聚焦【专题报告】算法交易中的“隐形成本”破局:基于机器学习的冲击模型与实证。通过识别高频价格序列中的跳跃成分,并结合时间序列模型分析动量效应对未来收益的影响,研究发现跳跃信息在价格发现过程中具有重要作用,并能够与日内动量共同影响短期收益率。研究发现市场冲击具有随时间衰减的特征:G(τ) ∼ τ−β同时订单流具有显著的长记忆特性:Corr(εt, εt+τ) ∼ τ−γ研究结果表明,价格变化在很大程度上由订单流不平衡驱动,而不仅仅来源于基本面信息。研究发现,当 VPIN 指标较高时,市场订单流毒性较强,做市商面临的信息风险显著增加。
聚焦【专题报告】算法交易中的“隐形成本”破局:基于机器学习的冲击模型与实证。通过识别高频价格序列中的跳跃成分,并结合时间序列模型分析动量效应对未来收益的影响,研究发现跳跃信息在价格发现过程中具有重要作用,并能够与日内动量共同影响短期收益率。研究发现市场冲击具有随时间衰减的特征:G(τ) ∼ τ−β同时订单流具有显著的长记忆特性:Corr(εt, εt+τ) ∼ τ−γ研究结果表明,价格变化在很大程度上由订单流不平衡驱动,而不仅仅来源于基本面信息。研究发现,当 VPIN 指标较高时,市场订单流毒性较强,做市商面临的信息风险显著增加。
聚焦【专题报告】算法交易中的“隐形成本”破局:基于机器学习的冲击模型与实证。通过识别高频价格序列中的跳跃成分,并结合时间序列模型分析动量效应对未来收益的影响,研究发现跳跃信息在价格发现过程中具有重要作用,并能够与日内动量共同影响短期收益率。研究发现市场冲击具有随时间衰减的特征:G(τ) ∼ τ−β同时订单流具有显著的长记忆特性:Corr(εt, εt+τ) ∼ τ−γ研究结果表明,价格变化在很大程度上由订单流不平衡驱动,而不仅仅来源于基本面信息。研究发现,当 VPIN 指标较高时,市场订单流毒性较强,做市商面临的信息风险显著增加。核心数据:模型在测试集中 R 方达到 0.4418,准确率84.67%,相关性 0.6017,优于传统模型。
本报告由华创证券发布,发布于 2026 年。
覆盖 2026 年,全文共 19 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合战略规划、产品经理、行业研究员等读者参考。
重点分析了算法、专题报告、算法交易中的“隐形成本”破局、基于机器学习的冲击模型与实证等议题。