KANFormer: KI-Modell liefert präzise Ausführungswahrscheinlichkeiten im Orderbuch

Ein brandneues Forschungsdokument, veröffentlicht auf arXiv (2512.05734v1), stellt KANFormer vor – ein innovatives Deep‑Learning‑Modell, das die Zeit bis zur Ausführung von Limit‑Orders präzise vorhersagen kann. Durch die Kombination von Markt‑ und Agenten‑Daten liefert KANFormer ein umfassenderes Bild als bisherige Ansätze.

Das Modell verbindet ein Dilated Causal Convolutional Network mit einem Transformer‑Encoder und nutzt dabei Kolmogorov‑Arnold Networks (KANs), um nichtlineare Zusammenhänge noch besser abzubilden. Im Gegensatz zu Modellen, die lediglich auf statische Schnappschüsse des Limit‑Order‑Books setzen, integriert KANFormer die Aktionen der Marktteilnehmer sowie die Position einer Order in der Warteschlange. Dadurch werden Muster, die die Ausführungswahrscheinlichkeit beeinflussen, effektiver erfasst.

Die Leistungsfähigkeit von KANFormer wurde anhand von CAC‑40‑Index‑Future‑Daten mit markierten Orders getestet. Die Ergebnisse zeigen, dass KANFormer bestehende Methoden sowohl bei der Kalibrierung (Right‑Censored Log‑Likelihood, Integrated Brier Score) als auch bei der Diskriminierung (C‑Index, time‑dependent AUC) übertrifft. Zusätzlich wurde die zeitliche Feature‑Wichtigkeit mit SHAP analysiert, was die Interpretierbarkeit des Modells weiter stärkt.

Diese Arbeit unterstreicht, wie die Kombination aus reichhaltigen Marktsignalen und hochentwickelten neuronalen Architekturen zu genauen und nachvollziehbaren Vorhersagen der Ausführungswahrscheinlichkeit führt – ein bedeutender Fortschritt für die Finanzmarktanalyse.