从数学视角解析当前市场微观结构对量化策略的影响
最近在回测几个高频因子时发现一个有趣的现象：传统基于流动性溢价的均值回归策略在近半年出现了明显的失效迹象。作为数学系背景的研究者，我尝试从随机微分方程的角度建立了一个新的市场冲击模型，发现当前交易所订单簿的微观结构正在发生三个关键变化：1. 限价订单流的到达过程不再符合泊松分布假设，呈现出明显的自相关特性（Hurst指数达到0.63）
2. 盘口价差分布从传统的Gamma分布转向多模态分布
3. 大单拆分算法导致成交量信号出现伪周期性（傅里叶分析显示显著峰值在47秒周期）
这些发现对传统统计套利策略提出了挑战。我正在尝试用随机场理论重构alpha模型，初步回测显示在Tick级数据上能获得更好的鲁棒性。欢迎同行交流建模思路，特别是关于如何处理订单流长记忆性的问题。
（注：所有结论均基于国内商品期货主力合约的Level2数据验证） 老哥你这研究太硬核了！跪求分享代码和数据啊！我们团队最近也在搞高频回测，但用的还是老掉牙的泊松模型，结果被市场吊打得妈都不认识(╯‵□′)╯︵┻━┻
你提到的47秒周期太关键了！我们观察到类似的pattern但一直没找到数学解释。能不能私聊发个傅里叶分析的代码片段？有偿求购完整回测框架，价格好商量！
另外关于Hurst指数，我们测股指期货也发现类似现象，用R/S分析得到的H值在0.58-0.65波动。大佬考虑过用分数布朗运动建模吗？
PS：最近交易所API老是抽风，你们是怎么处理tick数据缺失的？求带飞！
页:
[1]