市场微观结构噪声识别与过滤

📚 共计 30 章节

噪声的起源：从微观结构理论看市场噪声的诞生

Bagehot、Kyle、Glosten-Milgrom 经典模型如何定义信息不对称与噪声。

理论奠基信息不对称

高频数据特征：Tick数据、逐笔成交与报价

时间戳精度、买卖价差、订单簿快照等核心概念。

数据结构Tick级

噪声的数学定义：方差比检验与序列自相关

微观结构噪声的统计特性，用数学语言描述噪声。

统计检验自相关

经典噪声模型：Roll、ZAR与协方差估计

Roll模型有效价差估计，ZAR模型及噪声方差估计方法。

Roll模型协方差

高频数据预处理：清洗、对齐与隔夜处理

异常值剔除、交易日对齐、隔夜收益处理及实战踩坑。

数据清洗实战

已实现波动率与噪声：RV的偏差

已实现方差在噪声下的偏差，为什么高频数据不能直接用。

波动率偏差

稀疏采样法：5/10/30分钟采样优劣

降低采样频率规避噪声，不同频率对比。

采样频率稀疏

预平均法 (Pre-averaging)

Jacod等人预平均方法，局部平均过滤噪声。

预平均局部滤波

核估计法 (Realized Kernel)

Barndorff-Nielsen realized kernel，核函数与带宽优化。

核方法带宽

子采样法 (Subsampling)

子网格采样提升估计效率，实盘经验分享。

子采样效率

两时间尺度法 (TSRV)

Zhang, Mykland, Aït-Sahalia 经典TSRV，理论到代码。

TSRV偏差校正

多时间尺度法 (MSRV)

从两尺度到多尺度扩展，权衡偏差与方差。

小波去噪法

小波变换在高频噪声过滤，阈值选择与重构。

卡尔曼滤波法

状态空间模型下的噪声过滤，实时估计有效价格。

卡尔曼状态空间

主成分分析法 (PCA)

PCA分解提取信号主成分，降维去噪实战技巧。

独立成分分析法 (ICA)

假设噪声与信号独立，ICA分离噪声成分。

ICA盲源分离

机器学习去噪：自编码器

Autoencoder在高频噪声过滤中的尝试与教训。

自编码器深度学习

深度学习去噪：LSTM与Transformer

LSTM、Transformer在时序去噪中的应用与训练技巧。

LSTMTransformer

噪声与市场微观结构特征

买卖价差、订单簿深度、成交量分布与噪声强度关系。

微观结构流动性

噪声与信息不对称：PIN模型

知情交易概率量化信息不对称导致的噪声。

PIN信息不对称

噪声与流动性：Amihud指标与价差分解

Amihud非流动性指标，价差成分分解，噪声反映流动性。

流动性Amihud

噪声与波动率：校正波动率曲面

噪声对波动率估计的影响及曲面校正方法。

波动率曲面校正

噪声与跳跃检测：BN-S检验改进

噪声环境下识别价格跳跃，BN-S检验与阈值方法改进。

跳跃检测BN-S

噪声与协方差估计：Epps效应

高频协方差矩阵噪声校正，Epps效应成因与解决方案。

噪声与投资组合优化

噪声对最优权重影响，构建鲁棒投资组合。

投资组合鲁棒

噪声与高频交易策略

做市商策略、统计套利中的噪声处理与实战案例。

高频交易做市

噪声与风险管理：VaR与ES偏差

VaR、ES在噪声下的偏差及风险模型调整。

噪声与市场效率：方差比检验改进

从噪声角度检验市场有效性，方差比检验改进。

市场效率方差比

噪声与监管：Tick size与最小报价单位

Tick size对噪声的影响及监管政策微观结构效应。

监管Tick size

综合实战项目：噪声识别与过滤系统

从数据获取到策略回测的全流程系统构建。

实战项目全流程