订单流系列挂单方向的长期记忆性20241023

订单流系列：挂单方向的长期记忆性20241023_导读 2024年10月24日20：00 关键词 订单流长期记忆性AI量化研究因子策略自相关系数算法交易股票委托代码买单卖单拆单交易目的大单小单 IC胜率流动性统计指标时间序列全文摘要 开源金工团队近期举行线上会议，回顾了过去两年在量化事业开发、权益定量研究、资产配置模型和基金产品研究方面的显著成就。会议聚焦于因子策略开发、订单流中的挂单方向记忆性，以及高频与AI的融合应用。特别指 出，自相关系数揭示了订单流具有长期记忆性，并通过实例展示了利用此特性构建因子并应用于交易策略的可能。讨论还涉及了不同市场条件下交易行为的变化，及其对因子有效性的影响，认为长期记忆性的来源可能与市场微观结构和算法交易策略相关。最后，强调了高频与AI结合的潜在应用，旨在分享团队在量化研究领域的深度探索与实践，并对听众的支持表示感谢。 章节速览 ●00：00开源金工线上会议：订单旅游研究及因子策略开发 本次会议是开源金工团队的传统工作之一，旨在报告团队的深度专题内容，涵盖量化事业开发、权益定量研究等。今年的主题为’开源量化之声’，探讨了交易限制下因子策略的新状况、订单流挂单方向的记忆性以及高频与AI结合的实现路径。会议通过案例分析，深入讨论了因子的构造与应用，为听众提供了宝贵的市场洞察和策略开发思路。 ●02：00订单流的长期记忆性现象分析 在2004年，学者指出高频订单中的委托序列具有长期记忆性，表现为委托方向的连续性。通过将买入和卖出订单 编码，计算自相关系数发现，订单序列之间存在明显的正相关性，无论股票规模或风格如何。这表明订单流中存在一定的相似性与层次结构，反映了市场的某些深层次规律。 ●04：32买单递进现象及其分析方法 研究了交易行为对股市中买单递进现象的影响，指出可能是由于拆单策略导致的。通过对相关技术的多层次分 析，提出了一种计算方法，以评估该现象对投资决策的影响。分析显示，该方法在不同市场条件下均有效，但仍有待进一步优化。 ●07：11订单流分析：时间、价格与数量的规律 研究发现，订单流在时间、价格与数量上有明显规律。靠近港口的订单与价格的相关性较强，而远离港口的订单 相关性较弱，可能因交易目的不同。此外，小单的人性化特征更明显，常用于拆解大单。随着时间变化，盘中阶段的流动性高于早盘和尾盘。这些规律可能反映了市场参与者的行为和价值结构的变化。 ●09：43改进股票关系描述方法 通过直接计算横指标和使用均值转差、偏度、风度等统计指标，优化了股票之间的关系描述方法。这种方法改进了IC值和R值，提高了胜率，特别是在多投与空投的占比上表现显著。此外，流动性差异也被考虑进因子中，进一步提升了方法的有效性。 ●11：35改进时间序列分析方法及其在金融应用中的观察 为解决统计指标中的参数敏感问题，引入了信号处理中的工具进行时间序列分析。通过负列变换和蝴蝶变化观察 数据规律，特别关注了21年底至22年初期间的显著变化，这可能反映了交易量的增加。利用热力图分析自相关系数，发现相关性在该时期显著增强，暗示市场结构或行为模式的改变。 ●15：04高价股与低价股的交易差异及其变化 通过对2018年至2021年与2022年至2024年两个时间段的分析，我们观察到在高价股中，随着股价升高，开盘下一 单的特征强度有别于预期，尤其是在前三年机构交易集中于特定板块时。然而，2021年后，市场机构交易策略的改变导致高价股与低价股在交易特征上的差异缩小，回归了一般判断，即高价股的开盘特征可能较弱于低价股。 ●17：18长期连续性交易现象的深入探讨 讨论了长期连续性交易现象，首先提出将大订单拆分为小订单以保持市场流动性健康的理论，接着讨论了集中性 交易可能造成的市场拥挤问题。经过分析，认为第一种观点更为合理，即市场微观结构与策略导致的新订单连续性，而非单纯的羊群效应。通过对比美国股市和A股的数据，支持长期连续性现象确实与交易者的算法下单策略相关，反映市场变迁的动态性。最后强调了简化计算方法和高频交易与AI结合的重要性，以优化交易策略和信号处理。 要点回顾 开源金工系列线上会议的主要内容是什么？ 开源金工系列线上会议主要报告团队过去两年沉淀积累的深度专题内容，涵盖了量化策略开发、权益定量研究、资产配置模型和基金产品研究。