控制高頻交易數據中的買賣反彈？
買賣反彈是市場買賣雙方之間交易價格的反彈。它給數據引入了系統偏差，這可能會導致分析中出現嚴重問題。
使用高頻數據時，可以使用哪些方法來控制買賣反彈？一種方法是使用買/賣中點，但交易數據呢？即使使用 n 分鐘 VWAP 價格也不能保證您不會出現虛假的均值回復行為。
為什麼不直接使用加權中間市場價格，報價為
(Bsize * Aprc + Asize * Bprc) / (Asize + Bsize)？此度量本身不會反彈，並允許您直接採用移動或指數移動平均線。
IMO 交易數據是一種更好的方法，因為交易雙方都同意價格是“正確的”。文獻傾向於分解交易價格 $ P $ 變成真實/有效的價格 $ P^e $ 加上微觀結構噪音，我認為它起源於 Hasbrouck ‘93 的金融研究評論。所以你最終會得到類似的東西
$$ P^e_t = P^e_{t-1} + \nu $$和$$ P_t = round(P^e_t + c_t Q_t, d) $$在哪裡 $ \nu \sim N(0, \sigma^2_t) $ , $ c_t > 0 $ , $ Q_t \in \left{-1, 1 \right} $ ， 和 $ d $ 是刻度大小。注意 $ c_t $ 提供傳播和 $ Q_t $ 告訴您交易是買方還是賣方發起的（通常使用“Lee-Ready 算法”確定）。我在Engle 和 Russell 2002 年的工作論文中找到了這個特別的介紹（編輯：標題為高頻數據分析）；我認為這是相當標準的，你可能會找到大量的研究試圖提供 $ c_t = f(\cdot) $ . 看起來Andersen、Bollerslev 和 Diebold 有一篇 2007 年 NBER 工作論文（編輯：標題為Roughing it Up: Include Jump Components in the Measurement, Modeling and Forecasting of Return Volatility）對這些想法進行了更徹底的處理。 當您處理（超）高頻數據時，您還會遇到交易時間問題。Engle 有一篇 2000 年的 Econometrica 論文（編輯：標題為超高頻數據的計量經濟學），其中他描述瞭如何計算交易時間，但他使用的是買賣中點，而不是交易。
我沒有任何第一手經驗知道在實踐中使用中點是否是一個糟糕的假設，但 2000 年和 2007 年的論文應該是一個好的開始。