時序
如何預測高頻數據？
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：
- 預測高頻數據的最佳方法是什麼？
- 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。