ofihawkes-processornstein-uhlenbecklevy-processpoint-processsdemodelling-choiceequityfutures

OFI 的 Hawkes 与 OU 建模路线

大白话：预测订单流不平衡，学术界有两条路——一条算"接下来会有多少成交"（Hawkes），一条算"价格接下来会怎么走"（OU + Lévy）。它们回答的不是同一个问题，但用哪个过程建模确实是个实证选择，而这两条路线从未被直接对比过。

本页作用：并置这两条路线，指出各自回答什么、以及那个尚未填补的空白。

flowchart LR
    A["过去的成交到达"] --> B["#21 Hawkes 路线<br/>回答：未来会来多少<br/>BUY/SELL 成交？"]
    A --> C["#11 OU+Lévy 路线<br/>回答：累积 OFI 冲击后<br/>价格如何演化？"]
    B --> D["预测 OFI 的近端分布"]
    C --> E["响应比 + 最优持仓时间"]

两条路线的并置

#21 Anantha Jain 2024 Forecasting OFI Hawkes #11 Hu & Zhang 2025 CSI 300 OFI Response Ratio
建模对象 订单到达的强度函数（点过程） 累积 OFI 对价格的冲击响应（随机微分方程）
过程选择 Hawkes（自激强度函数） OU + 跳变 Lévy（有记忆、均值回复）
对 Hawkes 的态度 采用（主流） 明确不用
数据 印度 NSE 中金所 CSI 300 股指期货
预测目标 OFI 的近端分布 响应比与最优持仓时间
评价方法 SPA 检验 + 负对数似然 回归系数与功效的时序分析
结论 指数和核最优（马尔可夫 → 计算便宜） 有效性是响应时间的函数（0.5 秒 → 2 分钟）

为什么两者不矛盾

它们回答的根本不是同一个问题：

  • #21：给定过去的成交到达，未来会有多少 BUY/SELL 成交？（订单流的生成过程）
  • #11：给定一个累积 OFI 冲击，价格会在未来如何演化？（价格对订单流的响应）

Hawkes 描述的是"事件如何成簇到达"，OU 描述的是"冲击如何衰减回归"。 两者可以同时为真——事实上，一个完整的价格模型可以把两者串起来：Hawkes 生成订单流 → OFI 作为驱动 → OU 描述价格响应。

但"用哪个过程建模冲击衰减"确实是个实证选择

这是本 wiki 明确记录的空白：

  • #11 的作者认为 OFI 冲击的响应更像 OU（有记忆、均值回复），而非 Hawkes 的自激。
  • 但 #21 显示 同向自激励全天持续（BUY-BUY、SELL-SELL 占主导），这本身就是一种长记忆。

两者对"记忆"的刻画形式不同但都承认记忆存在。 真正的分歧是：记忆应该用"自激强度"（Hawkes）还是"均值回复"（OU）来建模？

本 wiki 尚未见到在同一份数据上做这个对比的文献。 这是 #21 和 #11 都留下的 Open Question。

各自的一个独特发现

#21（Hawkes）：指数和核之所以最优，理由是计算而非精度——它的马尔可夫性质使参数估计只依赖当前数据、不依赖历史，模拟变得不必要，拟合参数就足以直接预测到达率。这对高频做市的风险管理有实际意义（可用紧邻的上一窗到达率预测下一窗）。

但论文没有报告精度上的代价——若精度相当，计算优势是决定性的；若明显更低，则需权衡。已记入 Open Questions。

#11（OU）：累积 OFI 的有效性随响应时间剧烈变化（0.5 秒几乎无效，30 秒后趋稳），且指标效力随月份变化 2 倍以上——后者对实盘是致命的（无法事先预测何时失效）。

一个可直接转成因子的路径（#21 留下的）

#21 用指数和核追踪四类交互强度 \phi_{i,j}（BUY-BUY、BUY-SELL、SELL-SELL、SELL-BUY）在 5 秒到 5 分钟不同窗口下的演化：

现象 可能的因子含义
全天 BUY-BUY 与 SELL-SELL 占主导 同向自激励强度可作为趋势持续性的度量
BUY-SELL 与 SELL-BUY 在间歇时段升高 交叉激励升高可能对应趋势转折

论文只做了可视化追踪，没有把它做成预测信号。 这是一个明确的因子转化路径。

一个与 Bouchaud 学派的呼应

#21 观察到的"同向自激全天持续"，正是 Bouchaud Farmer Lillo 2008 How Markets Slowly Digest Supply and Demand 所说的订单流长记忆——今天的成交方向倾向被过去的成交方向影响（H\approx0.7）。

两条路线从不同角度（Hawkes 的强度函数 vs 长记忆指数）得到了同一个事实。

A 股的适用性

路线 A 股的障碍
Hawkes 成交到达时间可得，技术上可行。但涨跌停会截断到达过程（封板时成交停止、委托堆积）→ 破坏 Hawkes 的平稳性假设，需专门处理
OU 中金所快照 500 毫秒、"30 秒最优"；A 股沪市快照约 3 秒一帧，更慢的分辨率下该结论是否成立未知（见 concepts/data-features/Level-2 档位与委托队列 (L2 Depth and Order Queue)）

待验证

  1. Hawkes 与 OU 在同一份数据上谁更好？ 本 wiki 记录的明确空白。
  2. 指数和核的"马尔可夫优势"是否以精度为代价？ 论文未报告。
  3. 同向自激励强度 \phi_{i,i} 能否做因子？ #21 只做了可视化。
  4. 涨跌停如何破坏 Hawkes 的平稳性？ 封板期的到达过程需要单独建模。

Cross-ref