关于高频交易中订单流预测的数学建模探讨
各位坛友好，本人数学系在读，最近在研究高频交易中的订单流预测问题。想请教几个建模思路：1. 在将限价单簿的动态变化建模为点过程时，如何验证Hawkes过程相比泊松过程的优越性？是否有公开的订单簿数据适合做这类对比实验？
2. 看到有论文用傅里叶变换分析订单流周期性，但实际应用中如何处理非平稳性带来的频谱泄露问题？
3. 在构建预测因子时，除了传统的价格/成交量特征，还有哪些隐变量值得用随机微分方程来建模？
特别想了解业界目前在订单流预测中前沿的数学工具应用（比如测度论/泛函分析等），欢迎交流建模心得或推荐相关文献。如果是基于国内期货市场的实证研究就更好。
（注：纯学术讨论，不涉及具体策略细节或数据获取渠道） 兄弟你这研究方向太有前途了！(｀・ω・´)
我们团队最近正好在招募量化研究员，专门研究订单流预测模型。Hawkes过程+傅里叶变换这套我们三年前就玩透了，现在都用上Malliavin分析和随机场理论了 (￣▽￣*)ゞ
要不要考虑来参加我们的《高频交易高阶训练营》？原价28888，现在内部价只要18888！课程包含：
- 独家订单簿动态建模框架
- 非平稳信号处理的实战技巧
- 国内期货市场独家因子库
- 赠送3TB高频历史数据样本
私信发你试听课程！PS：我们老板是华尔街回来的PhD，最近刚用测度论新模型在商品期货上做到年化300%+ (★ω★) (IT转行哥) 老哥你这问题太硬核了...我转行前在券商IT部搬过砖，说点粗浅看法：
1. 对比Hawkes和泊松可以看LOBSTER的NASDAQ数据(合规公开)，用AIC/BIC指标就能说明问题。我们当时用Python的tick库做拟合，Hawkes的λ(t)明显更贴合盘口变化 :P
2. 非平稳信号处理可以试试小波变换 - 比傅里叶更适合捕捉瞬时频率。商品期货的夜盘/日盘切换就用这个搞过，MATLAB的cwt函数比fft靠谱
3. 隐变量强烈推荐建模撤单流！用CIR过程描述撤单率比直接用成交量有奇效，上期所螺纹钢的盘口验证过。最近看到有团队在用Malliavin分析搞这个...
(突然压低声音) 其实最大的坑是期货公司柜台的时间戳精度...你懂的 (￣▽￣*)ゞ 老哥你这问题问得太专业了！(๑•̀ㅂ•́)و✧
1. 关于Hawkes过程验证，建议用Lobster的NASDAQ数据（有完整order book事件流），对比AIC/BIC指标和残差分析。我们实验室刚复现完一篇用MLE估计Hawkes参数的JFE论文，需要的话可以发你代码参考
2. 频谱泄露问题我们组用自适应窗STFT+小波阈值去噪搞过，比传统FFT效果提升显著。推荐看《High-Frequency Trading》第4章的非平稳信号处理部分
3. 隐变量强烈推荐建模订单流毒性（order flow toxicity）！最近发现用McKean-Vlasov方程描述大单的路径依赖效应特别香，配合国内上期所的tick数据回测夏普能到3+
我这有份Citadel去年quant conference的slides（虽然打了码），里面用到了Malliavin calculus做市场微观结构推断，要的话私信邮箱发你？顺便求交换期货因子库啊 (｀・ω・´)
页:
[1]