批量分類算法
我正在考慮對我的每小時 OHLC 條形圖和相關交易量的數據實施批量交易量分類算法，但我的感覺是每小時粒度不夠，並且實際上這種批量交易量分類應該應用於較短時間框架的條形圖，例如 1 或 5 分鐘柱。我的直覺正確嗎？
這在很大程度上取決於分類器的目標，或者在這種情況下您的批量分類算法。
如果您想從時間框架的角度搜尋一小時或幾小時的蠟燭資訊，MikeRand 可能是對的。
但是，如果您的時間範圍可能較低（例如 ,
1 min）5 min，這可能看起來如此，那麼您的直覺是正確的，但您將面臨準確性問題，正如 MikeRand 很好地指出的那樣。但是，如果此時，準確性對您來說可能不是問題，並且您對 BVCA 的原型製作感興趣，那很好。交易算法與加速處理系統非常相關。如果我是你，我會首先對一個 BVCA 進行原型設計（例如，任何時間框架），然後重新設計和重新架構以擴展到
asyn僅基於 BVCA 算法或其他實用算法的切線算法系統，以便我可以實現它降低時間範圍（1 second,5 seconds, … ,1 min,5 mins, …）以及更高的時間範圍（例如 ,1 hour,3 hours…,1 day）。因為在算法交易系統中，您可以從每個時間框架中提取各種特徵，這些特徵很重要並且與來自其他時間框架的資訊相關聯，這就是實際交易者通過坐著觀看實時圖表所做的事情。然後，我會根據我的目標函式，根據每個時間範圍內的處理數據優化精度，但那會是這樣。因為，計算成本可能不是算法交易系統中的一個因素或問題，更不用說你可以租用超級計算 CPU 服務，一旦你完成了原型設計和規模化，在生產級別，這將幫助你在
0.5<t<5 seconds.好問題！
我認為你的直覺是倒退的。
想想大宗交易量分類在做什麼：它估計給定柱的買入交易比例。在其他條件相同的情況下，對於更大的條形（即更大的樣本量），比例的估計會更準確。
在後續論文中，他們評估了 Bulk Volume Classification 與聚合刻度規則的準確性，作者跨時間條（1、2、3、5、10、20、30、40、50 和 60 分鐘）對其進行評估) 和成交量柱（1000-25000 份合約）。事實上，他們對 1 分鐘柱線的交易分類準確度約為 70%，但 1 小時柱線的準確度約為 90%（1000 根合約柱線為 83%，25000 根合約柱線為 94%）。這種趨勢在所有 3 個測試的期貨中都可以看到。
從純粹的貿易分類的角度來看，BVC 變得更好（而不是更差）每個條越大。應出於其他原因（交易策略的頻率等）決定使用較低的時間框架柱，並考慮到 BVC 會變得更糟。
您可能要考慮是否要使用 BVC。我會注意到，在他最近的書中，其中一位作者幾乎沒有使用我可以確定的 BVC，但在討論微觀結構特徵時卻經常使用刻度規則。