Goudarzi & Bazzana (2023) — Identification of High-Frequency Trading: A Machine Learning Approach
一句话：用法国监管的账户级 HFT 标签做训练目标，配上 16 个从订单簿重建出来的特征，训出随机欠采样提升（RUS boost）决策树——TPR 高达 0.99 但 TNR 只有 0.54–0.73；再用"逆向工程"把集成树还原成一棵 15 叶的回归树，读出每类订单被判为 HFT 的概率。
完整引用: Goudarzi, M., & Bazzana, F. (2023). Identification of high-frequency trading: A machine learning approach. Research in International Business and Finance, 66, 102078. DOI 10.1016/j.ribaf.2023.102078.
机构: 特伦托大学经济与管理系；LUT 大学商学院。
数据: BEDOFIH 数据库的 AMF Euronext Paris 部分，2017-05-04 一天建模 + 2017-01-02 至 01-06 样本外。307 只证券、超过 900 万笔订单、微秒时间戳。
标签：法国 AMF 的 HFT 认定标准
满足任一条件即为 HFT：(i) 一年内撤单 ≥ 100,000 笔且存活期低于全簿均值；(ii) 提交后 0.1 秒内撤单 ≥ 500,000 笔且其中 1% 存活不足 0.0005 秒。投资银行 → 混合型 HFT，否则 → 纯 HFT。
关键数字
| 量 | HFT | Non-HFT |
|---|---|---|
| 离簿方式：被券商撤单 | 78.33% | 12.50% |
| 离簿方式：被修改 | 13.91% | 66.46% |
| 委托存活期中位数 | 265 s | 4,863,101 s |
| recs（高流动性交易组） | 99.59% | 45.30% |
| 模型 | 留出 TNR | 留出 TPR | 01-02 TNR | 01-02 TPR | PPV | NPV |
|---|---|---|---|---|---|---|
| RUSBoost | 0.73694 | 0.99564 | 0.63961 | 0.98808 | 0.9924 | 0.8306 |
| AdaBoostM1 | 0.73639 | 0.99859 | 0.53894 | 0.99576 | — | — |
| LogitBoost | 0.39691 | 0.99996 | 0.08962 | 0.99981 | — | — |
| RobustBoost | 0.73195 | 0.99947 | 0.53794 | 0.99752 | — | — |
按市值分层（F-score）：大盘 0.9954、中盘 0.9952、小盘 0.9770、微盘（1% 订单）0.8923。
逆向工程（方法论贡献）
- 集成树输出分数（RUS boost 下两类别分数之和为常数）——比二分类信息更丰富
- 分数线性变换到概率，构造"模拟数据集"
- 训回归决策树（深度不限，剔除误分类的约 1%），剪枝到 15 个叶
- 样本外 PPV 97.1%、NPV 79.7%（原集成模型 98.12% / 73.85%）
树只用 16 个特征中的 5 个：recs、委托存活期、离簿状态、账户类型、BBO_diff。判别力最强的两个是 recs 与存活期。
局限
AMF 标签本身建立在"撤单多 + 存活期短"上，而模型最有效的特征恰是委托存活期——模型复现的是监管定义，不是市场真相。R^2 只有 0.009–0.034 但 AUC 0.98–0.99，作者归因于数据不平衡，这个解释需要检验。数据只有 2017 一天。