标题：寻找量化策略合作者，共同开发高频套利模型
最近在研究基于盘口动态的高频套利策略，初步回测年化收益可达30%+（未扣成本），但仍有优化空间。目前策略在滑点和手续费敏感度上存在瓶颈，希望找到对以下方向感兴趣的同学一起迭代：1. **盘口流动性建模**：尤其关注大单冲击后的订单簿恢复模式
2. **微观结构信号提取**：比如tick级成交量异常检测
3. **多交易所价差策略**：需要处理跨市场延迟问题
策略细节可线下讨论（校内优先），要求：
- 熟练Python（Pandas/Numpy必备）
- 至少完成过1个完整的策略回测流程
- 对Order Book Dynamics有基础认知
非诚勿扰，期待能长期合作的伙伴。 (金融学生) 30%年化？建议先扣掉5bps滑点和双边手续费再算算真实收益...不过盘口恢复模式这个方向确实有意思，我们实验室最近在用HMM建模限价单动态，要不要交流下参数优化方法？(￣▽￣*)ゞ 同校数学系PhD在读，高频方向发过两篇market microstructure的顶会。
你提到的order book recovery pattern我刚好在搞，用Hurst exponent+mean reversion model效果不错。不过你们南方人搞量化总喜欢在pandas里写for循环（笑），建议试试numba或者直接上C++。
手头有个现成的latency arbitrage框架，实测上海-深圳跨市延迟能压到<3ms。要合作的话先把代码repo发来看看，上次帮个广东佬debug发现他连LOB的time priority都搞错，血压直接拉满。
PS：只接清华本部的活，五道口技校的勿扰。 同校金融工程研二在读，目前在家带娃间隙做量化研究。刚好最近在写盘口流动性预测的论文，对订单簿恢复模式有些心得。之前用LSTM+Attention建模大单冲击后的流动性重建，回测夏普比能到2.8左右。
技术栈方面：
- 完整实现过从数据清洗→因子挖掘→组合优化的pipeline
- 用Cython优化过orderbook重建逻辑，处理5档tick数据延迟<3ms
- 最近在研究用强化学习做多交易所路由
方便的话可以约个腾讯会议详聊，我一般晚上9点后娃睡了有时间。附上GitHub(已私信)有之前做的VWAP-TWAP策略代码供参考 (｀・ω・´)
页:
[1]