挂单方向长期记忆性的实证规律
　　（1）如何识别长期记忆性？
　　编码：我们将每笔买入委托的标识记作“1”，而卖出委托的标识记作“-1”，从而得到了一组连续的数值序列；定量化：通过计算序列自相关系数作为指标；
　　（2）挂单方向具备长期记忆性的特征在A股普遍存在
　　宏观视角：无论大票、小票均存在挂单方向的长期记忆性，但我们发现在2022年以前并不显著，并且在高低价格股票中呈现前后不一的选择偏好。
　　微观视角：连续竞价阶段的长期记忆性强度在2022年以来明显提高，并且要优于集合竞价；此外，越靠近盘口、委托数量偏小的委托，在时序中的相似度越高。
　　长期记忆的驱动因素
　　订单流的长期记忆性并非是由价格趋势所致，而应归因于委托的连续性。关于这一特性的成因，目前主要有两种看法：羊群效应、算法拆单。
　　我们从机构持仓、股东户数、因子跟踪、订单微观视角上给出我们的理解：订单流的连续性并非是由散户在时间上的拥挤行为，而是某种或者多种算法共同作用的条件下所实现的表象特征。
　　Alpha策略开发
　　基于对长期记忆性的规律分析，笔者基于三种计算方法开发因子，分别是：
　　（1）自相关系数回归法：长期记忆强度_LMS、高维记忆_MEMO
　　方法核心为基于挂单方向的数值序列，计算其1至100阶的自相关系数，并通过对滞后阶的对数值进行回归，得到OLS模型估计参数。
　　（2）基于“傅里叶变换”的频谱分析：分拆痕迹_OST
　　傅里叶变换、小波等方法，将原本时域（常见时序特征）信息转变为频域（由数据周期性决定的）信息，方便我们计算得到更深层的因子信号。
　　（3）同类订单连续重复次数统计
　　长期记忆性的因子逻辑表述为：从订单流角度观察时序的相似性，若指标显著偏高，说明信息优势投资者倾向交易股票，从选股质量上提供正向的分层效果。
　　基于机器学习的特征合成：树模型、网络模型
　　（1）树模型（XGBoost、Light GBM）
　　XGBoost样本内效果比较理想，多头超额收益显著。但是，在样本外，仅有8.6%的超额收益，胜率也从98%降至70%，模型泛化能力较差。Light GBM预测因子在分组单调性上要优于XGBoost，样本外预测能力的衰减程度也相对较轻。
　　（2）网络模型（LSTM）
　　我们在尝试LSTM的损失函数中添加负IC绝对值作为惩罚项后，模型得到的预测效果有明显的提升。特征合成过程需要考虑因子间的共线性，对于模型复杂度不宜过高，同时加以适当的惩罚可以避免陷入局部最优。
　　风险提示：模型基于历史数据测试，未来市场可能发生变化。