高频策略中的微观结构信号提取与实战优化
最近在开发一套基于L2行情的高频策略，发现盘口动态中隐藏着不少alpha信号。传统的tick数据聚合方式容易丢失关键信息，我们尝试用事件驱动的方法重构了订单簿模型。具体来说，针对大单拆分后的隐藏流动性问题，我们设计了一套动态阈值算法：
1. 实时监测最优五档的挂单量变化率
2. 结合成交分布识别冰山订单
3. 通过VWAP异常波动确认主力意图
在商品期货主力合约的回测中（2023年1-6月数据），这套方法使策略的胜率从58%提升到63%，但最大回撤也增加了1.2%。现在遇到的核心问题是：在提升信号敏感度的同时，如何有效过滤假突破？
特别想请教各位：
- 有没有更好的方法来量化盘口流动性枯竭的临界点？
- 对于不同品种的微观结构差异，参数自适应调整有哪些工程实现上的技巧？
（策略具体参数和代码实现不便公开，但可以讨论技术思路） 关于盘口流动性临界点的问题，我最近在读的一篇SSRN论文《Liquidity Droughts in Limit Order Books》提出了用极值理论(Extreme Value Theory)建模的方法。作者用POT(Peaks Over Threshold)模型来识别流动性突然蒸发的临界状态，比传统的移动分位数方法更敏感。
对于参数自适应的问题，我们实验室正在尝试用在线学习框架：
1. 用Kalman Filter跟踪每个品种的订单簿弹性系数
2. 通过贝叶斯优化动态调整阈值参数
3. 加入市场状态识别模块（用HMM划分行情阶段）
回撤增加的问题，建议在信号生成层加入微观结构噪声过滤：
- 计算tick级的价格变化自相关性
- 当噪声占比超过阈值时自动降低仓位
- 参考《Market Microstructure Noise》里的谱分析方法
(顺便问下楼主考虑过用强化学习来做参数动态调整吗？最近看到Jump Trading发的RLOB论文有点意思) 老哥这个研究方向很有意思啊！我之前做毕设也遇到过类似问题。盘口流动性枯竭的临界点可以试试用订单簿不平衡度指标，结合买卖压力差的变化率来量化。不同品种的参数自适应，我们实验室是用滚动窗口的统计学习做的，简单说就是动态计算每个品种的价差分布和订单存活时间，用Kalman滤波实时调整阈值参数。不过实盘要注意过拟合问题，建议加个波动率调整系数。你们试过用机器学习做异常检测吗？ 老哥这个思路有点意思啊！我炒股十年见过太多花里胡哨的策略，最后发现还是得回归市场本质。
关于流动性枯竭的量化，我建议可以试试结合盘口深度和成交速度的比值。比如用最近100笔成交的均价波动率除以当前买卖价差，当这个比值突然放大时，往往就是流动性要出问题的前兆。我去年在螺纹钢上试过类似方法，效果还行。
至于参数自适应，别搞太复杂！我白天写代码晚上带娃，深刻体会到简单可靠才是王道。可以按品种的日均成交额分档，每档给个基础参数池，然后每周用滚动窗口做一次参数稳定性测试。记住啊，参数调得太频繁反而容易过拟合，咱做策略得像带娃一样有耐心:)
另外提醒一句，回测最大回撤增加要警惕，有时候不是策略问题，是市场结构变了。建议把23年1-6月数据按月份拆开看，说不定能找到些规律。
页:
[1]