Anantha & Jain (2024) — 用 Hawkes 过程预测高频 OFI
作者: Aditya Nittur Anantha（SigmaQuant Technologies + 印度理工学院 IISc）、Shashi Jain（印度理工学院 IISc）。
发表: arXiv:2408.03594（2024 年 8 月 8 日）。PDF 21 页。
数据: 印度国家证券交易所（NSE）的 tick 数据（附录含 NIFTY 期货，如 2018-09-19 到期的 2018-09-27 合约）。
一句话总结
用 Hawkes 过程建模买卖订单流之间的滞后依赖以估计 OFI，并预测 OFI 的近端分布——在多种核的竞争中，指数和（Sum of Exponentials）核最优，而且因为它是马尔可夫性质的，拟合与预测只需当前参数、不需要模拟，计算负担远低于非参数方法。
为什么需要 Hawkes（论文的问题设定）
经验现象：成交呈聚集（clustering）。论文的表述：
在 TBT 数据中观察到成交事件倾向于成簇发生；也就是说，过去的 'BUY' 成交影响当前的 'BUY' 成交，过去的 'BUY' 成交也影响当前的 'SELL' 成交，反之亦然。
因此，OFI 模型必须刻画买卖两侧订单流随时间的交叉依赖。 这正是 Hawkes 过程的用途——用事件驱动的自激强度函数刻画时间依赖。
背景数据量的说明：许多合约单日 tick 数已超过一千万——这是"经验假象被注意到"的直接原因。
三个方法贡献
1. 用 Hawkes 过程估计 OFI
OFI 的定义（本文的表述）：若某时间窗内 'SELL' 成交显著多于 'BUY' 成交，则存在卖压，价格已下降或持平，反之亦然。这个交易活动偏向 BUY 或 SELL 侧的不对称性即 OFI。
Hawkes 过程的建模：二维核 \phi_{i,j}(t) 刻画事件类型 j 对事件类型 i 未来到达的激励强度。
2. 预测 OFI 的近端分布（而非点预测）
这是本文的方法论亮点。流程：
- 用前 1 小时（60 个窗口）数据拟合 Hawkes 核；
- 模拟未来 1 分钟的成交到达（二维核 → 到达含 BUY 与 SELL 混合）；
- 做 500 次模拟，每次得到一个 OFI 值 → 构造预测 OFI 的经验分布 (ED)；
- 计算实际 OFI 落在 ED 中的概率；
- 拟合窗口前移 1 分钟，丢弃最早 1 分钟、纳入新 1 分钟，重复 → 得到 315 个概率值；
- 从 10 分钟窗口计算负对数似然作为误差函数。
评价指标：SPA 检验（test for superior predictive ability）——迭代用每个模型作基准，检查 p 值。低 p 值意味着基准模型劣于被比较的模型。
3. 任意多模型的比较方法
论文提出的第三点贡献是一套可比较任意多模型预测的方法（不限于 Hawkes）。
比较的模型
参数化 Hawkes 核
| 核 | 表达式 | 估计法 | 模拟法 |
|---|---|---|---|
| Exponential | \phi_t | TICK | TICK |
| Sum of Exponential | \phi_{i,j}(t) | TICK | TICK |
| Power Law | \phi_t = \alpha e^{-\beta t} | TICK | TICK |
非参数化 Hawkes 核
| 方法 | 来源 |
|---|---|
| Hawkes Conditional Law 核 | Bacry & Muzy (2014) |
| 基于 EM 的 Hawkes 核估计 | Lewis & Mohler (2011) |
对照模型
- Poisson 过程（基准）
- VAR 模型——把 OFI 视为同步时间序列研究其时间演化。VAR 用逐分钟 BUY/SELL 成交计数（375 分钟计数），不含订单间隔时间（而 Hawkes 保留）。VAR 阶数 p 由 AIC 确定。
核心结果
| 发现 | 内容 |
|---|---|
| 参数化模型中最佳 | 指数和（Sum of Exponential）Hawkes |
| 非参数化模型中最佳 | Conditional Law Hawkes（Bacry & Muzy 2014） |
| 两者比较 | 没有明确更优者——数据不足以拒绝"两者都不劣于其他模型"的原假设 |
| 与 Poisson / VAR 相比 | 指数和 Hawkes 与 Conditional Law Hawkes 优于其他方法 |
为什么指数和核更好（论文给出的实际理由）
马尔可夫性质是核心：
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、模拟与预测所需的时间，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，拟合参数就足以直接预测到达率。
实践含义：这使得指数和核计算负担更小、更适合高频做市策略的风险管理——可以用紧邻的上一时间窗的到达率来预测下一时间窗的到达率。
一个论文主动指出的 bias
需要注意，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。
即论文自己承认结论可能偏向指数和核。不过 SPA 检验下，Conditional Law 与 VAR 模型也无法在 95% 置信度下被拒绝。
一个额外的实证观察：自我激励 vs 交叉激励
