1樓：
非等距時間發生的事件就是半馬爾可夫(semi-markov)過程建模, 查這關鍵字就有各種模型了
還有另外乙個, 但實在是太好用了所以不想講
2樓：陳靚
目前我們對高頻資料的理解大致侷限於借用統計物理中的一些概念，除此之外都是自由發揮
所以，時間是否對齊並無意義（這點馬上會有人不同意，lead-lag呢？）。物理上說我們沒有能力關心每個微觀的特性，因為沒有這樣的計算能力。
唯一能做的是把微觀時間聚合到乙個可以運算的水平，區別只是聚合的方式不一樣。Hawkes其實是一種有記憶的mean field模型，記憶的長短取決於time decay。實際應用中Hawkes是很難使用的，模型擬合運算量高是其次，關鍵他輸出rate而不是spike，你得到乙個訊號後需要做大量交易才能平均而言得到預期的結果，所以它更多用在credit而不是高頻交易
再說就沒完了，就此打住
3樓：HOMO
時間序列根本不適合用到ultra high frequence 上，理由如下：
1、一般而言時間序列要求stationarity and ergodic，（當然有non-stationarity time series的技術）而ultra high frequence是highly dependent and highly heterogeneous。
2、考慮這樣乙個情景，t=0的時候交易量為0，t=1s的時候交易量為10000，之後知道t=5s的時候交易量為0。這樣的乙個情境下，如果用時間序列，勢必要將t在0~5s這段時間的交易量aggregate or smooth，這徹底地抹掉了高volatility的特點。
處理高頻資料目前而言，比較適合的是用point process (counting process) 來處理，更具體的是用self-exciting point process, Hawkes Process 是最為著名的self-exciting counting process。
高頻交易的量化標準？
European Commission最近剛訂立了標準 單一產品每秒傳送兩次資訊，可以是下單，撤單，修改等等。或者在一個交易場所內每秒總共傳送4次資訊。對於這個標準，一般來說系統化日內交易多品種即使持平均持倉幾小時也完全有可能達到，看來定義還是比較寬泛的。A high frequency trade...
高頻交易都有哪些著名的演算法？
ghost 董可人答案裡把建模的核心思路都說出來了，有很多這樣的策略在市場上跑，人工也可以探測到這樣的行為，然後開始pump and dump 直到消耗完冰山訂單這種成交記錄在盤口上也顯示的很清晰 你需要乙個lv2和time and sale Axel lee 我是來潑冷水的 我以前也是quant信...
金融分析量化系統，高頻交易程式資料庫通常採用哪種方式存貯資料？
久久 As I know,only 3 ways.Common storage mechanisms include HDF5,kdb and simply CSV. 李發 資料庫沒卵用，我們是直接自定義資料格式配合自己寫的分段壓縮加記憶體解壓庫函式，壓縮部分用了gpu加速，壓縮程式是在開源程式基礎...