💰 quantitative finance

M3: A State-Event Generative Foundation Model for Market Microstructure Dynamics

O artigo apresenta o M3, um modelo de fundação estado-evento treinado em dados de larga escala ao nível de ordens que captura a interação dinâmica entre o fluxo de ordens e a liquidez do livro de ofertas para permitir simulações realistas de microestrutura de mercado contrafactual para aplicações como previsão e testes de estresse.

Autores originais: Yanzhi Zhang, Yu Ma, Yilin Cheng, Jian Li, Yitong Duan

Publicado 2026-08-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yanzhi Zhang, Yu Ma, Yilin Cheng, Jian Li, Yitong Duan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os mercados financeiros são ecossistemas vastos e complexos onde milhões de decisões acontecem a cada segundo, impulsionadas por pessoas e algoritmos que compram e vendem ativos. No coração deste sistema reside um livro de ordens limitado (limit order book), um registro digital em constante mudança que mostra quem quer comprar, quem quer vender e a qual preço. Este livro não é apenas uma lista estática; é um ambiente vivo que muda no momento em que uma nova ordem chega e, por sua vez, esse ambiente em mudança influencia a próxima ordem que entra. Como só podemos observar o caminho único que a história realmente percorreu, não podemos ver os inúmeros outros futuros que poderiam ter se desenrolado se um operador tivesse agido de forma diferente ou se uma grande ordem tivesse chegado um segundo antes. Essa limitação torna difícil responder a questões críticas sobre como os mercados reagiriam ao estresse, como uma grande negociação poderia mover os preços ou como uma estratégia performaria sob diferentes condições. Para compreender essas possibilidades, pesquisadores precisam de uma maneira de simular futuros de mercado realistas, não apenas prever o próximo tick de preço.

Uma equipe de pesquisadores desenvolveu uma nova ferramenta chamada M3, um modelo de fundação projetado para simular a intrincada dança da liquidez e do fluxo de ordens em mercados eletrônicos. Ao contrário de tentativas anteriores que tratavam a lista de ordens e o estado do mercado como problemas separados, este modelo aprende a gerar sequências inteiras de eventos de negociação futuros enquanto considera constantemente como o estado atual do mercado molda esses eventos. Os pesquisadores treinaram o M3 em um conjunto massivo de dados contendo aproximadamente 31,9 bilhões de eventos de ordens individuais do mercado de ações chinês, abrangendo centenas de diferentes ações durante quase dois anos. Ao alimentar este modelo com um instantâneo do mercado em um momento específico, ele pode gerar milhares de caminhos futuros possíveis, mostrando como os preços, os spreads e a liquidez disponível podem evoluir. O modelo não apenas adivinha o próximo preço; ele simula o processo real de chegada e correspondência de ordens e atualização do mercado, criando uma reprodução realista de como o mundo financeiro pode se comportar.

A inovação central do M3 é sua capacidade de lidar com dois tipos de informações muito diferentes simultaneamente: o fluxo irregular e caótico de ordens individuais e a visão estruturada e multinível da liquidez do mercado. No passado, os modelos frequentemente tinham dificuldade em conectar esses dois mundos, tratando-os como sequências isoladas. O M3 preenche essa lacuna ao traduzir tanto os eventos de ordens caóticos quanto o instantâneo estruturado do mercado em uma linguagem unificada de tokens, permitindo que uma poderosa rede neural aprenda a relação profunda e dinâmica entre eles. Quando o modelo gera uma nova ordem, ele o faz considerando a profundidade atual do mercado, e quando atualiza o estado do mercado, o faz com base nas regras da bolsa de valores. Isso cria um ciclo fechado onde o modelo aprende como o estado do mercado influencia o fluxo de ordens e como o fluxo de ordens, por sua vez, remodela o mercado. Os pesquisadores descobriram que, à medida que aumentavam o tamanho do modelo e a quantidade de dados para o treinamento, sua capacidade de aprendizado melhorava de uma forma previsível e consistente, sugerindo que esta abordagem pode ser escalada para lidar com sistemas financeiros ainda mais complexos.

Para verificar se o modelo estava realmente capturando a essência do mercado, os pesquisadores o testaram contra vários padrões bem conhecidos que os mercados reais exibem. Eles descobriram que os caminhos simulados do mercado reproduzem características estatísticas fundamentais do trading real, como a tendência de mudanças de preço apresentarem outliers extremos e a forma como a volatilidade tende a se agrupar no tempo. O modelo também demonstrou uma forte capacidade de prever movimentos de preços de curto prazo e volatilidade futura, superando métodos antigos que não consideravam o estado completo do mercado. Talvez o mais importante seja que o modelo se mostrou útil para cenários de "e se". Quando os pesquisadores simularam o efeito de uma pressão de compra ou venda unilateral massiva, o modelo respondeu de uma forma que condiz com a teoria econômica, mostrando os preços movendo-se na direção esperada, mas com um impacto diminuinte à medida que o tamanho da ordem aumentava. Esse comportamento, conhecido como a lei da raiz quadrada do impacto de mercado, é uma característica fundamental dos mercados reais, e o fato de o modelo o reproduzir sem ter sido explicitamente programado para isso sugere que ele aprendeu a mecânica subjacente da liquidez.

