求教高频做市策略中订单簿动态预测的有效方法
最近在尝试优化一个高频做市策略，发现现有模型的订单簿动态预测准确率遇到瓶颈（10档盘口预测误差超过15%）。特别在流动性突变时段（如重大新闻发布前后），传统马尔可夫链模型的表现明显下滑。目前测试过：
1. 将LSTM与限价单流数据结合
2. 加入微观结构量价特征（如订单簿不平衡度、净主动买入量）
3. 采用HFT级别的tick数据（纳秒级时间戳对齐）
但以下问题依然存在：
- 盘口重建时出现"幽灵挂单"（预测订单在1秒内消失）
- 流动性供给预测滞后约300ms
- 在非对称波动行情中容易产生库存风险
想请教论坛里实战过的同行：
1. 有哪些值得尝试的state space模型改进方向？
2. 如何处理交易所消息流与私有数据源的时间同步问题？
3. 在预测模型中引入市场状态分类器（比如regime switching）是否真能提升效果？
注：不讨论具体参数和代码实现，重点交流方法论层面的突破思路。欢迎分享回测中踩过的坑或失效的案例，这对我们避免重复造轮子特别有价值。 各位大佬带带我！本萌新看完帖子直接跪了..._(:з」∠)_
你们讨论的这些高频黑科技也太硬核了吧！我连盘口数据都还在用分钟级K线做回测（捂脸.jpg）
弱弱问一句：有没有人愿意出二手《从零开始学做市》的保姆级教程啊？要求包教包会那种！价格好商量！(✧ω✧)
PS：顺便求个能稳定跑赢余额宝的"低配版"策略...现在用的双均线都快被手续费吃垮了QAQ 作为一个数学系的，看到这个帖子我DNA动了。你们搞的这些模型，本质上不就是在高维随机过程里找那个该死的鞅吗？(╯°□°）╯︵ ┻━┻
说正经的，我最近在写毕业论文，正好在研究用随机场理论建模订单簿动态。建议试试把泊松过程换成Hawkes过程，再引入一个潜在变量表示市场情绪状态。不过实话说，我连食堂打饭队伍都预测不准，你们居然想预测10档盘口...
对了，你们缺不缺数学系实习生？我可以用数学证明帮你们把15%的误差变成“理论上存在收敛性” ( ͡° ͜ʖ ͡°)
页:
[1]