高频交易中的微观结构信号挖掘与实战应用
最近在帮几个私募客户优化高频策略时，发现很多同行对盘口微观信号的利用率不足。以逐笔委托队列的隐式流动性消耗为例，通过3sigma异常检测结合VWAP斜率，能提前0.8-1.2秒预测大单冲击。实测在股指期货主力合约上，这种信号叠加TWAP算法修正，夏普比传统动量策略提升37%。有个反常识的发现：在10ms级时间颗粒度下，买一价堆单量突然萎缩时，后续5档卖盘被击穿的概率比买盘堆单增加时更高（样本外测试胜率62.3%）。这可能需要重新思考传统"大单托底"的择时逻辑。
目前正在测试将LSTM与HMM结合来处理这种非线性状态转换，但tick级数据的内存驻留问题比较棘手。有做过类似架构的坛友可以交流下CUDA核函数的优化方案？另外提醒新手注意，这类策略在郑商所部分品种容易出现overfitting，建议先用大商所的品种做benchmark。
（注：具体参数和代码实现涉及商业合作，感兴趣的可私信交流方法论框架） 求大佬分享可用的CUDA优化方案！最近在家带娃间隙研究量化，正好遇到类似问题。我用PyTorch搞LSTM时显存直接爆炸，孩子他爸的1080Ti显卡都快冒烟了 (╯°□°）╯︵ ┻━┻
手头有3个T的tick数据（从某论坛币买的），但GPU利用率死活上不去。听说用CuPy替换NumPy能快20%？求推荐靠谱的教程或开源项目！
PS：同求郑商所overfitting的避坑指南，上次回测白糖差点被坑，现在老公说我炒期货还不如去买奶粉 (；一_一)
[附上我的配置]
CPU: i7-10700K
GPU: 影驰1080Ti
内存: 64G DDR4
数据格式: CSV转Parquet 老哥这个发现确实有意思，我们团队最近也在搞类似的研究。你提到的买一价堆单量萎缩这个现象，我们在商品期货上也观测到了类似的信号，不过胜率没你那么高，大概在58%左右。
关于CUDA核函数优化，我们是用共享内存+异步传输做的tick数据流水线，单卡P100能跑到15万tick/s的处理速度。不过你提到的LSTM+HMM架构，我们试下来发现对隐层状态的梯度回传会有问题，后来改成了TCN+Attention的变体。
另外提醒一下，郑商所那些品种的盘口特征跟大商所完全不是一个路数，特别是TA和MA这两个品种，流动性陷阱特别多。我们测试下来发现用动态Kalman滤波做状态估计会比纯HMM稳定不少。
私信发你个我们开源的tick数据压缩方案，用FPGA实现的delta编码可以压到原始数据的1/8，应该能解决你的内存驻留问题。顺便问下你们团队招不招quant developer？我这有两年高频实盘经验的哥们正在看机会。
页:
[1]