As implicações deste trabalho estendem-se além da simples previsão. Ao fornecer um motor realista para simular a microestrutura do mercado, o M3 oferece uma nova maneira de testar o estresse de estratégias de negociação e avaliar os riscos potenciais de grandes operações antes que sejam executadas. Os pesquisadores mostraram que o modelo pode ser usado para analisar como uma estratégia de negociação performaria sob diferentes condições de mercado ou para estimar o custo de execução de uma grande ordem sem de fato mover o mercado. Essa capacidade é crucial para instituições financeiras que precisam gerenciar riscos e otimizar suas atividades de negociação em um ambiente onde cada ação tem uma reação. Embora o modelo seja atualmente treinado em dados de um conjunto específico de ações, os pesquisadores acreditam que a abordagem é escalável e pode ser adaptada para outros mercados e classes de ativos. O sucesso do M3 sugere que tratar o mercado como um modelo de mundo generativo, capaz de produzir múltiplos futuros realistas, é uma nova e poderosa direção para compreender e navegar pelas complexidades das finanças modernas.

Resumo Técnico: M3: Um Modelo de Fundação de Estado-Evento para Dinâmicas de Microestrutura de Mercado

Declaração do Problema

Os mercados financeiros são sistemas adaptativos complexos onde as dinâmicas emergem da interação entre participantes heterogêneos, aquisição de informação e condições de liquidez. Uma limitação fundamental na análise desses sistemas é que os dados históricos de mercado revelam apenas uma única trajetória realizada. Consequentemente, muitas questões críticas — como como os preços podem evoluir sob diferentes intervenções, como uma estratégia de negociação performa através de regimes, ou como um programa de execução de grande escala impacta o fluxo de ordens subsequente — são inerentemente contrafatuais.

Os modelos generativos financeiros existentes frequentemente falham em abordar isso ao nível da microestrutura. Abordagens anteriores tipicamente modelam ou estados do Livro de Ofertas Limitadas (LOB - Limit Order Book) ou eventos de fluxo de ordens isoladamente, tratando o outro como condicionamento auxiliar. Isso negligencia o acoplamento dinâmico e estreito entre eventos de ordens (que suprem, consomem e redistribuem liquidez) e estados do LOB (que determinam resultados de execução e impacto no preço). Há uma necessidade de um modelo generativo que capture explicitamente essas dinâmicas acopladas de estado-evento para permitir a simulação de mercado em nível de trajetória, realista, para fins de previsão, testes de estresse e análise de impacto.

Metodologia

Os autores propõem o M3 (Market Microstructure Model), um modelo de fundação generativo de estado-evento projetado para simular a microestrutura de mercado eletrônico. O M3 opera dentro de um framework unificado baseado em tokens que integra eventos de ordens heterogêneos e snapshots estruturados do LOB.

1. Representação de Dados e Tokenização

Para lidar com a heterogeneidade dos dados de mercado, o M3 emprega um Tokenizador de Ordens de Quantização Vetorial (VQ):

Características de Entrada: Os eventos de ordens são representados como vetores de características incluindo preço relativo (ancorado ao preço de abertura diária para evitar loops de feedback durante a inferência), volume transformado em logaritmo, tempo entre chegadas, ação da ordem (adição/cancelamento) e lado (compra/venda).
Quantização Vetorial: Em vez de discretizar atributos independentemente (o que leva a uma explosão multiplicativa do vocabulário), o M3 utiliza uma arquitetura codificador-decodificador causal com um gargalo VQ. As características contínuas das ordens são mapeadas para um código de livro (codebook) compacto e não uniforme ( $K=32.768$ ).
Reconstrução: O tokenizador garante uma reconstrução de alta fidelidade dos eventos de ordens, preservando especificamente as trajetórias de preço em relação à abertura do dia, o que evita o acúmulo de erros observados em bases de referência relativas ao preço médio (mid-price) durante a geração autorregressiva.

2. Arquitetura do Modelo

O M3 utiliza um Transformer Autorregressivo condicionado ao estado inicial do mercado:

Codificador LOB: O snapshot inicial do LOB (os 10 níveis superiores de profundidade de compra/venda) e variáveis de estado auxiliares são processados por um codificador Transformer leve. Isso gera uma sequência de "tokens de prefixo" contínuos (tokens de estado) que resumem o ambiente de liquidez.
Modelagem Causal: O modelo concatena esses tokens de estado do LOB com a sequência de tokens de eventos de ordens. Um backbone Transformer causal prevê o próximo token de ordem com base no histórico conjunto do estado de liquidez inicial e dos eventos de ordens precedentes.
Loop de Simulação: Durante a inferência, os tokens de ordens gerados são decodificados em ordens executáveis e processados por um Motor de Correspondência (Matching Engine) determinístico. O motor atualiza o estado do LOB de acordo com as regras da bolsa, e a trajetória resultante serve como base para o próximo passo de predição. Isso cria uma simulação de malha fechada onde o modelo aprende o fluxo de ordens condicionado ao estado, e o motor realiza as transições de estado induzidas pelos eventos.

