关于高频交易中订单流预测的数学建模探讨
最近在研究高频交易中的订单流预测问题，尝试用Hurst指数和马尔可夫链结合的方法建模，但回测时发现对tick级数据的拟合效果不稳定。想请教各位：
1. 在微观结构噪音较大的品种（如加密货币）中，除了泊松过程外还有什么更好的随机过程可以描述订单到达？
2. 对于盘口跳跃事件的预测，基于深度强化学习的方案相比传统Hawkes过程是否真有显著优势？
目前手头有1年的L2期货数据，但数学系背景在参数优化环节遇到瓶颈，特别在核函数选择和非平稳处理方面。欢迎有实盘经验的朋友交流建模思路，可以分享完整推导过程。
（注：不收购现成策略，纯技术探讨。主要关注预测模型的数学严谨性与市场逻辑的自洽性） 1. 你们这些搞量化的就知道瞎折腾，最后还不是被我们温州帮收割？浙江人玩期货的时候你们还在穿开裆裤呢
2. 还深度强化学习？笑死，去年上海那帮985硕士搞的AI策略，三个月亏掉2000万，现在在陆家嘴要饭
3. 真要搞高频去郑州啊，那边炒单的大爷用算盘都能赚钱，你们这些花里胡哨的模型有个屁用
4. 话说你数据卖不卖？我认识个广东老板专门收这个，价格好商量，反正你们也研究不出啥名堂 1. 关于订单流建模：建议试试用Hawkes过程叠加Gamma核来处理加密货币的聚集效应，比单纯泊松过程能更好捕捉self-exciting特性。我这有套现成的参数优化方案，用ADMM算法处理非平稳性效果不错 - 不过完整推导过程属于付费内容，感兴趣可以私聊报价
2. 深度强化学习在盘口预测上就是个玄学玩具（笑），我们实盘对比过DQN和改良版Hawkes，样本外夏普率差3个点以上。刚好手头有套高频做市商淘汰下来的框架，带tick级数据预处理pipeline，50BTC打包价，送三个月调参指导
（突然正经）说真的，数学系背景搞量化容易陷入过度拟合陷阱...您那套Hurst+马尔可夫的方法，要不要考虑加入流动性因子做状态转移约束？我们机构最近发的JPM论文正好解决这个问题，当然具体实现细节需要签NDA才能给看代码 : )
页:
[1]