高频交易数据清洗中的异常值检测算法.docxVIP

高频交易数据清洗中的异常值检测算法

一、引言

随着全球资本市场交易电子化程度的不断提升，高频交易已经成为市场交易的重要组成部分，这类交易策略以微秒级的行情响应、极短的持仓周期、微薄的单笔盈利为核心特征，其盈利能力高度依赖于行情数据的准确性与时效性。在高频交易的全链路流程中，数据清洗是所有策略研发与实盘运行的前置环节，而异常值检测则是数据清洗过程中最核心的痛点——高频场景下的行情数据以逐笔成交、逐笔委托的形式持续生成，数据量远大于传统低频日线数据，在数据生成、传输、存储的全流程中，不可避免会混入各类偏离正常价格形成逻辑的异常值，如果这些异常值没有被有效识别并妥善处理，会对整个交易链路造成严重的负面影响。已有行业统计显示，高频交易策略实盘运行中，超过两成的非策略性亏损与未被识别的行情异常值直接相关（中国证券业协会，2022）。在策略回测阶段，混入异常值的行情数据会导致参数估计偏差，甚至出现虚假的高收益信号，让研发人员对策略效果产生误判；在实盘运行阶段，异常值会触发错误的指标计算与下单信号，短时间内就可能造成大额损失。有研究者曾对全球主流高频交易机构的运营数据做过统计，发现未经过有效清洗的原始行情数据，会导致策略回测的收益评估偏差最高超过三成，远高于交易成本、滑点等其他因素带来的偏差（Aldridge，2013）。要做好高频交易数据的异常值检测，不能直接套用传统面向静态、独立数据的通用异