Forecasting high-frequency financial time series: an adaptive learning approach with the order book data
利用订单簿数据自适应学习预测高频金融时间序列AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用股指期货高频买卖报价与订单簿进行下一步价格预测；未明确研究收益率预测，故仅归入高频计量。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用订单簿数据自适应学习预测高频金融时间序列
- 研究问题
- 如何利用高频买卖报价和订单簿统计摘要预测下一步价格，并通过自适应学习应对非平稳性，使预测表现比固定模型更稳定？
- 方法与思路
- 作者从沪深三百股指期货高频买卖数据构造统计摘要，结合时间序列探索分析设计自适应学习模型，并用滚动窗口展示假设检验应用。
- 材料陈述的贡献
- 摘要称，自适应模型相对表现较好的固定模型取得良好预测表现，部分模型通过更稳定地应对非平稳性改善准确率，并展示检验应用。
- 阅读关注点
- 应核对报价时间对齐、预测目标、更新与选择规则、滚动窗口的信息可用性，以及固定模型比较和检验应用是否处理模型选择影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供预测误差、更新规则或检验校准细节，价格预测表现也不能直接推出交易收益。
原文摘要
This paper proposes a forecast-centric adaptive learning model that engages with the past studies on the order book and high-frequency data, with applications to hypothesis testing. In line with the past literature, we produce brackets of summaries of statistics from the high-frequency bid and ask data in the CSI 300 Index Futures market and aim to forecast the one-step-ahead prices. Traditional time series issues, e.g. ARIMA order selection, stationarity, together with potential financial applications are covered in the exploratory data analysis, which pave paths to the adaptive learning model. By designing and running the learning model, we found it to perform well compared to the top fixed models, and some could improve the forecasting accuracy by being more stable and resilient to non-stationarity. Applications to hypothesis testing are shown with a rolling window, and further potential applications to finance and statistics are outlined.