第29章机器学习应用

第29章机器学习应用：订单流预测、最优执行与异常检测

做市商系统做到一定阶段，你会发现一个瓶颈——规则写死了。你想想看，市场是活的，订单流是动态的，光靠if-else很难捕捉到那些微妙的模式。这时候，机器学习就该上场了。

我个人习惯把机器学习在衍生品做市中的应用分成三大块：预测未来（订单流预测）、优化当下（最优执行算法）、揪出异常（异常交易检测）。今天我们就一个一个来拆解。

29.1 订单流预测：LSTM与Transformer的实战选择

订单流预测，说白了就是猜下一秒谁会买、谁会卖。我在项目中遇到过最头疼的问题——预测结果总是滞后。后来发现，问题出在特征工程上。

29.1.1 特征构建：别只盯着价格

很多新手做订单流预测，上来就把价格序列丢进模型。嗯，这里要注意——价格只是冰山一角。真正有价值的信息藏在订单簿的微观结构里。

我常用的特征集包括：

订单簿不平衡度：(买一量 - 卖一量) / (买一量 + 卖一量)
价差变化率：当前价差 / 过去N笔平均价差 - 1
成交速度：过去1秒内的成交笔数
大单占比：超过阈值的大单成交量 / 总成交量
订单撤销率：撤销订单数 / 总挂单数

这些特征组合起来，比单纯的价格序列信息量大了不止一个量级。

29.1.2 LSTM实现：经典但够用

LSTM做时序预测，优点是稳定、好调参。我一般用三层堆叠，每层128个单元。给你看个核心代码片段：

import torch.nn as nn

class OrderFlowLSTM(nn.Module):
    def __init__(self, input_dim=10, hidden_dim=128, num_layers=3):
        super().__init__()
        self.lstm = nn.LSTM(
            input_size=input_dim,
            hidden_size=hidden_dim,
            num_layers=num_layers,
            batch_first=True,
            dropout=0.2
        )
        self.fc = nn.Sequential(
            nn.Linear(hidden_dim, 64),
            nn.ReLU(),
            nn.Dropout(0.1),
            nn.Linear(64, 3)  # 预测：买入、卖出、无动作
        )
    
    def forward(self, x):
        # x shape: (batch, seq_len, features)
        out, (h_n, c_n) = self.lstm(x)
        # 取最后一个时间步的输出
        last_out = out[:, -1, :]
        return self.fc(last_out)

我曾经用这个结构在比特币永续合约上做订单流预测，准确率大概在62%左右。别小看这个数字——在随机水平33%的基础上，62%已经能带来显著的alpha了。

29.1.3 Transformer：更远、更准、更贵

Transformer的优势在于能捕捉长距离依赖。订单流里有些模式是跨分钟的，LSTM容易遗忘，Transformer不会。

但代价是什么？计算量。我建议只在以下场景用Transformer：

预测窗口超过50步
特征维度超过20
你有GPU资源，且延迟要求不高（>100ms）

我的经验：如果延迟要求严格（<10ms），别用Transformer。LSTM + 量化部署是更务实的选择。我曾经在FPGA上部署过LSTM，推理时间可以压到2ms以内。

29.2 最优执行算法：从理论到代码

预测完订单流，下一步就是怎么执行。最优执行算法解决的核心问题是：如何在最小化市场冲击的同时，完成指定数量的交易。

29.2.1 TWAP与VWAP：基础但实用

TWAP（时间加权平均价格）和VWAP（成交量加权平均价格）是最经典的两种算法。我一般把它们作为基准线——如果连TWAP都跑不赢，那别谈什么机器学习优化了。

TWAP的实现很简单：

def twap_schedule(total_qty, total_time, interval=1.0):
    """
    生成TWAP执行计划
    total_qty: 总交易量
    total_time: 总执行时间（秒）
    interval: 切片间隔（秒）
    """
    n_slices = int(total_time / interval)
    qty_per_slice = total_qty / n_slices
    
    schedule = []
    for i in range(n_slices):
        schedule.append({
            'time': i * interval,
            'qty': qty_per_slice,
            'side': 'buy' if total_qty > 0 else 'sell'
        })
    return schedule

