【数据竞赛】数据竞赛中最贵的四个特征

本文介绍四个在量化问题中非常重要的特征，对量化有兴趣的朋友可以参考学习，此处的资料主要来源于Optiver团队在Kaggle赛事中的分享。

四大量化强特

由于不同的股票在市场上的交易水平不同，我们采用最佳报价(best offer price)和最佳买入价(best bid price)的比值来计算买卖价差。

买卖价差的计算公式可采用以下形式：

注：最佳买入价是有人愿意购买的最高价格，最佳报价（或出价）是有人愿意出售的最低价格。

订单（Order) Book是股票估值的重要来源之一。公允的账面价值评估必须考虑两个因素：订单的水平和规模。我们可以使用加权平均价格（WAP）来计算股票的瞬时估值，并以实际波动率为目标。

WAP的公式如下，它考虑了最高级别的价格和数量信息：

• 在大多数情况下，在连续交易时间内，订单簿不应出现bid order高于offer或ask order的情况。

假设是股票在时刻的价格，我们通过下面的方式计算和时刻的log return，

通常我们会计算在10分钟之内的log return。Log returns有很多优势，例如：

• 它们可以在时间轴上相加：
• 一般的returns不可能低于-100%,但是log return是不受限的；

模型的有价值输入是股票对数收益的标准差。对于在较长或较短时间间隔内计算的对数收益率，标准差会有所不同，因此通常:

• 将其标准化为1年期，而年化标准差就被称为波动率(volatility)。

我们一般会使用WAP作为股票的价值来计算log returns。

代码

1.bid/ask spread

def ba_spread(best_offer, best_bid):
    ba_spread =  best_offer / best_bid - 1.0
    return ba_spread

2.WAP

def wap(book):
    wap = (book['bid_price1'] * book['ask_size1'] +\
               book['ask_price1'] * book['bid_size1']) / (book['bid_size1']+ book['ask_size1'])
    return wap

3.Log returns

def log_return(list_stock_prices):
    return np.log(list_stock_prices).diff() 

4.Realized volatility

def realized_volatility(series_log_return):
    return np.sqrt(np.sum(series_log_return**2)) 

适用问题

股票等问题的建模。

参考文献

1. Introduction to financial concepts and data 
   
   

   往期精彩回顾
   
   
   
   
   本站qq群851320808，加入微信群请扫码：
   

1. 适合初学者入门人工智能的路线及资料下载
2. 机器学习及深度学习笔记等资料打印
3. 机器学习在线手册
4. 深度学习笔记专辑
5. 《统计学习方法》的代码复现专辑
   
6. AI基础下载
7. 机器学习的数学基础专辑
8. 温州大学《机器学习课程》视频