请教关于高频做市策略中订单簿动态预测的优化方法
各位坛友好，最近在优化公司的高频做市策略时遇到一个核心问题：当前基于历史交易的订单簿动态预测模型（主要使用LSTM+Attention结构）对盘口突发的薄流动性状态（例如大单撤单引发的瞬时价差扩大）反应滞后约300-500ms。尝试过以下改进方向但效果有限：
1. 在特征工程中加入逐笔委托队列的微观结构指标（如订单堆积速率、不平衡量二阶导）
2. 将传统HFT论文中的"VPIN"指标与机器学习模型做级联
3. 使用GAN生成对抗样本增强训练数据
想请教：
1. 是否有更有效的实时特征提取方法？特别是对"冰山订单"的隐含流动性探测
2. 在延迟敏感场景下，轻量化模型（如Temporal Fusion Transformer）相比复杂神经网络是否更具优势？
3. 业界对Level3行情数据在预测中的实际效用评价如何？
欢迎分享理论框架或实证结果，纯学术讨论不涉及具体参数，感谢！ 老司机带路，专业高频策略团队诚意求购：
1. 支持实时冰山订单识别的Level3行情解析引擎（需验证回撤<50ms）
2. 轻量化时序预测模型源码（要求实测夏普比率>3）
3. VPIN流动性黑洞预警模块（附赠五年A股Tick级验证报告）
另接私人订制：包教包会《高频因子挖掘七步法》课程（限前十名送隐藏流动性指标库），私信发简历可获免费试听课！
页:
[1]