時序

如何預測高頻數據?

  • July 12, 2019

簡介:
我看過很多關於將波動率預測應用於高頻數據的文章/書籍,但沒有一篇專門用於預測實際價格(例如貨幣對的買/賣、股票價格)。

範例:

使用高頻數據預測波動率 (PR HANSEN, A. LUNDE)

我意識到預測 hft 數據一定很困難,因為有幾個問題:

  • 模型有效期多久?
  • 如何檢查這種有效性?
  • 新模型會按時計算嗎?(NN 和 NN 的大多數子類型需要大量時間重新計算)

問題:

鑑於上述問題/限制,我想問你:

  1. 預測高頻數據的最佳方法是什麼?
  2. 為了在這個主題上保持最新,我應該閱讀什麼樣的科學論文/書籍?

個人回饋:
根據我自己基於 hft 數據的研究,我可以寫出通常只有少數模型比天真預測更好(但僅在某些子時間序列中 - 幾分鐘等)

  • 卡爾曼濾波(相應校準)
  • ARIMA、ARMA 型號

通常比天真的預測更糟糕的是:

  • Holts 線性模型 (ARIMA (0,2,2)
  • 線性回歸
  • 指數平滑
  • 移動平均線(不同類型)

一個好的起點是了解 HFT 發生的環境。是什麼導致價格在可能的最低水平上形成?

交易所使用哪些機制來處理訂單,它們將如何影響價格發現過程?

這通常稱為市場微觀結構,並且有很多關於該主題的文獻,但您還應該通過對訂單簿、交易和由此產生的價格變動的物理觀察來增加它,以更好地了解整個過程.

一旦你了解了你正在處理的事情,你就可以開始建立和檢驗假設。

在 HF 時,猜測方向(向上/向下)可能比實際價格更重要。為此,您將有很多噪音,而金融時間序列的信噪比較低。這就是為什麼分類器(上/下)是 HF 中的最佳實踐,而不是價格的準時預測器。這也與預測分類器與準時值所需的計算複雜性有關(簡單地說,在 HF 中,您需要減少執行時間,因此計算複雜性,根據我的經驗,許多策略由於實現時間和計算複雜性而失敗) . 無論如何,卡爾曼濾波器、ARMA、PCA、傅里葉分析都是提取信號的好方法。一旦你提取了信號(即去除了大部分雜訊),那麼你應該繼續使用其他類型的模型。

引用自:https://quant.stackexchange.com/questions/20675