如果把一张棋盘按行剪开，再把所有格子排成一长列，信息并没有消失，但“谁挨着谁、哪边对着哪边”变得不再直观。很多订单簿预测模型也做了类似的事：先把多维盘口摊平成向量或矩阵，再让模型自己找回其中的关系。
TensorLOB换了一个思路。它把订单簿原本的结构一直保留到预测结束，让模型明确区分时间、买卖方向、价格档位和订单属性。论文想检验一个朴素问题：既然盘口天然是多维的，按多维方式处理，会不会比先摊平再学习更准确、更稳健？作者在FI-2010基准上的结果给出了初步肯定答案。不过，目前证据全部来自这篇论文及一个数据集，适合视为概念验证，而不是可直接交易的结论。
订单簿本来就不是一张平表
限价订单簿（Limit Order Book，LOB）记录尚未成交的买单和卖单。订单按价格排列，每个价位还带有价格、数量等属性。最高买价叫最佳买价，最低卖价叫最佳卖价，两者的平均值是中间价。预测中间价短期向上、不变还是向下，可服务于做市、执行和高频风险管理。
难点在于，订单簿数据噪声大，会随市场环境变化，三种走势的样本数量也往往不均衡。更关键的是，它天然包含几条不同的轴：最近一连串订单事件构成时间轴；买单和卖单构成市场侧；不同报价构成价格档位；价格与数量构成订单属性。
这些轴合起来就是张量——可以把它理解为多维数组。常见做法则是“展平”：把几条轴合并成一条长长的特征轴，以便交给常规模型。计算更顺手了，但买卖两侧、相邻档位和不同属性的身份也被揉在了一起。模型仍可能重新学会这些关系，只是需要从数据中自己摸索。
它把结构写进了计算规则
TensorLOB的输入是最近100个订单簿事件组成的四阶张量，四个维度分别是时间、市场侧、价格档位和属性。模型从特征提取到最终分类都在张量形式中完成。
第一步是按不同视角做归一化——把数值调整到更便于比较的尺度。时间视角观察同一个盘口位置怎样随事件变化；横截面视角则观察同一事件内，不同市场侧、档位和属性之间的差异。模型用学习得到的非负权重合并两个结果。
接下来是逐模态张量收缩。这里的“模态”就是张量的一条维度，“收缩”可以粗略理解为沿某条维度做带权汇总。TensorLOB分别学习时间、买卖侧、档位和属性上的变换，而不是给展平后的每一对位置都配一个互不相关的系数。
它还使用多个投影头并行寻找不同的交互模式。各个头共享时间维度上的变换，但分别学习市场侧、档位和属性的变换。这样，同一事件或同一价位的输入会共享相应权重因子。结构关系因此成为模型的“先验偏好”——也就是在看数据之前，模型已经被设计成更容易按订单簿的组织方式学习。
最后，TensorLOB没有先把表示压成一个向量，而是直接用低秩类别权重张量计算上涨、持平和下跌三类得分。这里采用CP分解：把一个庞大的多维权重拆成若干组更小的、分别对应各维度的因子，再把它们组合起来。论文设置下，这让分类层参数比不加结构约束的稠密版本减少85.3%。低秩并不只是为了省参数，也限制了模型只能用若干组可分解的多维交互来判断走势。
基准结果支持这个方向吗？
作者在预归一化的FI-2010基准上测试了未来10、20、50和100个事件四种预测周期。数据按时间切分：前七个交易日用于模型开发，最后三个交易日测试，共得到203,701个训练样本、50,851个验证样本和139,488个测试样本。每项神经网络实验使用三个随机种子重复，论文报告均值和样本标准差。
对手包括DeepLOB、带注意力或序列预测的DeepLOB变体、TABL系列，以及MLP、LSTM、XGBoost和线性SVM。按作者报告，TensorLOB在四个周期上的平均准确率、加权召回率和加权F1均居首；但50事件周期的准确率按表中一位小数显示，与BiN-C(TABL)同为77.5%。
差距最明显的是20事件周期。TensorLOB的加权F1为72.2%，比第二名BiN-C(TABL)的68.9%高3.3个百分点；准确率为74.0%，后者为71.4%。在10事件周期，两者的加权F1分别为82.5%和80.9%。到100事件周期，TensorLOB为79.1%，BiN-C(TABL)为78.0%。
50事件周期最接近：TensorLOB的加权F1为77.4%，BiN-C(TABL)为77.3%，只差0.1个百分点。这个结果很重要，因为它提醒我们，“四个周期都领先”不等于每个周期都形成明显优势。论文还指出，一些基线在10和20事件周期退化为只预测占多数的持平类别，而TensorLOB在不同周期上的表现更稳定。
为什么值得关注
这项工作的价值不只是又做出一个盘口模型。它展示了一种更一般的建模取向：数据的组织方式本身也可以成为模型设计的一部分。
展平并非必然错误，但它把领域结构变成了模型需要额外学习的东西。TensorLOB则提前写明：买卖侧和价格档位不是任意编号，时间、方向、档位与属性也承担不同角色。如果这个假设与数据生成方式相符，模型可能用更少参数学到更稳定的规律。论文的FI-2010结果与这一解释一致，但实验本身还不能证明优势一定来自保留结构，也不能证明它会转化成真实交易收益。
局限与未知
- 证据只来自FI-2010这一项基准。论文没有验证其他市场、不同订单簿格式、真实交易或更广泛的样本外环境，不能据此推断模型已经具备实盘有效性。
- “四个周期多项指标最高”是作者自报结果。实验虽使用三个随机种子并给出标准差，但论文未报告显著性检验；其中50事件周期的优势尤其小。
- 论文把TensorLOB定位为proof of concept，即概念验证。它说明保留多维结构值得继续研究，但尚未回答这种设计在市场变化、交易成本和持续部署条件下是否仍然成立。