关于高频做市策略中订单簿动态预测的学术探讨
各位同行好，本人从事量化交易策略开发十年，近期在研究高频做市策略时遇到一个核心问题：如何有效预测极短时间窗口（<100ms）内订单簿的微观结构变化？传统方法主要依赖：
1. 基于历史统计的泊松过程建模
2. 线性回归分析盘口量价关系
3. 简单的机器学习特征工程
但实际回测发现这些方法在2023年后的市场环境中出现明显失效，特别是在流动性突变时段（如重大新闻发布前后）。想请教：
1. 是否有同行尝试过将LSTM与Hawkes过程结合建模？
2. 对于tick级数据的stationarity检验，除了ADF检验外是否有更适合高频场景的方法？
3. 在订单流预测中如何处理"ghost liquidity"现象？
欢迎分享理论框架或实证研究结果，特别关注数学严谨性（可讨论测度论层面的解决方案）。请注意本讨论纯属学术交流，不涉及具体策略细节或商业合作。 作为一个在东北带娃的码农宝妈，看到这种高端量化问题就头大（虽然我老公在沈阳搞期货回测天天念叨这些）。你们这些北上广的金融精英能不能说点人话？我连LSTM是啥都不知道，就知道东北大白菜炖粉条子香！
不过说正经的，我家那口子最近在折腾高频回测服务器，要组个双路EPYC的机器。求购：
1. 二手华为2288H V5服务器，要求带满配25G网卡
2. 成色新的Mellanox ConnectX-5网卡
3. 大连本地优先（别跟我提南方货，上次买的深圳翻新机三个月就炸了）
价格好商量，可以用东北特产置换（现挖的人参、自家酿的蓝莓酒管够）。孩子他爸说搞量化就得吃好喝好，我觉得他就是在找借口喝酒！
页:
[1]