Inmersiones profundas en el trading con IA, análisis de mercado y el futuro de DeFi.
Browse collections →Nothing found. Try a different query.
Derivación completa del modelo de ejecución óptima de Almgren-Chriss: impacto lineal, la trayectoria sinh/cosh, la frontera eficiente y código Python funcional para calibrar eta, gamma y sigma a partir de datos de L2 y operaciones de Binance.
Un pronóstico de volatilidad GARCH solo vale algo si mejora una decisión de trading. Construimos una estrategia cripto con targeting de volatilidad, evaluamos honestamente la calidad del pronóstico y comparamos GARCH contra las referencias de volatilidad realizada y EWMA en un backtest walk-forward.
Las correlaciones en cripto no son constantes — se disparan hacia 1 en cada caída. DCC-GARCH modela una matriz de correlación variable en el tiempo, dando ratios de cobertura dinámicos para pairs trading y un riesgo de cartera honesto y variable en el tiempo.
El GARCH(1,1) simple trata igual las buenas y las malas noticias y asume shocks gaussianos. EGARCH, GJR-GARCH y las innovaciones Student-t/skew-t corrigen ambos problemas, y te dan un VaR y una Expected Shortfall honestos para cripto.
Cómo el modelo GARCH(1,1) captura el agrupamiento de volatilidad en cripto, cómo ajustarlo por máxima verosimilitud con la librería arch, y cómo convertir los pronósticos de varianza condicional en dimensionamiento de posiciones y stops dinámicos.
El cierre del arco de búsqueda y sobreajuste, y termina en un resultado negativo — el correcto. Una búsqueda de doble timeframe sobre un solo símbolo (ETHUSDT) encontró una configuración con +16.35% fuera de muestra y +2.62% en un holdout intacto; el ratio de Sharpe deflactado, contando ~37,000 pruebas, lo deflactó a 0.00. Una pasada entre instrumentos sobre cinco majors (ETH/BTC/SOL/BNB/XRP, ~1.18M de barras de 1m cada uno), seleccionando por la mediana fuera de muestra, lo remata definitivamente: doble DSR 0.24 / PBO 0.264, triple DSR 0.14 / PBO 0.327 — ambos fallan los filtros. El campeón es rentable en 1 de 5 símbolos y negativo en el resto. Para esto existe el aparato anti-sobreajuste: para impedir que despliegues el mejor del ruido como alfa.
Los backtests multi-timeframe filtran el futuro a través de una vela de temporalidad superior en formación, cuyo cierre final aún no existe. No se puede llegar a la confianza mediante revisión de código — hay que probarlo. Reproducimos exactamente la regla de vela cerrada del bot en vivo, y luego demostramos que no hay filtración con una sonda de futuro desplazado: perturbamos cada vela futura y verificamos que cada señal y operación pasada permanece idéntica bit a bit. 25/25 comprobaciones de paridad superadas, y la sonda tiene mordiente.