详细内容或原文请订阅后点击阅览
虚假高频自相关
高频数据的一个奇怪之处是，大多数数据来自集中式限价订单簿 (CLOB)，其中买卖价差使数据看起来具有负自相关性，因为交易是在买入价和卖出价随机进行的。推动这种模式的回报远低于交易成本，因此不会产生套利机会。然而，人们可能会倾向于使用高频数据来估计定价期权或凸度成本（又称无常损失、损失与再平衡）的方差。这是一个问题，因为 1 分钟 Gemini 回报产生的方差估计比从每日数据得出的方差估计高 40%。方差随时间线性增长；波动性随时间平方根增长。因此，对于标准随机过程，方差除以频率时应该相同。如果回报期限以分钟为单位，则 5 分钟回报的方差应为 10 分钟回报方差的一半，等等。方差 (ret(M 分钟))/M 对所有 M 都应为常数。将数据除以一个标准会很有帮助，在我的例子中，该标准是此样本（1440 分钟）的 1 天回报的方差，因此我们可以清楚地识别出方差被高估和低估的频率。如果比率高于 1.0，则意味着此频率的均值回归（负自相关），如果低于 1.0，则意味着动量（正自相关）。这是不同分钟的 m 分钟回报方差除以 m 的比率，没有
来源:Falken博客高频数据的一个奇怪方面是，大多数数据来自集中限价订单簿 (CLOB)，其中买卖价差使数据看起来具有负自相关性，因为交易是在买入价和卖出价随机进行的。
推动这种模式的回报远低于交易成本，因此它们不会产生套利机会。但是，人们可能会倾向于使用高频数据来估计定价期权或凸度成本（又称无常损失、损失与再平衡）的方差。这是一个问题，因为 1 分钟 Gemini 回报产生的方差估计比从每日数据得出的方差估计高 40%。
方差随时间线性增长；波动性随时间平方根增长。因此，对于标准随机过程，方差除以频率时应该相同。如果回报期限以分钟为单位，则 5 分钟回报的方差应为 10 分钟回报方差的一半，等等。方差 (ret(M 分钟))/M 对所有 M 都应为常数。将数据除以一个标准会很有帮助，在我的例子中，该标准是此样本 (1440 分钟) 的 1 天回报的方差，因此我们可以清楚地识别方差被高估和低估的频率。如果比率高于 1.0，则意味着此频率的均值回归 (负自相关)，如果低于 1.0，则意味着动量 (正自相关)。
这是不同分钟的 m 分钟回报方差除以 m 的比率，通过除以 1 天回报进行标准化。它在 300 分钟时渐近于 1.0。
我添加了 ETH-USDC 5 和 30 bp 池，我们可以看到费用和较低交易量造成的停滞的影响。 AMM 的一分钟回报方差比率远低于 1.0，这意味着在该频率下动量（正自相关）。 同样，推动这一趋势的影响远低于 5 个基点，因此这不是一种可以赚钱的模式。
低于这是衡量的
实现 预期 1 LVR 1 0 2