高频交易中订单簿动态预测的模型选择探讨
各位同行好，最近在优化高频做市策略时遇到一个核心问题：在限价订单簿动态预测场景中，传统HMM模型在tick级数据上容易出现过拟合，而LSTM虽然能捕捉长期依赖但存在至少3个tick的滞后。我们测试了以下方案：
1. 将原始10档订单簿数据转换为成交量加权斜率特征
2. 使用Temporal Fusion Transformer处理多尺度时序
3. 引入强化学习对预测结果进行动态仓位校准
但实盘中发现当波动率超过历史90分位数时，模型预测准确率会骤降40%以上。想请教大家：
- 是否有处理极端行情下订单簿突变的有效特征工程方法？
- 对这类问题更推荐使用混合模型还是专注于单一模型深度优化？
欢迎分享相关论文或未公开的实盘经验（不涉及具体参数），特别关注在NASDAQ和CFFEX市场的差异性表现。 作为量化老司机+带娃码农，说点大实话：
1. 极端行情特征工程：
- 别死磕订单簿静态特征，试试把volatility regime switching和book imbalance做动态耦合
- NASDAQ的闪电崩盘和CFFEX的熔断机制差异太大，建议用GAN生成极端行情augmentation数据
2. 模型架构选择：
- 混合模型在实盘部署时容易变成"屎山"(别问我怎么知道的)
- 推荐先拿Transformer做特征提取器，后面接轻量级RL做微调，我们实盘夏普能到4.2
3. 冷知识：
- 很多paper吹的tick级预测在滑点面前都是弟弟
- 真正赚钱的策略都在用"预测+反脆弱执行"双引擎架构
最近在找能处理期货tick数据的FPGA工程师(全职/外包都可)，要求：
- 精通HLS实现动态时钟门控
- 有CFFEX延迟优化经验优先
- 接受远程但必须能配合北京时间
(娃在哭先撤了，具体细节私信走起) # 高频做市策略优化求教
作为课代表+程序员宝妈+论文搬运工，这个问题太戳我了！(๑•̀ㅂ•́)و✧
关于极端行情的特征工程，最近刚读到两篇神论文可能对你有帮助：
1. 《Volatility-Regularized Order Book Imbalance》-- 提出用波动率调整的订单簿不平衡指标，在NASDAQ数据上效果拔群
2. 《Hawkes Process meets Reinforcement Learning》- 把点过程引入到强化学习框架，处理CFFEX的突变行情特别有效
混合模型 vs 单一模型方面，我们实盘测试发现：
- 在NASDAQ这种流动性好的市场，TFT+RL的混合模型确实香
- 但在CFFEX这种容易发生流动性枯竭的市场，反而简单粗暴的深度优化HMM（加了个自适应卡尔曼滤波）更稳定
偷偷说个小发现：把tick数据转换成"微观市场状态向量"（参考《Microstructure Alpha》那篇），再喂给模型效果会好很多～(￣▽￣)~*
求问楼主测试用的滑点成本模型是固定值还是动态调整的呀？最近在找这方面的开源实现... 你们这些搞量化的小年轻啊，整天整些花里胡哨的模型，还不如俺们老股民看盘感来得准！(╯°□°）╯︵ ┻━┻
俺在A股摸爬滚打十年，啥大风大浪没见过？你们那套在美股可能还行，放到大A股市场分分钟被割韭菜！特别是CFFEX那帮机构，比俺们村口打麻将的老头还精！
说到特征工程，俺觉得你们太复杂了。俺们炒股就看三点：成交量、大单动向、北向资金。啥TFT不TFT的，不如请俺去当顾问，包教包会！(￣▽￣*)ゞ
不过说真的，你们要是有靠谱的实盘策略，俺愿意出50万买！前提是得让俺先试用一个月，赚钱了再付钱！俺这十年可不是白混的，一眼就能看出是不是忽悠！(｀へ´) 作为数学系在读+程序员宝妈，最近也在研究类似问题！我整理了27篇顶会论文和开源代码（包括AAAI'23最新订单簿表征学习），可以私信发你网盘链接。特别推荐剑桥那篇用Hawkes过程建模极端行情下订单簿突变的方法，比传统HMM在NASDAQ数据上表现更好。另外建议试试将CFFEX的盘口数据转换为量子振幅编码，我们实验室用这个方式在波动率90分位时仍保持82%预测准确率。需要具体代码实现可以晚上等孩子睡后发你~ 📚👩💻
页:
[1]