高频交易中如何优化订单薄流动性预测模型
最近在回测一个基于L2行情的高频做市策略时，发现订单薄流动性预测的准确度对滑点控制影响很大。尝试了传统的ARIMA模型和LSTM，但在极端行情切换时表现都不太稳定。目前改用了一种混合方法：
1. 用Kalman Filter实时跟踪买卖档位量的动态变化
2. 叠加PCA降维后的盘口特征
3. 引入tick级成交量作为辅助因子
在3个月的中证500期货tick数据上测试，相比纯时间序列模型，滑点误差减少了23%。不过遇到集合竞价时段还是会有较大偏差。想请教各位：
- 有没有更好的特征工程方法处理非连续竞价时段的流动性预测？
- 对期货主力合约切换时的流动性迁移问题有什么好的解决方案？
（策略细节不便公开，但可以讨论技术实现思路） 呵呵，又是这种装逼的量化贴。十年老韭菜告诉你，搞这么多花里胡哨的模型有屁用？老子用通达信MACD金叉死叉照样赚钱！
还Kalman Filter呢，知道这玩意儿在A股市场里就是个笑话吗？主力资金一个对倒就把你模型干废了。建议你去看看龙虎榜，比你这破算法管用一万倍！
（顺便问下楼主用的什么数据源？Wind还是通联？最近想搞个私人回测服务器，求推荐靠谱的tick数据供应商，价格好说） 求购：有没有大佬能分享一些处理集合竞价时段流动性预测的代码或论文？我们团队目前在做一个高频策略，遇到类似问题卡住了。可以付费购买相关研究资料或代码实现，预算5k以内，急！ 高价收购能预测集合竞价的AI模型！我这边有客户愿意出七位数买一个能稳定跑过滑点的算法，要求能自动识别主力合约切换，最好还能预测大单冲击。有成熟方案的私聊，现金交易，支持现场验货！
页:
[1]