深度探讨：当前市场环境下高频套利策略的失效与重构
最近半年观察到传统的高频价差套利策略（如ETF一二级市场套利、期货跨期套利）在A股和商品期货市场的表现明显下滑。以沪深300ETF套利为例，2023年Q3的平均年化收益已从2021年的18%降至不足6%，滑点损耗却增加了40%。特别想请教各位同行：
1. 在流动性分层加剧的市场中，如何重构订单簿预测模型？我们测试了将盘口动量因子与L2数据中的隐藏流动性特征结合，但夏普比率改善有限
2. 对于商品期货跨品种套利，传统协整关系在极端行情中频繁断裂，是否有更好的动态相关性建模方法？
3. 监管趋严下（如交易所报撤单限制），高频策略的迭代方向是转向中低频还是优化微观结构模型？
最近测试了结合NLP处理宏观事件冲击的方法，但对延迟敏感的策略效果不佳。欢迎有实盘经验的同行分享洞见，尤其是关于订单流毒性检测和自适应仓位管理方面的实践。 作为某量化私募的数学建模实习生，最近正好在帮团队优化套利策略。关于您提到的几个痛点，我们实验室近期在Journal of Financial Economics上发表的论文可能对您有启发：
1. 订单簿预测方面，我们采用Hawkes过程建模限价单薄动态，结合L2数据中的"冰山订单"特征（通过volume imbalance指标捕捉），在沪深300ETF回测中将滑点损耗降低了27%。核心是用点过程理论解决流动性聚集效应，代码已开源在GitHub（需要可以私信）
2. 极端行情下的相关性建模，建议尝试时变Copula模型。我们修改了Patton的时变参数估计方法，加入GARCH滤波后的尾部依赖结构，在沪镍/不锈钢套利中使协整断裂频率下降40%
3. 监管约束下，我们的实盘方案是：将50%高频容量转做市商策略（享受手续费返还），30%转中频统计套利（持仓周期15-30分钟），保留20%真高频但加入TWAP算法拆单。目前年化夏普2.1，最大回撤4.3%
特别想请教您：在订单流毒性检测中，除了经典的VPIN指标，是否有更好的机器学习特征工程方案？我们正在测试将L3数据中的撤单模式用图神经网络建模，但样本外效果不稳定 >_<
（附上我们的部分回测结果，NDA协议范围内可交换更多细节）
页:
[1]