用指数和核追踪四类交互强度 \phi_{i,j}（BUY-BUY、BUY-SELL、SELL-SELL、SELL-BUY）随时间的演化（从 1 小时窗口细分到 5 秒到 5 分钟的间隔）：
| 现象 | 含义 |
|---|---|
| 全天 BUY-BUY 与 SELL-SELL 交互占主导 | 持续的市场情绪（订单流有强自激励） |
| BUY-SELL 与 SELL-BUY 交互在间歇时段升高 | 交易动态的转变或短暂的活动加剧 |
这个发现直接对应 Bouchaud 学派的"订单流长记忆"——同向自激励（self-excitation）全天持续。见 Bouchaud Farmer Lillo 2008 How Markets Slowly Digest Supply and Demand。
一个方法论细节：OFI 的平稳性与正态性检验
附录对 OFI 序列做了 Augmented Dickey-Fuller 平稳性检验与正态性检验（以 2018-09-19 的 NIFTY 2018-09-27 期货为例）。
这与本 wiki 已记录的重尾结论一致——见 concepts/microstructure/订单不平衡分布 (Order Imbalance Distribution)（A 股订单不平衡峰度远大于 3，重尾显著，不能用高斯假设）。本文也检验正态性，说明这个问题在该领域是被关注的。
与 #11 的对照：两条 OFI 建模路线的分歧（本 wiki 记录）
这是本篇最值得放到 wiki 里的位置。
| 本文（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（SDE） |
| 过程选择 | Hawkes（自激强度函数） | OU + 跳变 Lévy（有记忆、均值回复） |
| 对建模态度 | 主流做法 | 明确不用 Hawkes |
| 数据 | 印度 NSE | 中金所 CSI 300 股指期货 |
| 目标 | 预测 OFI 的近端分布 | 预测响应比与最优持仓时间 |
两者都不构成矛盾——它们回答的是不同的问题：
- 本文：给定过去的成交到达，未来会来多少 BUY/SELL 成交？
- #11：给定一个累积 OFI 冲击，价格会在未来如何演化？
但"用哪个过程"确实是一个实证选择，本 wiki 尚未见到在同一份数据上的对比。 已把这一点写进两页的 Open Questions。
对本 wiki 的位置
- 入口概念: concepts/microstructure/OFI 的 Hawkes 与 OU 建模路线（新建，串起本文与 #11）
- 源论文: 本文
- 作者: Aditya Nittur Anantha、Shashi Jain — 需建实体页
- 对照: Hu & Zhang 2025 CSI 300 OFI Response Ratio（OU 路线）· concepts/microstructure/Order Flow Imbalance (OFI) · concepts/microstructure/响应比与最优持仓 (Response Ratio and Optimal Horizon)
- 长记忆的印证: Bouchaud Farmer Lillo 2008 How Markets Slowly Digest Supply and Demand
- 分布检验: concepts/microstructure/订单不平衡分布 (Order Imbalance Distribution)
Open Questions
- Hawkes 与 OU 在同一份数据上谁更好？ 两条路线从未被直接对比。这是本 wiki 记录的一个明确空白。
- 指数和核的"马尔可夫优势"是否会以精度为代价？ 论文强调它计算便宜（不需模拟），但没有报告预测精度上的损失。若精度相当，则计算优势是决定性的；若精度明显更低，则需权衡。
- 5 秒到 5 分钟的窗口细分结果能否给因子用？ 论文追踪了 \phi_{i,j} 在不同窗口下的演化。"同向自激励强度"本身是否是一个预测信号（如 BUY-BUY 自激励突然升高 → 后续价格上行）？这是一个直接的因子转化路径，论文未做。
- A 股能否做同样的分析？ A 股有逐笔委托与成交（沪市配对缺失 14.2%），成交到达时间可得，Hawkes 建模在技术上可行。但涨跌停会截断到达过程（封板时成交停止、委托堆积）——这会破坏 Hawkes 的平稳性假设，需要专门处理。
- 指数和核在印度 NSE 最优，在 A 股是否仍最优？ 论文自己承认"考虑全天数据时结果可能偏向指数和核"。
关键引用
Anantha, A. N., & Jain, S. (2024). Forecasting high frequency order flow imbalance using Hawkes processes. arXiv:2408.03594。SigmaQuant Technologies + 印度理工学院（IISc）。
主要参考文献：Bacry & Muzy (2014) — Hawkes Conditional Law 核（非参数化中最佳）；Lewis & Mohler (2011) — 基于 EM 的 Hawkes 核估计；Hawkes 过程原始文献；Ogata thinning algorithm（模拟）；SPA 检验（Hansen 2005 superior predictiveability）；VAR 模型；Bouchaud 等（订单流长记忆，本 wiki 的理论基础）；MIT/Jain 等（Hawkes 在金融时间序列的应用）。