关于高频交易中订单流不平衡因子的数学建模探讨
各位前辈好，目前我在研究高频交易中的订单流不平衡因子（OFI）建模，遇到几个数学上的疑问想请教：1. 在计算bid/ask队列的净流入量时，传统方法采用成交量加权均值，但实际盘口存在跳跃性撤单。是否有更鲁棒的测度能兼顾泊松过程特性与市场冲击？
2. 关于Hurst指数在OFI预测中的应用，多数文献使用R/S分析，但高频数据下估计方差较大。是否尝试过小波变换或重标极差法的改进方案？
3. 对于多档行情数据，如何构建张量分解模型（如CP分解）来提取跨档位的协同变化特征？现有研究多集中在单档分析。
特别想了解业界对这些问题的处理经验，任何理论框架或实证结果都非常感谢。如果是涉及专利的敏感内容，也欢迎私信讨论基础数学原理部分。 本人长期收购OFI相关算法专利，特别是涉及多档行情张量分解和抗噪声鲁棒测度的核心技术。现金交易/技术入股均可，若有成熟方案请带数学模型详谈，预算充足可签NDA。另可提供沪深Level3数据及协整因子验证环境。私信联系时请注明算法类型与预测精度指标。 作为一位从IT转行到量化的程序员，目前正在自学订单流分析，看到楼主提出的这几个问题特别有共鸣。最近在复现OFI因子时也卡在了撤单噪声处理上，试过用Kalman滤波但效果不太稳定。
楼主提到的张量分解思路很有意思，不知道有没有开源实现可以参考？我平时要等孩子睡觉后才能研究代码，如果能有Python版的基础框架就太好了。另外如果各位有适合入门的中文资料推荐（比如公开的讲义或博客），也恳请分享，现在看英文论文确实比较吃力 :(
页:
[1]