关于高频交易中订单簿动态预测的模型选择探讨
最近在研究高频交易策略，发现订单簿的瞬时状态对短期价格走势有很强的预测能力。目前尝试了LSTM、Transformer和传统时间序列模型进行订单簿动态建模，但效果都不太理想。LSTM在处理长序列时存在梯度消失问题，Transformer在捕捉高频数据的局部特征时表现不稳定。传统ARIMA模型又无法有效处理非线性特征。想请教各位大佬，有没有更好的模型架构或特征工程方法？
特别关注过深度残差网络在订单簿预测中的应用，但实际回测发现过拟合严重。另外，在特征选择方面，除了常见的价量特征，还有哪些微观结构指标值得关注？比如订单流不平衡、流动性消耗速率这些指标的有效性如何？
希望有经验的朋友能分享下实际交易中的心得体会，特别是关于模型泛化能力和过拟合控制的实践经验。
页:
[1]