LOBERT: KI-Modell revolutioniert die Analyse von Limit Order Books

Ein neues Forschungsdokument auf arXiv (2511.12563v1) stellt LOBERT vor – ein generatives KI-Foundation-Modell, das speziell für die Analyse von Limit Order Book (LOB)-Nachrichten entwickelt wurde. Das Modell soll die komplexen Dynamiken von Finanzmärkten auf Nachrichtenebene besser erfassen.

Die Modellierung von LOBs gestaltet sich besonders schwierig, weil die Ereignisse unregelmäßig eintreffen, schnelle Regimewechsel auftreten und hochfrequente Händler unmittelbar auf sichtbaren Orderfluss reagieren. Diese Faktoren erschweren die Vorhersage von Preisbewegungen und die Erkennung von Markttrends.

Frühere LOB-Modelle mussten auf aufwendige Datenrepräsentationen zurückgreifen und waren oft nur für ihre ursprünglichen Aufgaben geeignet. Dadurch fehlte ihnen die Flexibilität, die für die Analyse neuer Marktbedingungen erforderlich ist.

LOBERT löst diese Probleme, indem es die bewährte BERT-Architektur adaptiert und ein neuartiges Tokenisierungsschema einführt. Dabei werden komplette, mehrdimensionale Nachrichten als einzelne Tokens behandelt, während gleichzeitig kontinuierliche Darstellungen für Preis, Volumen und Zeit beibehalten werden. Dieses Vorgehen vereinfacht die Datenverarbeitung und erhöht die Modellleistung.

Durch diese Ansätze erzielt LOBERT führende Ergebnisse bei Aufgaben wie der Vorhersage von Mid-Price-Bewegungen und der Ermittlung der nächsten Nachrichten. Gleichzeitig reduziert es die benötigte Kontextlänge im Vergleich zu früheren Methoden, was die Effizienz steigert.

Das Modell ist als encoder-only Foundation-Modell konzipiert und eignet sich hervorragend für das anschließende Fine‑Tuning in spezifischen Anwendungsfällen. Damit eröffnet LOBERT neue Möglichkeiten für die Analyse und das Verständnis von Finanzmärkten auf Nachrichtenebene.