die Autoren geben an, den Benchmark als Open-Source-Verfahren bereitzustellen; die Hugging-Face-Seite verweist auf ein zugehöriges GitHub-Projekt. Damit ist eine Grundlage für weitere Prüfungen angekündigt beziehungsweise verlinkt. Aus den vorliegenden Angaben folgt nicht, dass das Verfahren bereits breit unabhängig repliziert wurde. [1][3]

Veröffentlichungsstatus und Aussagegrenzen

Die Plattformangaben zum Veröffentlichungsdatum sind nicht einheitlich: Hugging Face nennt den 18. Oktober als Veröffentlichungsdatum und führt eine Einreichung am 29. Oktober auf; die arXiv-Fassung ist als Version 1 vom 19. Oktober 2026 datiert. Das genaue Plattformdatum lässt sich aus den bereitgestellten Einträgen daher nicht eindeutig festlegen. [1][3]

Die arXiv-Metadaten führen den Beitrag im Zusammenhang mit der 7. ACM International Conference on AI in Finance, die für den 14. bis 17. November 2026 in Mailand angesetzt ist. Da dieser Termin nach dem hier zugrunde gelegten Stand vom 30. Oktober liegt, belegen die Angaben keine bereits erfolgte Konferenzveröffentlichung. Die Ergebnisse sind deshalb als Befunde der beschriebenen Studie zu lesen, nicht als Nachweis einer abgeschlossenen Einführung in Handelsprozesse. [3]

Insgesamt zeigt der Benchmark, dass generative Orderbuchmodelle in den untersuchten Simulationen eine messbare Reaktion auf Metaorders entwickeln können. Zugleich bleibt die Erholung nach der Ausführung offen. Für Unternehmen ist das ein Hinweis, dass die interaktive Qualität eines Simulators separat geprüft werden muss – und dass ein plausibler Strom historischer Marktmerkmale allein dafür nicht genügt. [1][3]

Quellen

1. [1] Paper page - LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models — https://huggingface.co/papers/2610.27100 (abgerufen am 2026-10-30)
2. [2] LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models — https://ideas.repec.org/p/arx/papers/2610.27100.html (abgerufen am 2026-10-30)
3. [3] LOB-Impact Benchmark: Emergent Market Impact in Generative Limit Order Book Models — https://arxiv.org/html/2610.27100 (abgerufen am 2026-10-30)