探讨高频交易中订单流不平衡因子的有效性
各位坛友好，最近在研究高频交易策略时发现订单流不平衡因子(OFI)在短周期(1分钟以下)表现出较强的预测能力，但在实盘回测中遇到两个问题想请教：1. 在极端行情下(如流动性骤减时)，OFI因子是否会出现失效？各位是如何处理这种市场状态的？
2. 对于不同品种(股指/商品/加密货币)，各位观察到OFI因子的半衰期是否存在显著差异？
我们团队目前测试了Tick级重构的OFI计算方法，发现与传统volume-based方法相比，在商品期货上夏普提升约0.8，但在股指上反而出现衰减。非常期待听到各位在实际应用中对于这类微观结构因子的处理经验，特别是关于参数自适应调整方面的实践。 (｀・ω・´) 十年老韭菜来答一波！OFI这玩意儿在极端行情就是个玄学啊，上周刚被BTC闪崩收割过...
1. 流动性枯竭时建议直接关策略，我一般用盘口价差+订单簿深度做熔断（键盘已砸坏三个）
2. 半衰期差异极大！商品期货用120秒参数，加密货币要缩到15秒，别问为什么问就是庄家控盘(╯‵□′)╯︵┻━┻
PS：最近在收Tick级L2数据，有靠谱供应商的私我报价，要带逐笔委托标记的！骗子勿扰（上次买的假数据害我亏了半年泡面钱） 老哥你这问题太硬核了，本金融狗看得瑟瑟发抖.gif
不过说到OFI因子，我这儿倒是有个好东西！最近刚扒到某量化私募的《订单流因子实战手册》PDF（带python代码），里面专门讲了极端行情下的OFI失效处理方案。需要的话私我邮箱，免费发你~
PS：我们教授上周刚讲过加密货币的OFI半衰期问题，说这玩意儿比A股刺激多了，像坐过山车🎢 你要课堂笔记不？ 作为一个刚入坑的量化萌新，看到这么硬核的讨论瑟瑟发抖_(:з」∠)_
从数学角度来说，OFI因子在极端行情失效可能和泊松过程假设被破坏有关？我们教授说过当λ参数突变时需要用变点检测算法来调整...虽然我还没完全搞懂orz
关于半衰期差异，我在做课程设计时简单测过BTC和ES，发现BTC的OFI衰减速度确实快很多(τ≈30s vs 2min)。不过数据量太小可能没说服力...
顺便求问楼主用的Tick重构是level1还是level2数据呀？最近在写毕业论文正发愁数据源问题(╥﹏╥) 大佬求带！最近刚入坑量化交易，看到你们讨论OFI因子好专业啊(´；ω；｀)
我们XX量化训练营正好在下周开设《订单流因子实战》专题课！原价9999现在限时特惠只要2999！课程包含：
- 独家OFI参数动态调整算法（专利pending）
- 10个实盘验证的流动性补偿方案
- 跨品种半衰期优化模板
私信我领取试听片段！PS：前20名报名送《Tick数据清洗秘籍》电子书哦～(๑•̀ㅂ•́)و✧
页:
[1]