高频量化入门
什么是股票？股票是资产所有权的一部分。不同的资产有不同的流动性，现金的流动性最高，但长期贬值。二级市场的公司股票流动性较高，因为有大量交易者在场内交易。房地产流动性较差，常常需要房产中介撮合买卖双方，中介从中赚取流动性的差价。
高频量化起初干的就是类似房产中介的工作，提供流动性，承担流动性风险，从中盈利。
每个时刻，机器看到的不是单一的股价，而是一本买方与卖方的出价订单簿（Limit Order Book/LOB）。每个股票的买卖双方各自出价：
买方举牌价bid最高出价是100块，卖方询问价ask最低出价是102块，中间价mid是101块，买卖价差spread是2块。
高频量化如何盈利？有两种方式：
1. 拉近价差，出价101块买入，等待卖给市场愿意101.5块买入的人，或者101.5块卖空，等待平仓给市场愿意101块卖出的人，赚取0.5块差价。通过承担持有等待期间的风险，将价差从2块拉近，赚取流动性差价。
过去二十年，随着高频交易的流行，美国股市的价差急剧收缩，大幅降低了买卖双方的交易成本：
2. 价格发现，通过模型预测未来的价格变化，假如预测价格会涨，则接受卖方102块的ask出价买入股票，等待买方bid更高的价格，如103块，赚取1块差价。
这是AI模型大展身手的地方，通过将出价订单簿转化为一个大规模的机器学习任务，预测并发现资产的公允价格。
ChatGPT和DeepSeek等大语言模型，处理的token单元是自然语言里的词组，高频量化模型处理的基础单元是出价订单簿。相比自然语言，金融数据具有其独特性，不能直接搬运 GPT 架构，因为：
低信噪比： 语言中的词汇通常带有明确含义，但市场数据充满了随机噪音和无效干扰，信号隐藏在极深处。
非平稳性： 市场的统计特征会随时间剧烈变化，而语言规则相对稳定。
高对抗性： 市场是一个博弈场。你的交易行为会改变环境，且其他参与者会试图识别并针对你的模型策略。
因此，全球领先的量化交易机构，如哈德逊河 Hudson River Trading ，通常采用以下步骤将订单簿LOB的状态“语言化”：
1. 状态特征的结构化
在每一个时间戳t，订单簿 LOB 的状态可以表示为一个矩阵。模型首先提取最核心的几个维度：
价格维度：买一到买 N，卖一到卖 N 的价格。
深度维度：每个价格档位上的挂单量。
类别维度：该事件是新挂单、成交还是撤单。
2. 连续值的离散化与缩放
由于价格是连续变化的，不能直接作为Token单元。
相对价格化：将所有价格减去当前的中间价，这样模型学习的是“偏移量”而非绝对数值。
对数缩放：对挂单量取对数log，压缩长尾分布，使模型对小单和大单的敏感度更加平衡。
分桶量化：将这些连续值划分为几千个桶（Bins），每个桶对应一个量化值。
3. 市场节奏编码
大语言模型通过旋转位置编码Rotary Position Embeddings知道上下文的先后顺序，高频量化模型通过Time Delta Embeddings对订单事件的时间间隔进行编码，让模型感知市场的“节奏”。
4. 序列化与因果掩码
将处理好的订单向量按时间顺序排列，形成类似“句子”的序列。
因果掩码：在训练阶段，模型只能看到当前时刻之前的 Token，目标是预测下一档的价格变化。
跨品种建模：如果将相关资产不同品种（如标普500指数期货和其对应的 ETF）的 Token 交织在一起（交织注意力Cross attention），模型就能学习到跨品种的套利逻辑。
总之，将订单簿 LOB 转为词元 Token 的本质是：将高频、大噪声的原始数据（Tick Data），映射到一个能够捕捉市场微弱Alpha的高维空间。
哈德逊河公司收集了全球过去20多年的市场数据，涵盖股票，期货，加密等各种类别，总数据量达到1兆Token，接近训练大语言模型的数据量。同时他们拥有海量的英伟达 B200，GPU多到运输时曾经阻塞了美国东海岸的交通。他们在训练金融模型时也发现了尺度定律，盈利能力随参数量和数据量可预测的提升，正致力于让量化交易从简单的统计套利向通用的金融基础模型演进。