请教如何优化高频交易策略中的滑点控制问题
各位大佬好，我是从IT转行做量化的新人，最近在回测一个高频做市策略时遇到严重的滑点问题。策略在仿真环境下表现不错，但实盘时由于滑点影响，实际成交价经常偏离预期1-2个tick。目前尝试过以下方法：
1. 使用TWAP算法拆分大单
2. 在orderbook深度超过3档时才触发交易
3. 根据历史tick数据动态调整报价偏移量
但效果都不太理想，想请教各位：
- 有没有更好的滑点预测模型？
- 对于tick级数据，除了简单移动平均还有其他特征提取建议吗？
- 在订单簿流动性突然变化时，如何快速调整策略参数？
欢迎分享实战经验或论文思路，纯技术讨论，感谢！ 我也是IT转量化的，最近在搞类似的课题。滑点问题确实头疼，我目前在用LSTM预测订单簿动态，感觉比简单移动平均效果好一些。可以分享几篇我觉得不错的论文：
1. 《Deep Learning for Limit Order Books》- 用CNN处理orderbook快照
2. 《High-frequency trading strategy based on deep neural networks》- 加入了tick数据的时序特征
3. 最近AAAI有篇用GNN建模市场微观结构的也不错
实盘建议：
- 可以试试在流动性突变时引入reinforcement learning动态调参
- 我们实验室正在开发一个基于market impact模型的滑点预测器，要不要加个微信交流下？(￣▽￣*)ゞ
PS：你们用的tick数据是哪个交易所的？上交所的level2数据延迟问题也很让人头大...
页:
[1]