StochLOB
一种面向限价订单簿趋势预测的得分匹配框架，通过引入跳跃型 Lévy 噪声与截断 α-稳定噪声替代布朗高斯噪声进行训练阶段腐蚀，推理时保持确定性预测器，提升对重尾分布与极端市场事件的建模稳健性
时间轴 (近 90 天)
StochLOB 提出了一套仅训练阶段的得分匹配框架，改变前向扩散的腐蚀规律，但部署时的预测器保持确定性。
StochLOB 引入两种非高斯噪声方案：复合泊松方差混合（jump-Lévy 噪声）和截断 α-稳定噪声（positive-stable 高斯尺度混合）。
StochLOB 的 radial factor h_t(r) 可被解释为后验期望腐蚀精度，使模型对大幅残差根据其最可能的潜在腐蚀尺度进行加权，而非一刀切惩罚。
StochLOB 的自适应加权机制让损失函数对异常值具有鲁棒性，同时保留其信息量。
作者在 Coinbase 的 LOB 数据上按时间顺序做了留存测试，所提变体在未受腐蚀的 BTC 及山寨币测试区间上保持竞争力。
StochLOB 在已实现尾部窗口的压力诊断指标上得到改善，表明模型在极端行情窗口下表现更可靠。
论文做了一项探索性的 Feishu A 股迁移研究，检验概率输出在交易成本和交易规则约束下是否仍然可用。
StochLOB 的代码与配置文件已在 GitHub 开源，仓库名为 Penny。
论文的 A 股迁移部分仍是探索性质，样本和数据覆盖有限，StochLOB 的泛化能力还有待更多独立复现检验。
StochLOB 采用'训练重、推理轻'的设计，部署复杂度与延迟不受非高斯噪声机制影响。
全部知识事实 (10)
StochLOB 采用'训练重、推理轻'的设计，部署复杂度与延迟不受非高斯噪声机制影响。
50%待验证StochLOB 引入两种非高斯噪声方案：复合泊松方差混合（jump-Lévy 噪声）和截断 α-稳定噪声（positive-stable 高斯尺度混合）。
50%待验证StochLOB 的 radial factor h_t(r) 可被解释为后验期望腐蚀精度，使模型对大幅残差根据其最可能的潜在腐蚀尺度进行加权，而非一刀切惩罚。
50%待验证StochLOB 的自适应加权机制让损失函数对异常值具有鲁棒性，同时保留其信息量。
50%待验证作者在 Coinbase 的 LOB 数据上按时间顺序做了留存测试，所提变体在未受腐蚀的 BTC 及山寨币测试区间上保持竞争力。
50%待验证StochLOB 在已实现尾部窗口的压力诊断指标上得到改善，表明模型在极端行情窗口下表现更可靠。
50%待验证论文的 A 股迁移部分仍是探索性质，样本和数据覆盖有限，StochLOB 的泛化能力还有待更多独立复现检验。
50%待验证StochLOB 提出了一套仅训练阶段的得分匹配框架，改变前向扩散的腐蚀规律，但部署时的预测器保持确定性。
50%待验证论文做了一项探索性的 Feishu A 股迁移研究，检验概率输出在交易成本和交易规则约束下是否仍然可用。
50%待验证StochLOB 的代码与配置文件已在 GitHub 开源，仓库名为 Penny。
50%