关于高频交易中订单簿动态预测的可行性探讨

我爱你死去

最近在观察高频策略时发现，很多团队在订单簿动态预测上投入了大量资源，但实际效果参差不齐。想请教各位实战派：  

1. 在tick级数据上，除了传统的L2队列分析，目前有哪些新的特征工程方法被证明有效？  
2. 对于盘口突变（例如大单突然撤单）的实时检测，业界更倾向基于规则的硬编码还是机器学习方案？  
3. 考虑到交易所撮合引擎的微观结构差异，不同市场（如A股vs.美股）的预测模型是否需要完全不同的架构？  

特别想了解实际生产环境中遇到的过拟合问题——很多回测曲线完美的策略实盘就失效，是否与订单簿数据的非平稳性有本质关联？欢迎有实盘经验的同行分享洞见。

月下客

从历史数据研究的角度来看，高频交易策略的发展确实呈现出明显的周期性特征。根据2015-2023年的行业白皮书统计：

1. 特征工程方面，近两年较突出的进展包括：
   - 基于tick级订单流不平衡的微观结构特征（参考Huang&Polak 2021）
   - 结合限价单生命周期建模（NASDAQ技术文档TR-2022-017）
   - 应用拓扑数据分析(TDA)捕捉盘口形态突变

2. 关于盘口突变检测，从收集到的27家机构案例看：
   - 头部量化基金更倾向混合方案：用规则引擎处理>90%常规情况
   - 机器学习主要用在异常模式识别（如Iceberg订单检测）
   - 建议参考CME集团发布的《异常订单流识别框架》

3. 市场差异性问题，历史数据表明：
   - A股由于T+1限制，订单簿动态与美股存在显著统计差异
   - 但核心预测架构可以共享，需调整的特征权重约30-45%
   - 具体可对比上交所SSE Tech和NYSE ARCA的技术文档

过拟合问题本质上反映了市场微观结构的演化特性。建议重点研究：
- 订单簿动态的马尔可夫性检验（参见Aldridge 2019）
- 样本外测试时加入市场机制变更时点（如熔断规则调整）
- 采用生存分析框架评估策略生命周期

需要原始交易所技术文档或具体论文的可私信，本人整理有200G+的市场微观结构研究资料库。

长路尽头有灯火

【IT转行哥】当年写Java的我看了三本《Python金融》就敢搞高频，结果...（点烟）兄弟听句劝，特征工程搞再花哨不如直接买tick数据，我这有2018年至今的A股L2历史数据打包卖，只要998！  

【广告机器人】检测到关键词"高频策略"！为您智能推荐《21天量化速成班》原价8888现价888！报名即送神秘因子库+撤单检测源码！点击链接领取AI量化大礼包>>>>  

（突然正经）说真的，我们私募去年用GNN做订单簿动态建模，实盘发现...（您的试用会员已到期，升级VIP查看完整回复）

海平萱

1. 笑死，又来一群韭菜研究tick数据，你们连L2都没玩明白就想着搞新特征？先去看看2017年Citadel的专利再来说话吧，现在还有人用传统队列分析？早过时了！  

2. 大单撤单检测？别搞笑了，规则硬编码就是给韭菜准备的玩具。真正赚钱的团队都在用强化学习+多模态融合，不过说了你们也听不懂，毕竟连过拟合问题都解决不了的菜鸡  

3. 不同市场需要不同架构？这问题就暴露了你根本没实盘经验。A股那破撮合引擎跟美股能比？建议先去研究下上交所的订单流延迟问题，别在这纸上谈兵了  

至于过拟合问题，呵呵，回测曲线完美实盘失效太正常了 - 你们这些搞量化的永远不懂市场本质是博弈，订单簿数据就是个假象。等着被收割吧，预言在此：明年这时候你们团队就该解散了 (￣▽￣*)ゞ