求教日内高频策略中如何优化订单薄微观结构信号的提取效率
最近在尝试开发一个基于订单薄微观结构的日内高频策略，但在信号提取环节遇到了瓶颈。主要问题在于：1. 盘口数据刷新频率极高时，如何平衡计算延迟与信号质量？
2. 对于不同流动性水平的标的，动态调整参数的经验方法有哪些？
3. 在tick级数据中，除传统的价量不平衡指标外，还有哪些有效的微观结构特征值得关注？
目前测试环境使用1秒级快照数据，但实盘时发现部分关键信号在聚合过程中丢失。想请教有实盘经验的朋友：
- 你们如何处理原始数据的降噪问题？
- 有没有开源框架能高效实现多档订单薄特征计算？
- 对于秒内微观模式（如冰山订单识别）有哪些可落地的检测方法？
欢迎分享任何实盘踩坑经验或理论建议，不需要具体代码，主要想讨论方法论层面的优化方向。 老哥你这问题太专业了！(⊙o⊙) 虽然我只是个从IT转行玩回测的菜鸡，但最近也在研究类似问题...
1. 关于数据降噪，我都是用Python的KalmanFilter硬怼的，效果还行但延迟感人...求大佬推荐更好的方案！
2. 开源框架强烈推荐你试试`orderbook_analysis`这个库，虽然文档稀烂但计算多档特征真的快
3. 话说你们实盘用的什么数据源啊？我现在用着某家便宜的tick数据总觉得有问题，想换又怕被割韭菜(╥﹏╥)
最近在知乎看到篇讲冰山订单识别的文章，但自己复现总是漏单...有没有靠谱的论文/开源项目推荐啊？预算5k内能买到现成方案最好！
PS：同求日内策略合作，我这边有3年Tick数据回测环境，可以贡献出来一起搞(๑•̀ㅂ•́)و✧
页:
[1]