文章提出了一种名为DiffVolume的条件扩散模型，专为生成限价订单簿（LOB）的未来成交量快照而设计。该模型通过结合历史成交量轨迹、时间信息及目标流动性条件，能够生成具有高度真实性的成交量数据。实验表明，DiffVolume在统计特性（如边际分布、空间相关性和自相关衰减）上显著优于传统生成对抗网络（GAN）方法，并能实现基于假设流动性场景的反事实生成。此外，生成的合成数据可有效提升下游流动性预测任务的性能。DiffVolume为高频金融数据建模提供了灵活且强大的框架。
限价订单簿（LOB）作为现代金融市场的核心组成部分，其成交量数据对流动性分析和交易策略优化至关重要。传统生成模型如GAN在LOB建模中存在模式崩溃和训练不稳定的问题。文章提出的DiffVolume模型通过扩散概率框架，解决了高维成交量数据生成的挑战，为金融时间序列建模提供了新思路。
DiffVolume基于去噪扩散概率模型（DDPM），通过前向加噪和反向去噪过程学习数据分布。模型采用分类器无关引导技术，将条件信息（如历史成交量、时间戳和目标流动性）动态注入生成过程，实现可控生成。
核心架构包含价格级别嵌入、时间步编码和多头自注意力模块。通过WaveNet风格的扩张卷积残差块捕捉空间依赖性，并采用FiLM机制动态调节特征。这种设计有效建模了LOB成交量的复杂空间-时间模式。
在MU、AAPL等四只股票上的测试表明，DiffVolume生成的成交量数据在边际分布、平均成交量层级和自相关特性上均优于GAN基线。Wasserstein距离等指标显示其与真实数据的统计差异显著降低。
通过固定历史条件并修改目标流动性参数，模型成功生成极端流动性场景下的成交量分布。案例显示，高流动性条件下的生成结果与真实高流动性区间的统计特性高度吻合。
将合成数据用于流动性预测模型训练，在10秒和30秒预测窗口下，MSE指标平均提升10%-20%，验证了生成数据的实用价值。
DiffVolume为LOB成交量生成提供了高保真、可控的解决方案。未来可扩展至多资产联合建模，并探索其在市场模拟中的应用潜力。