Anantha & Jain (2024) — Forecasting OFI Using Hawkes Processes
一句话：用 Hawkes 过程建模买卖订单流的滞后依赖以估计并预测 OFI 的近端分布——指数和（Sum of Exponentials）核最优，且因其马尔可夫性质只需当前参数、不需模拟，计算负担远低于非参数方法。
完整引用: Anantha, A. N., & Jain, S. (2024). Forecasting high frequency order flow imbalance using Hawkes processes. arXiv:2408.03594（2024-08-08）。PDF 21 页。
机构: SigmaQuant Technologies Pvt. Ltd. + 印度理工学院（IISc）。
数据: 印度国家证券交易所（NSE） tick 数据（附录含 NIFTY 期货，如 2018-09-19 到期的 2018-09-27 合约）。
问题设定：成交成簇
在 TBT 数据中成交事件倾向于成簇发生；过去的 'BUY' 影响当前的 'BUY'，过去的 'BUY' 也影响当前的 'SELL'，反之亦然。
因此 OFI 模型必须刻画买卖两侧订单流的交叉依赖——正是 Hawkes 过程的用途。
背景数据量：许多合约单日 tick 数已超过一千万。
三个方法贡献
- 用 Hawkes 过程估计 OFI——二维核 \phi_{i,j}(t) 刻画事件类型 j 对类型 i 未来到达的激励强度
- 预测 OFI 的近端分布（非点预测）——前 1 小时（60 窗口）拟合 → 模拟未来 1 分钟到达 → 做 500 次模拟构造经验分布 → 计算实际 OFI 落在其中的概率 → 窗口前移 1 分钟重复 → 315 个概率值 → 从 10 分钟窗口算负对数似然
- 任意多模型的比较方法——不限于 Hawkes
评价指标：SPA 检验（superior predictive ability），低 p 值意味着基准模型劣于被比较模型。
比较的模型
| 类别 | 模型 |
|---|---|
| 参数化 Hawkes | Exponential、Sum of Exponential、Power Law（\phi_t=\alpha e^{-\beta t}） |
| 非参数化 Hawkes | Hawkes Conditional Law 核（Bacry & Muzy 2014）、基于 EM 的核估计（Lewis & Mohler 2011） |
| 对照 | Poisson 过程、VAR（逐分钟 BUY/SELL 计数，375 分钟，阶数由 AIC 定，不含订单间隔时间） |
核心结果
| 发现 | 内容 |
|---|---|
| 参数化中最佳 | 指数和 Hawkes |
| 非参数化中最佳 | Conditional Law Hawkes |
| 两者比较 | 没有明确更优者——不足以拒绝"两者都不劣于其他" |
| 与 Poisson / VAR 相比 | 前两者优于其他方法 |
指数和核更好的理由：计算而非精度
指数和参数化模型的优势在于其马尔可夫性质。这一特性大幅减少了拟合、模拟与预测的时间，因为参数估计只依赖当前数据而非历史数据。因此模拟变得不必要。
实践含义：可用于高频做市策略的风险管理。
论文主动指出的 bias
当考虑一天内的全部数据时，上述结果可能对指数和 Hawkes 模型有利。
不过 SPA 检验下，Conditional Law 与 VAR 也无法在 95% 置信度下被拒绝。
一个额外的实证观察
用指数和核追踪四类交互强度（BUY-BUY、BUY-SELL、SELL-SELL、SELL-BUY）在 5 秒到 5 分钟窗口下的演化：
| 现象 | 含义 |
|---|---|
| 全天 BUY-BUY 与 SELL-SELL 占主导 | 持续的市场情绪（强自激励） |
| BUY-SELL 与 SELL-BUY 在间歇时段升高 | 交易动态的转变或活动加剧 |
这直接对应 Bouchaud 学派的"订单流长记忆"——同向自激全天持续。
与 #11 的对照
| 本文（Hawkes） | #11（OU+Lévy） | |
|---|---|---|
| 建模对象 | 订单到达的强度函数 | 累积 OFI 对价格的冲击响应 |
| 回答的问题 | 未来会来多少 BUY/SELL 成交 | 价格会如何演化 |
| 过程 | Hawkes | OU + 跳变 Lévy（明确不用 Hawkes） |
两者不矛盾（回答不同问题，可串成"Hawkes 生成订单流 → OU 描述价格响应"），但"记忆该用自激还是均值回复建模"是一个实证空白。
在本 wiki 的位置
- 摘要: 中文摘要
- 喂入概念: OFI 的 Hawkes 与 OU 建模路线（新建）
- 作者: Shashi Jain
- 对照: Hu & Zhang 2025 CSI 300 OFI Response Ratio · concepts/microstructure/响应比与最优持仓 (Response Ratio and Optimal Horizon)
四个待验证
- Hawkes 与 OU 在同一份数据上谁更好？ 明确空白
- 指数和核的"马尔可夫优势"是否以精度为代价？ 论文未报告
- 同向自激励强度 \phi_{i,i} 能否做因子？ 论文只做了可视化——明确的因子转化路径
- A 股的涨跌停会破坏 Hawkes 的平稳性假设（封板时成交停止、委托堆积），需专门处理