去年的系列会议共33期，今年的系列会议名为“开源量化之声”，共有27期，累计收听人次超过30万。 本次会议的主题及讨论内容有哪些方面？ 本次会议主题关于订单旅游研究，主要讨论三个方面：一是交易受限情况下的因子策略开发新动态；二是利用订单流中的挂单方向长期记忆性，探讨如何定量捕捉算法交易痕迹；三是高频与AI结合的可实现路径探讨。 订单流长期记忆性的现象是什么？订单流长期记忆性的原因可能是什么？ 订单流长期记忆性是指在高频订单委托序列中，连续委托的挂单方向形成的符号序列具有长期相似性和层层递进性。例如，一笔买单后面往往伴随着更多相同方向的买单，这一现象可以通过数据处理和统计分析来验证其规律性，并且该现象存在于全市场所有股票中，相关系数均为正数。订单流长期记忆性可能源于交易行为，尤其是拆单现象。在实际交易中，投资者不会将大额订单一次性报出，而是将其拆分成多个小单，导致相同订单在报盘时时间相近，从而形成连续性买单的现象。一些学者认为这是造成这种长期记忆性的重要原因之一。 如何量化分析这种长期记忆性并构建相关因子？ 通过计算不同阶次的相关系数，并与自相关系数进行回归分析，可以得到衡量订单流长期记忆性的因子。经过测试，该因子在不同规模的股票样本中表现出稳定的统计意义和较高的预测能力，但可能在多头组合的表现上存在一些局限性。此外，还发现靠近盘口的订单其相关系数更强，而远离盘口的订单相关系数较弱，这反映了交易目的和交易性质的不同。 在订单大小方面，你们的研究发现了什么规律？ 我们研究发现，在不同时间段上，小单与大单的差异表现明显。特别是在21年之后，盘中阶段小单的价格表现会明显高于其他时段。这种现象可能是由于价值结构或市场行为的变化导致的。 你们在订单流方面探讨了哪些维度并取得了怎样的结果？ 我们围绕订单流的时间、价格和数量三个维度进行了测试，通过计算方法的优化，比如用横指标描述一阶到100阶的相关系数，结合偏度和峰度等统计指标，可以更准确地反映股票间的差异性，并且改进后的模型在IC和R上都有显著提升，因子回测效果更好。 你们如何进一步改进因子回测的效果？ 为了消除统计指标伴随的参数敏感性，我们采用了一种新的方法，将时间序列转化为等长度的正负序列，并继续使用统计指标进行分析。这种方法在因子回测上也取得了较好的效果，特别是在21年底至22年初期间，因子表现出了明显的多空收益变化，这可能与当时网上交易规模突然增长有关。 股价高低对交易策略有何影响？你们的研究有何发现？ 我们研究了不同时间段内股价高低对交易策略的影响。对于小单而言，18年到21年间，随着股价升高，其下一单特征强度逐渐减弱；而到了2022年之后，这一规律逆转，股价升高反而会增强交易特征的强度。这表明大票和小票在开单难易程度上有不同的表现。 在2018年至2021年期间，为什么高价股会有更强的接单特征？ 这个现象是因为在该时间段内，市场主要以机构报价为主导，机构通常采取集中交易某几个板块的策略。无论是之前的食品饮料和白酒，还是21年左右的新能源赛道，这些集中交易的股票大多为高价股。因此，在高价股中，机构交易的特征更为明显，导致随着股价升高，接单特征更为强烈。 21年之后，高价股与低价股的接单规律发生了什么变化？ 在21年之后，高价股与低价股的接单规律发生了改变，原本高价股的接单优势减弱，整体上表现得不如低价股。长期接单连续性的来源是什么？对于长期接单连续性的微观结构解释，A股和美股有何异同？ 长期接单连续性的来源可能在于交易过程中，大笔订单被拆解成许多小订单形成的健康连续性。此外，还讨论了是否存在羊群效应或大交易拥挤导致订单重连续性的情况，但经过分析，认为第一种解释更合理。通过对比A股 和美股的数据，发现美股中能观察到订单来源的差异性，即同一交易者发出的一系列订单具有相似性。这种解释在美国股市得到验证，并且同样适用于中国市场，即长期接单连续性主要源于市场的微观结构变化，如算法下单等策略导致的新订单连续性。 如何看待长期接单连续性的变化趋势以及与算法交易、信息化交易的关系？ 长期接单连续性是一个随时间和市场微观结构变迁而变化的现象，与算法交易和信息化交易的发展紧密相关。对于高频交易而言，可以利用简单的计算指标获取更稳定的操作结果，简化计算过程，减少内存占用，并可结合AI技术处理大规模数据，构建有效的组合模型以支持更精准的预测和策略实施。