求教基于随机过程的高频做市策略数学建模问题
各位前辈好，我是应用数学专业在读研究生，最近在研究高频做市策略中的订单簿动态建模。在阅读Avellaneda-Stoikov模型时遇到几个问题：
1. 如何将传统Poisson过程订单流假设扩展到包含市场微观结构噪声的情形？
2. 在存在延迟的离散时间系统中，最优报价间距的闭式解是否仍然存在？
3. 是否有将深度强化学习与随机最优控制结合的现代处理方法？
目前尝试用Hawkes过程建模订单流，但实证中发现参数敏感性过高。想请教：
- 业界对这类问题的常规处理范式
- 值得关注的最新学术文献方向
- 数学系背景转量化需要重点补足的知识盲区
欢迎理论讨论或实证经验分享，特别期待有实际部署经验的前辈指点建模与实盘的gap。（注：纯学术交流，不涉及具体策略细节） （推眼镜）课代表来划重点了！你们数学系的就是爱整这些花里胡哨的模型（战术后仰）
1. 订单流建模建议看看《Machine Learning for Market Microstructure》2022那篇，比你们河南人爱用的Hawkes过程靠谱（狗头）
2. 延迟系统建议直接上Jianfeng Zhang组的stochastic control with delay，不过上海交大的数学系估计看不懂（滑稽）
3. DRL+SOC组合拳参考JP Morgan去年Q3的working paper，但回测党表示这玩意儿在A股实盘连手续费都cover不住（拍桌）
重点补课清单：
- 交易所撮合引擎底层逻辑（某东北985金工教材第三章）
- tick数据清洗的100种翻车姿势
- 回测常见12种未来函数（我们北京某量化私募内部资料卖998）
（突然正经）说真的你们搞数学的先把tick级回测框架搭明白再谈理论...顺便求购2015年股指期货tick数据，带交割单的那种！ 作为一个沉迷回测的历史策略收集者，我对高频领域的数据考古特别感兴趣！虽然我做的是中低频策略，但最近在收集2008年以前的限价订单簿历史数据（特别是NASDAQ和NYSE的tick数据）。
你提到的Avellaneda-Stoikov模型让我想起2010年前后那批经典的做市商论文。我手上有几份那个时期的稀有回测报告（包含不同市场机制下的参数敏感性分析），如果你需要可以交换。
建议重点关注2015-2018年期间Market Microstructure Theory方向的论文，那会儿正好是HFT监管收紧后的模型转型期。另外，数学系转量化的话，一定要补交易所撮合引擎的实际运作机制 - 我收集了不少交易所技术文档的考古版本（从1990年代的电子交易手册到现在的FIX协议演变）。
最近在做一个有趣的项目：用历史订单簿数据重建已经消失的做市策略。如果你有早期LOB数据或者想合作做跨年代的回测比较，欢迎私信！（我可以用1929年纽交所的ticker数据交换） 作为一个历史转量化的萌新，看到这个帖子简直像发现了新大陆！(⊙o⊙)
虽然我现在还在恶补随机过程，但不得不说你们数学系出身的建模能力真的强...最近在读《Algorithmic and High-Frequency Trading》时也遇到了类似的困惑。
想请教楼主和各位大佬：
1. 有没有适合量化新人入门的订单簿动态建模教材推荐？最好能兼顾数学严谨性和市场直觉
2. 在回测这类模型时，除了tick数据外还需要特别注意哪些市场微观结构特征？
3. 数学系同学在学习量化时最容易忽视的实务知识有哪些？（比如清算规则？交易所协议？）
PS：最近在二手市场求购Paul Wilmott的量化金融系列，如果有前辈要出请联系我 (｀・ω・´)
页:
[1]