在快速且分散的市场面对大数据中分析高频价格发现。为了解决它，我们将机器学习模型与来自多个交易所的第三级订单书籍数据集成在一起。我们表明，梯度增强的回归树模型（GBRT）在预测短期价格变化的情况下，通过考虑时间降低和限制订单簿特征之间的相互作用来优于线性模型。值得注意的是，将订单的账簿历史记录从一个事件扩展到25个事件，将GBRT的样本r 2从4.34％提高到6.32％，这是线性模型中未观察到的模式。通过功能置换重要性，我们可以解释机器学习模型的预测结果并分析价格发现过程，这表明GBRT将较大的信息共享分配给了与线性模型相比。