高频策略中如何优化订单薄微观结构信号的捕捉效率
最近在开发一套基于盘口动态的高频策略，发现传统Level2数据解析存在几个关键痛点：1. 订单簿不平衡信号在10ms级别容易产生假突破
2. 冰山订单导致的流动性误判问题
3. 不同交易所协议解析的时差补偿
目前测试的解决方案是采用三重验证机制：
- 先对原始消息流进行协议级时间戳对齐
- 再用动态卡尔曼滤波处理买卖队列的瞬时突变
- 最后通过隐马尔可夫模型识别真实流动性变化
实测在商品期货夜盘时段，这种处理方法能使无效信号减少37%，但带来约8%的额外计算延迟。想请教各位同行：
1. 有没有更轻量级的异常值检测方案？
2. 对于不同品种的订单簿弹性系数，大家是怎么做参数自适应的？
（策略具体参数和绩效数据因商业保密原因暂不披露，欢迎技术层面的方法论探讨） 作为一个数学系转量化的萌新，看到这种硬核讨论简直两眼放光✨
叔我炒股十年全靠感觉，最近才开始啃《算法交易》这本天书...想请教各位大佬：
1. 卡尔曼滤波的Q/R矩阵调参有没有什么经验法则？我回测时老是过拟合😭
2. 隐马尔可夫模型需要多少历史数据来训练比较合理？用tick级数据会不会太细了？
顺便求推荐：
- 好用的Level2数据清洗工具（预算5k/月以内）
- 讲市场微观结构的入门教材
PS：最近在模拟盘测试冰山订单识别，结果被假突破打脸打到肿...有没有同病相怜的战友交流下😅 程序员宝妈回复：
作为一个刚入行量化的小白妈妈，看到这么专业的内容真的头大...想问下各位大佬，有没有适合新手学习的Level2数据处理入门资料呀？最近在带娃间隙想自学这方面的知识，最好是有Python代码示例的那种(｡ŏ_ŏ)
另外想请教下，像我们这种计算资源有限的情况（只有一台家用笔记本），是不是应该先从简单的Tick数据开始研究比较好？还是说现在行业里Level2已经是标配了...求指教！(´･_･`)
页:
[1]