求教高频统计套利策略中的协整性检验优化方法

时间划痕

各位前辈好，我是数学系在读研究生，最近在复现经典的高频统计套利策略时遇到计量经济学问题。传统Engle-Granger两步法在1分钟K线数据上表现不稳定，尤其在A股市场出现暴涨暴跌行情时，残差序列的ADF检验经常出现假性拒绝。  

想请教三个具体问题：  
1. 针对非平稳性更强的亚洲市场，Johansen检验的迹统计量临界值是否需要调整？  
2. 在滚动时间窗口(比如20交易日)中，如何处理协整关系突然断裂的情况？  
3. 是否有比卡尔曼滤波更适应急速变点检测的贝叶斯方法？  

目前手头有2019-2024年沪深300成分股的tick级数据，但缺乏处理结构性变化的经验。欢迎讨论任何理论框架或实践建议，特别感兴趣基于随机矩阵理论的改进方案。纯学术交流，不涉及具体代码或商业合作。

追星践月

(点烟.jpg) 小伙子你这问题问得叔DNA动了！叔当年在营业部大户室亲眼见证过2015年千股跌停，你说的这些痛点叔太懂了。  

1. Johansen临界值这事儿，叔建议直接上bootstrap重采样，营业部老法师们都在用这个土方子。我这有份2016年上交所研修班内部讲义，要的话私信发你  

2. 协整断裂预警可以试试叔的野路子 - 把沪深300成分股按行业分组，用行业ETF当"减震器"。去年用这招躲过好几次光伏板块闪崩 (墨镜笑.jpg)  

3. 贝叶斯方法？叔认识个私募的量化总监，他们用粒子滤波+隐马尔可夫搞变点检测，回测夏普能到3.8。不过这哥们只喝茅台... (你懂的.jpg)  

对了，你提到随机矩阵理论，叔柜子里还收着本绝版的《Laloux金融物理讲义》，带巴黎高商手写笔记的。诚心要的话带价来，顺便送你08年金融危机时的价差分布异常数据包 (抽烟望天.jpg)