面向端到端限价订单簿建模的生成式 AI：使用深度状态空间网络的 token 级自回归消息流生成模型

基于摘要分析。本文研究金融市场中真实订单流的生成问题，提出端到端的 token 级自回归限价订单簿（LOB）消息生成模型，并由 JAX-LOB 模拟器解释生成消息、更新订单簿状态。作者将其称为首个此类端到端模型；这一优先性声明尚未独立核实。 模型使用简化的结构化状态空间层，高效处理订单簿状态与 token 化消息组成的长序列。训练材料来自 LOBSTER 的 NASDAQ 股票订单簿数据；定制 tokenizer 将连续数字分组转为 token，借鉴语言模型的 token 化思路。核心机制是生成可被模拟器执行的事件消息，而非仅直接预测价格。具体网络结构、状态与消息的融合方式、训练目标及生成约束尚未验证。 作者报告，在样本外评估中，模型以较低 perplexity 表现出对数据分布的近似能力；生成订单流计算得到的中间价收益率与真实数据显著相关，作者据此认为模型具有较好的条件预测表现。摘要未给出 perplexity、相关系数、评估窗口、数据划分或对照基线，因而无法判断效果大小及不同协议下的可比性。作者还提出将其用于高频金融强化学习的世界模型，但摘要未提供该应用的验证结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 长时序建模参考的部分是高效状态空间序列处理，而非金融消息 tokenizer 或 JAX-LOB。原方法依赖结构化离散事件及明确的状态更新规则；连续、低信噪比且存在跨被试与通道差异的 EEG 不具备相同条件，迁移需重设信号表示和预测目标。一个可检验的假设是：在固定 EEG 数据划分、输入表示与训练预算下，该类状态空间模块能改善长窗口预测；可先与匹配预算的序列基线比较预测误差及计算开销，并检查小数据条件下的稳定性。该假设不等于 BCI 性能提升，相关 EEG 工作尚未检索确认。