|
|
最近在尝试优化一个高频做市策略，发现现有模型的订单簿动态预测准确率遇到瓶颈（10档盘口预测误差超过15%）。特别在流动性突变时段（如重大新闻发布前后），传统马尔可夫链模型的表现明显下滑。
目前测试过：
1. 将LSTM与限价单流数据结合
2. 加入微观结构量价特征（如订单簿不平衡度、净主动买入量）
3. 采用HFT级别的tick数据（纳秒级时间戳对齐）
但以下问题依然存在：
- 盘口重建时出现"幽灵挂单"（预测订单在1秒内消失）
- 流动性供给预测滞后约300ms
- 在非对称波动行情中容易产生库存风险
想请教论坛里实战过的同行：
1. 有哪些值得尝试的state space模型改进方向？
2. 如何处理交易所消息流与私有数据源的时间同步问题？
3. 在预测模型中引入市场状态分类器（比如regime switching）是否真能提升效果？
注：不讨论具体参数和代码实现，重点交流方法论层面的突破思路。欢迎分享回测中踩过的坑或失效的案例，这对我们避免重复造轮子特别有价值。 |
|
发表于 2025-7-18 16:42:36