但TWAP有个致命问题——它不关心市场状态。市场在剧烈波动时，你还按固定节奏下单，那就是在给对手送钱。

29.2.2 自适应执行：让模型决定节奏

我更喜欢用强化学习来做执行优化。状态空间包括：当前持仓、剩余时间、订单簿状态、波动率。动作空间就是：下一笔下多少、下多快。

核心思路是这样的：

用LSTM预测未来N步的订单簿状态
用强化学习Agent决定当前最优下单量
实时监控执行成本，动态调整策略

避坑指南：我曾经在回测里跑出漂亮的曲线，一上实盘就崩。后来发现是模拟器太理想化了——真实市场的订单簿变化比模拟快得多。解决方案：在模拟器中加入随机延迟和部分成交的模拟。

29.3 异常交易检测：守护你的系统

做市商最怕什么？不是亏钱，是亏得不明不白。异常交易检测就是帮你揪出那些「不明不白」的。

29.3.1 基于统计的检测方法

最基础的方法是用Z-score。我一般对以下指标做实时监控：

指标	正常范围	异常阈值
成交频率（笔/秒）	5-50	>200 或 <1
单笔成交量	均值±2σ	>均值+5σ
价差（bps）	1-10	>50 或 <0.1
订单撤销率	10%-40%	>80%

这些阈值不是拍脑袋定的。我习惯用过去7天的数据滚动计算，每4小时更新一次。

29.3.2 基于自编码器的无监督检测

统计方法只能抓到「明显」的异常。对于那些微妙的、从未见过的异常模式，我推荐用自编码器。

训练过程很简单：

收集正常交易数据（比如过去30天）
训练一个自编码器，输入输出都是特征向量
计算重建误差（MSE）
设定阈值：超过阈值的就是异常

class AnomalyDetector:
    def __init__(self, input_dim=20):
        self.encoder = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU(),
            nn.Linear(64, 32),
            nn.ReLU(),
            nn.Linear(32, 16)
        )
        self.decoder = nn.Sequential(
            nn.Linear(16, 32),
            nn.ReLU(),
            nn.Linear(32, 64),
            nn.ReLU(),
            nn.Linear(64, input_dim)
        )
        self.threshold = None
    
    def train(self, normal_data):
        # 训练自编码器
        criterion = nn.MSELoss()
        optimizer = torch.optim.Adam(
            list(self.encoder.parameters()) + 
            list(self.decoder.parameters()), 
            lr=1e-3
        )
        # ... 训练循环 ...
        
        # 计算阈值（95分位数）
        errors = self.compute_errors(normal_data)
        self.threshold = np.percentile(errors, 95)
    
    def detect(self, sample):
        error = self.compute_error(sample)
        return error > self.threshold

注意：自编码器检测到的异常，不一定都是「坏」的。有时候市场出现新的正常模式，也会被标记为异常。我建议把检测结果作为「预警」，而不是「判决」。人工复核是必要的。

29.4 知识体系总览

说了这么多，我画了张图帮你理清思路。这张图展示了本章三个核心模块之间的关系：

从这张图你可以看到，三个模块不是孤立的。订单流预测的结果可以喂给最优执行算法，异常检测的结果可以用来调整预测模型的置信度。它们共同构成了一个完整的决策闭环。

最后说一句——机器学习在交易系统里不是银弹。它解决的是「模式识别」和「优化决策」的问题，但解决不了「市场逻辑」的问题。我见过太多人把模型搞得很复杂，结果连基本的市场微观结构都没搞懂。先理解市场，再谈模型，这个顺序不能乱。

无相订单流研究社微信Lucian808555

📚 课程目录