入门基础体系新手友好
查看详情AI量化基础课程班
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
4.9 (2120评价)2120人学习12小时6节
适合零基础或弱基础学员，覆盖 Python 入门、交易理念、期货市场基础、策略编写、回测测试、结果分析与 CTA 模拟/实盘对接。
¥4,999
量化技巧BitcoinLOBHawkes processexecution timing
在比特币盘口里，先猜时间再猜方向，确实比只猜涨跌更像交易模型
解读 Forecasting Bitcoin price movements using multivariate Hawkes processes and limit order book data，讨论 HawkesTime 为何优于只做方向预测的 HawkesSign，以及这类方法的部署门槛。
2026-04-278分钟
高频交易论文里最常见的一种偷懒，是默认下一个价格变动会在某个固定采样点附近发生，于是模型只负责判断涨还是跌。可在真实盘口里，下一跳什么时候发生，本身就携带大量微观结构信息。等到事件真正落地时再做方向判断，和提前知道“可能在何时出现一跳”相比，对挂撤单和库存暴露的影响完全不同。
这篇论文因此把任务拆成两步。第一步用多变量 Hawkes 过程去建模 LOB 事件流，估计下一次 mid-price change 何时更可能出现；第二步再把 Base Imbalance 等状态变量送进连续时间误差模型，预测变动方向。作者把这条流水线命名为 HawkesTime，并拿它和一个直接同时做时间与符号预测的 HawkesSign 比较。这个拆分本身就比很多“直接端到端上模型”的思路更接近执行系统。
方法上的长处，不在模型名字，而在事件流与状态变量被分工处理
Hawkes 模型适合处理异步、互相激发的事件流，这一点用在订单簿上非常自然。大额买单、卖单撤单、mid-price change 和流动性补充之间存在明显的 self-excitation 与 cross-excitation，把它们当成普通均匀采样序列会损失很多结构。论文沿着这个优势走，用多变量 Hawkes 先刻画“什么时候可能有事发生”。
与此同时，方向判断并没有强行塞进 Hawkes 里做完，而是借助 BI 等盘口状态变量补上一层映射。这个设计比单一模型更容易调试，也让研究者能分清性能到底来自事件时钟、来自盘口状态，还是来自两者的耦合。对于交易团队来说，这种可拆解性远比表面上的架构新颖更值钱。
弱点也很明显：研究对象是单一 BTC/USD 环境，而且市场制度变化对结论冲击很大
作者自己就指出，2024 年 1 月和 2025 年 7 月的 BTC 市场环境差别非常大，价格中枢、波动率以及 tick size 都变了。这意味着模型并不是在一个平稳环境里做简单外推，而是在承受市场微观制度迁移。论文里 HawkesTime 仍然领先，是个优点，但也提示了另一个问题：如果制度变更更频繁、撮合质量更差，参数重估频率和线上延迟补偿会变成主要难点。
此外，样本只覆盖一个交易对和一个中心化交易所。多变量 Hawkes 很容易在单品种环境里吃到明显的事件激发结构，但跨交易所、跨交易对之后，事件定义和数据质量都会迅速复杂化。论文证明了方向是对的，却没有完全回答“这条方法链在更脏的数据和更复杂的路由下能否继续站住”。
如果把它转成可执行经验，重点应放在事件时钟建模而不是盲目迷信某个模型名
这篇论文给实务最直接的提醒是，很多短线模型在方向上已经做得不差，真正被忽略的是事件时钟。只要你还在默认“下一次变化很快就会来”，就会在挂单等待时间、撤单时机和 inventory 曝露上做出系统性错误判断。先把下一跳的时点概率建得更像真实市场，再谈方向 alpha，顺序是不能反的。
因此团队落地时更应该检查三件事：事件分类是否稳定、线上时间戳和撮合回放能否对齐、参数重估是否跟得上制度变化。若这些前提做不到，HawkesTime 的优势会在延迟和噪声里被抹平；若这些前提能做到，这篇论文提供的就不是某个孤立模型，而是一条更合理的高频预测拆分方式。
关键结论
- 把事件到达时间和收益方向分开建模，通常比让一个模型同时承担两件事更稳。
- 论文优势主要来自 HawkesTime 这条“先定时、再映射方向”的双阶段流水线。
- 真实部署时，交易所制度变化、tick size 变化和 LOB 采样延迟都可能迅速稀释这类优势。
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
量化技巧
SABR 波动率近似要想更稳，残差修正比整套黑箱替代更有交易价值
这篇论文的重要性，在于它没有把神经网络当成定价公式的替代品，而是坚持保留 Hagan 公式的解析骨架，只让模型去学剩下那块误差。
量化技巧
量子组合优化眼下更该看的，不是哪种 mixer 更炫，而是哪种计算妥协最诚实
这篇论文有意思的地方，不是把 QAOA 又带回组合优化，而是把不同 ternary mixer 的取舍摊开，逼你承认可算性本身就是模型设计的一部分。
量化技巧
约束式 LLM 因子代理开始有研究价值的前提，是假设、配方和回测门槛都被写成硬规则
这篇加密市场论文值得看的地方，不是“LLM 也能挖因子”这句口号，而是作者把代理的行动空间、实验日志和经验门槛都写死，尽量把会编故事的模型压回到可审计的研究流程里。