FlowHFT：基于流匹配策略的高频交易仿照学习
交易与市场微观结构
2025-05-23 v3 人工智能
计算工程、金融与科学
计算金融
摘要
高频交易(HFT)是一种持续监控市场状态并在毫秒级速度下放置买卖订单的投资策略。传统HFT方法使用历史数据拟合模型，并假设未来的市场状态遵循相似模式。这限制了该模型对特定训练条件下有效性。此外，这些模型仅在特定市场条件下（例如，关于股票价格随机过程、稳定订单流以及无突发波动性的假设）实现最优解。然而，现实世界的市场是动态的、多样的，并且经常波动。为解决这些挑战，我们提出了FlowHFT，一种基于流匹配策略的仿照学习框架。FlowHFT从众多个专精于特定市场情景的专家模型中学习策略。因此，我们的框架可以根据当前市场状态自适应地调整投资决策。此外，FlowHFT包含网格搜索微调机制。这使其即使在专家策略次优的复杂或极端市场情景中也能实现卓越的性能。我们在多个市场环境中测试了FlowHFT。我们首先展示了流匹配策略适用于随机市场环境，从而使FlowHFT能够在不同市场条件下学习交易策略。值得注意的是，我们的单个框架始终优于每个市场条件下的最佳专家。
引用
@article{arxiv.2505.05784,
title = {FlowHFT: Imitation Learning via Flow Matching Policy for Optimal High-Frequency Trading under Diverse Market Conditions},
author = {Yang Li and Zhi Chen and Steve Yang},
journal= {arXiv preprint arXiv:2505.05784},
year = {2025}
}
备注
16 pages, 6 figures, 7 tables, 2 algorithms