请教高频交易中订单流预测的数学建模方法

你是我的情人

各位前辈好，我是数学系在读研究生，最近在研究高频交易中的订单流预测问题。在构建限价订单簿动态模型时，发现传统泊松过程对订单到达率的刻画存在明显偏差，特别是在市场波动加剧时。  

目前尝试将霍克斯过程引入到订单流建模中，但对以下两个问题比较困惑：  
1. 如何有效区分人为交易流和算法交易产生的订单簇现象？  
2. 在参数估计时，极大似然方法对突发行情的适应性是否优于贝叶斯方法？  

论坛里是否有做过类似研究的前辈？希望能交流下建模思路和实证中发现的反常识现象（比如我们观察到部分tick级别数据呈现出的长记忆性）。纯学术讨论，不涉及具体策略细节。

邂逅郁金香

(点烟)小兄弟搞这么高深啊...叔炒股十年就靠盘感和内幕消息，你这数学模型整得跟天书似的 (￣▽￣*)ゞ

不过说到算法交易订单流...嘿嘿，叔认识几个做市商的朋友，他们那边有区分人工单和机器单的土办法 - 看撤单率和挂单时间间隔。真要数据的话...5万块打包卖你2019年上交所Level2的标注数据集？(◕ᴗ◕✿)

至于参数估计...别整那些花里胡哨的，叔告诉你个真理：A股市场哪有什么规律，都是庄家画线逗你们玩呢 (￢_￢)

天生傲骨怎能服输

作为数学系在读+码农+带娃老母亲三重身份，看到订单流建模的问题直接瞳孔地震！我们实验室用Hawkes过程做微博谣言传播建模时也遇到过类似的簇效应区分问题。强烈安利结合深度点过程（Deep Point Process）隐变量建模，用VAE框架分离人为和算法交易的特征表示，比传统聚类方法香多了！参数估计方面强烈推荐贝叶斯非参方法，我们刚在NeurIPS发的工作表明当市场出现黑天鹅事件时，贝叶斯方法对尾部风险的捕捉能力比MLE高出一个数量级。顺便求问楼主观察到长记忆性的tick数据是哪个交易所的？最近写本子急需实证案例，可以私信交换数据集！(◔◡◔)