response-ratiooptimal-horizonou-processlevystochastic-differential-equationofiregime-dependenceindex-futureschinafutures

响应比与最优持仓 (Response Ratio and Optimal Horizon)

大白话：一个 OFI 信号不是"立刻就赚"或"永远不赚"——它有一个最佳兑现时间。赚到的钱（漂移）和路上的噪声（随机游走）在赛跑，某个时刻收益风险比最高，之后就衰减了。

定义. Hu & Zhang 2025 CSI 300 OFI Response Ratio 把累积 OFI 视为一次冲击，用 OU 过程 + 跳变 Lévy 建模其响应，导出响应比（response ratio，类 Sharpe 的时变指标）与最优持仓时间。

核心建模：OFI 是"冲击"，不是"当期价格变动"

两种不同的研究问题

传统做法 本文做法
OFI 怎么用 算一个历史窗口的累积 OFI（如 5 秒） 把累积 OFI 视为一次阶跃冲击
看什么 对称的未来窗口（如未来 5 秒） 一系列不同的后续时间间隔
得到 一个静态的 R^2 有效性是响应时间的函数

核心发现：指标的有效性随预测期剧烈变化（见下表）。这意味着"OFI 有没有用"这个问题问错了——应该问"OFI 在多长的预测期上有用"。

为什么用 OU 而不是 Hawkes

主流做法用 Hawkes 过程（自激强度函数）刻画冲击的时间依赖。本文认为 OFI 的响应更像 Ornstein-Uhlenbeck 过程——有记忆、且均值回复。

建模步骤：

  1. 假设资产服从几何布朗运动 (GBM)；
  2. 把 GBM 的漂移项替换为 OU 过程（依据：OFI 与同期价格变动的相关性实证上稳定）；
  3. 解耦合的 SDE，得对数收益过程及其均值与方差过程；
  4. 导出响应比：

Q(t) = \frac{\text{期望对数收益}}{\text{对数收益标准差}}

它量化"OFI 带来的确定性漂移"与"随机游走带来的不确定性"之间的竞争。

对照：Anantha Jain 2024 Forecasting OFI Hawkes 用 Hawkes 建模 OFI 并预测其近端分布（印度 NSE 数据）。两种建模路线用不同市场、不同数据得出不同选择，本 wiki 尚未见到在同一份数据上的对比。

响应比的三个性质

性质 内容
短时极限 t \to 0 时，响应比渐近于固定漂移布朗运动的响应比
长期均衡 期望与方差稳定时，响应比趋于一个极限常数
极值存在 满足条件时存在局部最大值，对应最优持仓时间

实践含义：策略本质是"OFI 冲击的累积价格冲击"与"价格随机游走的不确定性"之间的均衡。不同市场与品种需各自估计参数，才能在最优响应比区域附近交易。

实证：有效性强烈依赖预测期

CSI 300 股指期货一年数据，穷举历史窗口 × 预测期的组合：

预测期 累积收益 回归系数 R^2
0.5 秒 约 64,000 点 0.027 1.1–1.2%
30 秒 约 324,537 点 0.066 约 2.0%
2 分钟 约 352,975 点 0.067（趋稳） 约 2.0%

数据点分布形态差异很小，但累积收益与回归系数单调大幅提升，30 秒后趋稳。

注意口径：这里的 R^2 约 2% 远低于 Cont Kukanov Stoikov 2014 Price Impact Order Book Events 的 65%——因为口径不同（累计收益 vs 同期解释力），不是结论冲突。

指标匹配：没有全局最优的搭配

检验 OFI 与其他指标的两两组合（两因子 LASSO，历史窗口统一为 2 tick = 1 秒）：

协变量 说明
OFI 的滞后值 前一时间窗的 OFI
TI 成交不平衡
同期中间价变动
Lambda 单位成交量的价格冲击
AvgEn 每个连续时段以来的累计均值

最优组合取决于预测期。另有一个重要发现：OFI 的预测效力对历史窗口长度不敏感（更长窗口未必更好），但短期效力很强。

状态依赖：指标效力随时间剧烈变化

累积 OFI 在不同月份的累积自相关（lag 1–10）：

时期 累积自相关
2023-12、2024-01、2024-10 约 0.5
2024-08、2024-11 约 0.2

超过 2 倍的差异，且直接影响回归精度。

核心方法论结论：

实务上，更长的回测窗口不一定提升模型质量；最优窗口应与每个标的自身特征的记忆时间尺度对齐。

用全部历史数据做回测与预测可能得到次优结果。

指标三分类（筛选协议 + 事前评估范式）

  1. 效力随时间稳定——可作单一指标使用
  2. 效力不稳定——与其他指标组合使用
  3. 不稳定且自相关可能变号、记忆性差（如中间价变动）——单独使用效果次优

缺口：论文只做事后分类，没有给"事先预测哪个时期指标会失效"的方法。这是把该框架变成实盘系统的关键缺口。

波动率与持仓期（论文明确留白）

论文承认未深入研究波动率因素。由 OU 建模可知波动率同时影响平均收益率与期望响应比，因此：

为优化交易 Sharpe，低波动环境应延长持仓期、高波动环境应缩短持仓期。

这需要额外定量建模才能精确实施。

A 股的适用性

维度 中金所股指期货（本文） A 股沪市现货
快照频率 500 毫秒 约 3 秒（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)）
最优预测期 30 秒–2 分钟 更慢的快照下"30 秒最优"是否还成立，未知

Cross-ref