Exploration approfondie du trading par IA, de l'analyse de marché et de l'avenir de la DeFi.
Browse collections →Nothing found. Try a different query.
Dérivation complète du modèle d'exécution optimale d'Almgren-Chriss : impact linéaire, trajectoire en sinh/cosh, frontière efficiente, et code Python fonctionnel pour calibrer eta, gamma et sigma à partir des données L2 et des trades de Binance.
Une prévision de volatilité GARCH ne vaut quelque chose que si elle améliore une décision de trading. Nous construisons une stratégie crypto à volatilité ciblée, évaluons honnêtement la qualité des prévisions et comparons GARCH aux références de volatilité réalisée et EWMA dans un backtest walk-forward.
Les corrélations crypto ne sont pas constantes — elles bondissent vers 1 à chaque drawdown. DCC-GARCH modélise une matrice de corrélation variable dans le temps, offrant des ratios de couverture dynamiques pour le pairs trading et un risque de portefeuille honnête, variable dans le temps.
Le GARCH(1,1) classique traite les bonnes et les mauvaises nouvelles de la même façon et suppose des chocs gaussiens. EGARCH, GJR-GARCH et les innovations Student-t/skew-t corrigent les deux — et donnent une VaR et une Expected Shortfall honnêtes pour les cryptos.
Comment le modèle GARCH(1,1) capture le regroupement de volatilité (clustering) dans les cryptos, comment l'estimer par maximum de vraisemblance avec la bibliothèque arch, et comment transformer des prévisions de variance conditionnelle en dimensionnement de position et en stops dynamiques.
L'aboutissement de l'arc recherche-et-surapprentissage, et il se termine sur un resultat negatif — le bon. Une recherche mono-actif en double timeframe sur ETHUSDT a trouve une configuration valant +16,35 % en out-of-sample et +2,62 % sur un holdout intact ; le Deflated Sharpe Ratio, tenant compte des ~37 000 essais, l'a deflate a 0,00. Une passe cross-instrument sur cinq majors (ETH/BTC/SOL/BNB/XRP, ~1,18 M de barres 1m chacun), avec selection par la mediane out-of-sample, l'acheve pour de bon : DSR dual 0,24 / PBO 0,264, DSR triple 0,14 / PBO 0,327 — les deux echouent aux seuils. Le champion est profitable sur 1 des 5 symboles et negatif sur les autres. Voila a quoi sert l'appareillage anti-surapprentissage : vous empecher de deployer le meilleur du bruit en le prenant pour de l'alpha.
Les backtests multi-timeframe laissent fuiter le futur à travers une bougie de timeframe supérieur en cours de formation, dont la clôture finale n'existe pas encore. On ne peut pas se contenter d'une revue de code pour en avoir la certitude — il faut le tester. Nous reproduisons exactement la règle de bougie clôturée du bot live, puis prouvons l'absence de fuite avec une sonde à futur perturbé : on perturbe chaque bougie future et on vérifie que chaque signal et chaque trade passés restent identiques bit à bit. 25/25 tests de parité, et la sonde a du mordant.