3. Treinamento e Escalonamento

O M3 é treinado em dados de nível de ordem em larga escala do mundo real dos índices CSI 300 e CSI 500 (cobrindo ~800 ações de janeiro de 2024 a novembro de 2025, totalizando ~31,9 bilhões de eventos de ordens). O objetivo de treinamento é a predição do próximo token padrão. Os autores estudam empiricamente o comportamento de escalonamento do modelo, ajustando uma lei de escala estilo Chinchilla para caracterizar como a perda de validação varia com o tamanho do modelo ( $N$ ) e o orçamento de tokens de treinamento ( $D$ ).

Principais Contribuições

Framework Unificado de Estado-Evento: O M3 introduz um modelo de fundação que representa tanto eventos de ordens quanto estados de LOB dentro de um único framework baseado em tokens, modelando explicitamente suas dinâmicas acopladas em vez de tratá-los como sequências separadas.
Modelagem de Mundo de Mercado Escalável: Os autores demonstram que a modelagem de mercado segue leis de escala previsíveis. Eles ajustam uma lei de escala estilo Chinchilla ( $L(N, D) = E + \alpha N^{-\beta} + \gamma D^{-\delta}$ ) ao domínio financeiro, mostrando que a perda diminui previsivelmente com o aumento do tamanho do modelo e do volume de dados.
Validação Empírica em Tarefas de Jusante (Downstream): O M3 é validado em múltiplas tarefas de simulação, demonstrando sua capacidade de reproduzir fatos estilizados do mercado, suportar diagnósticos preditivos e permitir análises contrafatuais.

Resultados Experimentais

Reprodução de Fatos Estilizados

As trajetórias geradas pelo M3 reproduzem com sucesso propriedades estatísticas chave dos mercados financeiros:

Caudas Pesadas e Gaussianidade Agregacional: A distribuição dos retornos logarítmicos do preço médio exibe caudas pesadas em horizontes curtos e converge para a Gaussianidade em horizontes mais longos, aproximando-se mais dos dados empíricos do que as bases de referência de Zero-Inteligência (ZI) ou Processo de Hawkes Composto.
Agrupamento de Volatilidade (Volatility Clustering): O modelo reproduz a autocorrelação linear fraca dos retornos brutos e a persistente autocorrelação positiva dos retornos absolutos.
Métricas: O M3 alcança estatísticas de Kolmogorov-Smirnov e distâncias de Wasserstein menores em comparação com as bases de referência em múltiplos horizontes temporais (10s a 300s).

Diagnósticos Preditivos

Predição de Preço Médio (Mid-Price): Condicionar ao estado inicial do LOB melhora significativamente a precisão direcional para movimentos de preço de curto horizonte em comparação com bases de referência sem entrada de LOB ou o modelo DeepLOB. O modelo distingue efetivamente entre regimes de "Alta", "Estável" e "Baixa".
Predição de Volatilidade: O modelo consegue prever a volatilidade realizada futura. Quando os prompts são agrupados por quintis de variância prevista, a volatilidade realizada dos caminhos futuros correspondentes aumenta monotonicamente, indicando que o modelo captura estados distintos de volatilidade de mercado.

Análise Contrafatual e "E se..." (What-If)

Teste de Estresse Direcional: Quando submetido a uma pressão controlada de fluxo de ordens unilateral (ex: amplificando eventos de adição de compra), o simulador produz respostas de preço médio economicamente consistentes. O estresse de compra eleva os preços, e o estresse de venda os reduz, com o impacto escalando de forma sublinear.
Impacto de Mercado (Lei da Raiz Quadrada): Em simulações de meta-ordens TWAP (Time-Weighted Average Price), o M3 exibe um escalonamento de impacto de preço côncavo. As inclinações log-log estimadas para meta-ordens de compra e venda são aproximadamente 0,53 e 0,52, respectivamente, aproximando-se muito do benchmark teórico da raiz quadrada ($0,5$) com altos valores de $R^2$ ( $>0,8$ ).

Significância e Alegações

O artigo afirma que o M3 estabelece um paradigma de modelo de fundação escalável para simulação de mercado contrafatual ao nível da microestrutura. Ao modelar com sucesso o loop de feedback entre o fluxo de ordens e a liquidez, o M3 vai além da simples predição pontual para gerar trajetórias de mercado executáveis e realistas.

Os autores afirmam que esta abordagem fornece uma base útil para:

Análise baseada em simulação: Gerar diversos cenários de mercado para avaliação de risco.
Desenvolvimento de estratégias: Testar estratégias de negociação através de diferentes regimes de mercado e intervenções.
Estimativa de impacto de mercado: Quantificar o custo de grandes negociações sob variadas condições de liquidez.

O trabalho sugere que modelos de mundo generativos de nível de ordem podem capturar as dinâmicas complexas e não lineares dos mercados financeiros, oferecendo uma direção promissora para o estudo da microestrutura de mercado além das limitações dos dados históricos de trajetória única.